[論文レビュー] CUDA-Self-Organizing feature map based visual sentiment analysis of bank customer complaints for Analytical CRM

Rohit Gavval, Vadlamani Ravi+3 more|arXiv (Cornell University)|May 23, 2019

Customer churn and segmentation参考文献 33被引用数 7

ひとこと要約

本論文では、分析的CRMにおける銀行顧客の苦情の視覚的感情分析を目的として、高パフォーマンスなCUDAアクセラレート型自己組織化マップ（SOM）フレームワーク、CUDASOMを提案する。GPU並列処理を活用することで、高次元のテキスト苦情のクラスタリングと可視化を高速化し、平均44倍の高速化を達成した。これにより、CRM幹部は感情のパターンを特定し、苦情をグループ化して早期の是正措置を講じることが可能になった。

ABSTRACT

With the widespread use of social media, companies now have access to a wealth of customer feedback data which has valuable applications to Customer Relationship Management (CRM). Analyzing customer grievances data, is paramount as their speedy non-redressal would lead to customer churn resulting in lower profitability. In this paper, we propose a descriptive analytics framework using Self-organizing feature map (SOM), for Visual Sentiment Analysis of customer complaints. The network learns the inherent grouping of the complaints automatically which can then be visualized too using various techniques. Analytical Customer Relationship Management (ACRM) executives can draw useful business insights from the maps and take timely remedial action. We also propose a high-performance version of the algorithm CUDASOM (CUDA based Self Organizing feature Map) implemented using NVIDIA parallel computing platform, CUDA, which speeds up the processing of high-dimensional text data and generates fast results. The efficacy of the proposed model has been demonstrated on the customer complaints data regarding the products and services of four leading Indian banks. CUDASOM achieved an average speed up of 44 times. Our approach can expand research into intelligent grievance redressal system to provide rapid solutions to the complaining customers.

研究の動機と目的

• 分析的CRMにおける顧客苦情のスケーラブルでリアルタイムの視覚的感情分析フレームワークの開発を目的とする。
• 従来のSOMでは処理に遅れが生じる、顧客フィードバックからの高次元テキストデータ処理における性能ボトルネックを解決することを目的とする。
• CUDAを用いたGPU並列処理によりSOMの学習を高速化し、迅速なインサイト抽出を実現することを目的とする。
• CRM幹部が苦情のクラスタを可視化・解釈できるようにし、的確な是正措置を講じられるようにすることを目的とする。
• 本フレームワークの有効性を、インドの実際の銀行顧客苦情データセットを用いて実証することを目的とする。

提案手法

• フレームワークは、意味的類似性に基づいて、高次元のテキスト苦情をトポロジカルに順序付けられたマップにクラスタリングする自己組織化マップ（SOM）を採用する。
• テキスト苦情は、SOMへの入力前にTF-IDFまたはワード埋め込み技術を用いてベクトル化される。
• CUDAベースの実装（CUDASOM）により、GPUコア上でSOMの学習プロセスを並列化し、収束を加速する。
• アルゴリズムは、出力マップにおけるトポロジカル構造を保持するため、競合学習と近傍関数の更新を用いる。
• 解釈可能性を高めるために、色分けやクラスタラベルの付与といった可視化技術が、学習済みマップに適用される。
• システムは、4つのインド銀行の実際の苦情データを用いて評価され、速度向上とクラスタリング品質の両方で測定された。

実験結果

リサーチクエスチョン

• RQ1 GPUアクセラレート型SOMは、感情分析のための大規模かつ高次元の顧客苦情データを効果的に処理・可視化できるか？
• RQ2 CUDASOMは、従来のCPUベースのSOMと比較して、どの程度高速に学習を実行できるか？
• RQ3 可視化されたSOMマップは、銀行顧客の苦情において意味のある感情クラスターやパターンをどの程度明らかにできるか？
• RQ4 得られたマップは、顧客離脱を低減するための分析的CRMチームにとって、実行可能なインサイトを提供できるか？
• RQ5 CUDASOMフレームワークは、現実世界のノイズが多く、構造のない顧客フィードバックをどの程度耐えられるか？

主な発見

• CUDASOMは、同じデータセット上で、従来のCPUベースのSOM実装と比較して平均44倍の高速化を達成した。
• 可視化されたSOMマップは、サービス遅延や手数料紛争といった、感情とトピックに基づいた明確なクラスタを効果的に特定した。
• フレームワークにより、CRM幹部は繰り返し発生する問題を特定し、是正に向けた高インパクトな苦情カテゴリを優先順位付けすることができた。
• マップのトポロジカルな順序付けにより、苦情間の意味的関係が保持され、解釈性が向上した。
• 高次元テキストデータにおいてもスケーラビリティと効率性を示し、リアルタイムの感情分析が可能になった。
• 結果から、CUDASOMは、銀行およびCRM分野におけるインテリジェントな苦情解決システムとして実用的である可能性を示唆している。