面向流失预测的利润驱动决策树
机器学习
2017-12-22 v1 机器学习
应用统计
摘要
客户留存活动日益依赖预测模型在庞大客户群中检测潜在流失者。从机器学习视角看，预测客户流失的任务可视为二分类问题。利用历史行为数据构建分类算法，以准确预测客户叛离的概率。预测流失模型通常基于准确率相关性能指标（如 ROC 曲线下面积 (AUC)）筛选。然而，这些模型常与利润最大化这一核心业务需求不对齐，即模型不仅未考虑误分类成本，也未考虑正确分类带来的收益。因此，目标是构建有利可图且最好可解释的流失预测模型。近来提出的客户流失期望最大利润度量 (EMPC) 用于筛选最获利的流失模型。我们提出一种将 EMPC 度量直接整合进模型构造的新分类器。我们的技术称为 ProfTree，使用进化算法学习利润驱动决策树。在来自多家电信服务商的真实数据集基准研究中，我们显示 ProfTree 相比经典准确率驱动树方法实现了显著利润提升。
引用
@article{arxiv.1712.08101,
title = {Profit Driven Decision Trees for Churn Prediction},
author = {Sebastiaan Höppner and Eugen Stripling and Bart Baesens and Seppe vanden Broucke and Tim Verdonck},
journal= {arXiv preprint arXiv:1712.08101},
year = {2017}
}