[論文レビュー] Churn analysis using deep convolutional neural networks and autoencoders

Artit Wangperawong, Cyrille Brun+2 more|arXiv (Cornell University)|Apr 18, 2016

Customer churn and segmentation参考文献 3被引用数 20

ひとこと要約

本稿では、時間的行動データを画像に似た表現に変換することで、畳み込みニューラルネットワーク（CNN）を用いた教師あり学習とオートエンコーダーを用いた教師なし分析が可能になる、深層学習に基づく新しい顧客離脱予測アプローチを提案する。この手法は、顧客1人あたり12個の時間的特徴量のみを用いてテストセットでAUC 0.743を達成した一方、オートエンコーダーの活性マップは高リスクユーザーの維持に向けた実行可能なインサイトを明らかにした。

ABSTRACT

Customer temporal behavioral data was represented as images in order to perform churn prediction by leveraging deep learning architectures prominent in image classification. Supervised learning was performed on labeled data of over 6 million customers using deep convolutional neural networks, which achieved an AUC of 0.743 on the test dataset using no more than 12 temporal features for each customer. Unsupervised learning was conducted using autoencoders to better understand the reasons for customer churn. Images that maximally activate the hidden units of an autoencoder trained with churned customers reveal ample opportunities for action to be taken to prevent churn among strong data, no voice users.

研究の動機と目的

• 画像分類で一般的に用いられる深層学習アーキテクチャを時間的顧客行動データに応用することで、離脱予測の精度を向上させること。
• オートエンコーダーを用いた教師なし表現学習を通じて、顧客離脱の背後にあるパターンや理由を解明すること。
• 生の顧客行動シーケンスを時間的ダイナミクスを保持した画像に似た可視化に変換し、深層学習処理に適した形にすること。
• 特に「強いデータ、ボイスなし」ユーザーを含む、リテンション対策が最も効果的である可能性のある行動的セグメントを特定すること。
• 最小限の特徴工学的処理で、大規模かつ現実世界の顧客離脱予測に深層学習を適用する可能性と性能を示すこと。

提案手法

• 時間的顧客行動データ（例：利用パターン、サービス連携）を2次元の画像表現に変換することで、順序構造を保持し、CNN処理が可能になるようにする。
• ラベル付きデータ（離脱済み vs. 離脱未済）を用いて、深層畳み込みニューラルネットワーク（CNN）を教師あり学習で訓練し、顧客の離脱確率を予測する。
• 離脱済み顧客のデータに限定してオートエンコーダーを訓練し、離脱関連行動パターンの圧縮され意味のある表現を学習する。
• 訓練済みオートエンコーダーの隠れユニットに対して最大活性化分析を適用し、最も代表的な離脱兆候行動パターンを可視化・解釈する。
• モデルは顧客1人あたり12個の時間的特徴量のみを用いており、入力の複雑さを最小限に抑えつつも、予測性能を維持している。
• 予測のための教師あり学習と解釈可能性のための教師なし分析を組み合わせることで、ターゲティングされたリテンション戦略の実現が可能になった。

実験結果

リサーチクエスチョン

• RQ1 時間的顧客行動データを、離脱予測に有用な判別パターンを保持する画像表現に効果的に変換できるか？
• RQ2 最小限の特徴量で画像に変換された行動シーケンスを用いて訓練された深層畳み込みニューラルネットワークが、離脱予測にどの程度の性能を示すか？
• RQ3 オートエンコーダーが離脱済み顧客のどのような隠れ表現を学習できるか、そしてそれがリテンション戦略にどのように寄与できるか？
• RQ4 どの顧客セグメントがオートエンコーダーの隠れユニットによって強く活性化されるか？これは高離脱リスクであり、干渉の可能性がある。
• RQ5 教師ありCNNと教師なしオートエンコーダーの組み合わせにより、離脱分析において高い予測精度と実行可能なインサイトを両立できるか？

主な発見

• 深層CNNは、テストデータセットでAUC 0.743を達成し、顧客1人あたり12個の時間的特徴量のみを用いても強力な予測性能を示した。
• 離脱済み顧客のデータに特化して訓練されたオートエンコーダーは、顧客離脱に関連する特定の行動パターンを明確に捉えた意味のある表現を学習した。
• オートエンコーダーの隠れユニットを最大に活性化する画像は、「強いデータ、ボイスなし」ユーザーに対して明確で実行可能なシグナルを示しており、ターゲティングされたリテンション戦略が有効である可能性を示唆した。
• オートエンコーダー活性マップの視覚的解釈可能性は、単なる予測を超えた洞察を提供し、行動データにおける主な離脱要因の特定を可能にした。
• 本手法は、コンピュータビジョン分野で一般的に用いられる深層学習アーキテクチャを、非視覚的かつ順序的な顧客行動問題に効果的に応用した。
• 時間的データの画像ベース変換により、顧客離脱分析における強力な深層学習モデルの有効活用が可能になった。