[論文レビュー] A Framework in CRM Customer Lifecycle: Identify Downward Trend and Potential Issues Detection

Kun Hu, Zhe Li+4 more|arXiv (Cornell University)|Feb 25, 2018

Customer churn and segmentation参考文献 9被引用数 3

ひとこと要約

本論文は、原因推論と半教師付き学習を用いて、苦情を述べない『サイレント・サfferers』（否定的経験を味わっているが苦情を言わない顧客）を特定することで、CRMにおける顧客の下落トレンドを早期に検出する二段階フレームワークを提案する。このフレームワークは退会の前触れとしての早期低下を予測し、原因を特定する。実世界のA/Bテストで88.5%の購買量のインクリメンタルな増加を達成した。

ABSTRACT

Customer retention is one of the primary goals in the area of customer relationship management. A mass of work exists in which machine learning models or business rules are established to predict churn. However, targeting users at an early stage when they start to show a downward trend is a better strategy. In downward trend prediction, the reasons why customers show a downward trend is of great interest in the industry as it helps the business to understand the pain points that customers suffer and to take early action to prevent them from churning. A commonly used method is to collect feedback from customers by either aggressively reaching out to them or by passively hearing from them. However, it is believed that there are a large number of customers who have unpleasant experiences and never speak out. In the literature, there is limited research work that provides a comprehensive and scientific approach to identify these "silent suffers". In this study, we propose a novel two-part framework: developing the downward prediction process and establishing the methodology to identify the reasons why customers are in the downward trend. In the first prediction part, we focus on predicting the downward trend, which is an earlier stage of the customer lifecycle compared to churn. In the second part, we propose an approach to figuring out the cause (of the downward trend) based on a causal inference method and semi-supervised learning. The proposed approach is capable of identifying potential silent sufferers. We take bad shopping experiences as inputs to develop the framework and validate it via a marketing A/B test in the real world. The test readout demonstrates the effectiveness of the framework by driving 88.5% incremental lift in purchase volume.

研究の動機と目的

• 退会する前に対象顧客の不満の初期兆候を特定するというギャップに対処すること。
• 苦情を積極的になく、否定的経験を味わっている『サイレント・サfferers』を検出すること。
• 原因推論を用いて、行動データから顧客の不満の根本原因を体系的に特定する方法を開発すること。
• 早期検出に基づく能動的対応を可能にすることで、顧客の維持を向上させること。
• 実世界のA/Bマーケティングテストを通じて、フレームワークの有効性を検証すること。

提案手法

• フレームワークは二段階構成である：下落トレンド予測と根本原因同定。
• 下落トレンド予測は、歴史的顧客行動データを用いて、退会の前段階の低下を検出する。
• 根本原因分析では、行動変化と潜在的痛みのポイントを結びつけるために原因推論法を適用する。
• 半教師付き学習は、ラベルなし顧客フィードバックと行動のパターンを特定するために用いられ、サイレント・サfferersの検出を強化する。
• フレームワークは行動信号と暗黙のフィードバックを統合し、顧客体験の劣化をモデル化する。
• フレームワークの購買量への影響を評価するために、マーケティングA/Bテストを実施する。

実験結果

リサーチクエスチョン

• RQ1 従来の退会予測よりも、顧客ライフサイクルのどの段階で早期に下落トレンドを検出できるか。
• RQ2 否定的経験について明示的に苦情を言わない顧客を効果的に特定する方法は何か。
• RQ3 行動データから顧客不満の根本原因を特定するために、原因推論をどのように適用できるか。
• RQ4 半教師付き学習は、ラベルなし顧客データにおける早期の警告信号の検出をどの程度改善できるか。
• RQ5 このようなフレームワークを展開した場合、実世界のビジネスに及ぼす影響は、顧客維持と購買量にどの程度あるか。

主な発見

• フレームワークは、顧客が退会に至る前に早期の下落トレンドに陥っている顧客を効果的に特定し、早期の対応を可能にした。
• 原因推論と半教師付き学習を用いることで、反応的フィードバック収集に比べて、サイレント・サfferersの検出が著しく向上した。
• 実世界のA/Bテストで、フレームワークは88.5%の購買量のインクリメンタルな増加を達成し、顕著なビジネスインパクトを示した。
• 根本原因分析により、行動変化と関連する具体的な痛みのポイントが特定され、ターゲットビジネスアクションが可能になった。
• 顧客ライフサイクルの低下のより早期で、より実行可能な段階に焦点を当てることで、従来の退会予測を上回る性能を発揮した。
• 検証により、不満の早期検出と原因の特定が、顧客維持と関与の測定可能な改善をもたらすことが確認された。