[論文レビュー] Intelligent Vector-based Customer Segmentation in the Banking Industry

Salman Mousaeirad|arXiv (Cornell University)|Dec 22, 2020

Customer churn and segmentation参考文献 76被引用数 7

ひとこと要約

本論文では、顧客の属性（人口統計、行動、信用リスクなど）を多様に統合して、目的に応じたセグメンテーションを可能にする、ニューラル埋め込みを用いた知能的ベクトルベースの顧客セグメンテーションフレームワークであるCustomer2Vecを提案する。教師あり分類と教師なしクラスタリングを統合することで、セグメンテーションの質を向上させるとともに、顧客間の類似性を検出可能にし、パーソナライズドバンキング戦略の強化を実現する。

ABSTRACT

Customer Segmentation is the process of dividing customers into groups based on common characteristics. An intelligent Customer Segmentation will not only enable an organization to effectively allocate marketing resources (e.g., Recommender Systems in the Banking sector) but also it will enable identifying the customer cohorts that are most likely to benefit from a specific policy (e.g., to discover diverse patient groups in the Health sector). While there has been a significant improvement in approaches to Customer Segmentation, the main challenge remains to be the understanding of the reasons behind the segmentation need. This task is challenging as it is subjective and depends on the goal of segmentation as well as the analyst's perspective. To address this challenge, in this paper, we present an intelligent vector-based customer segmentation approach. The proposed approach will leverage feature engineering to enable analysts to identify important features (from a pool of features such as demographics, geography, psychographics, behavioral, and more) and feed them into a neural embedding framework named Customer2Vec. The Customer2Vec combines the neural network classification and clustering methods as supervised and unsupervised learning techniques to embed the customer vector. We adopt a typical scenario in the Banking Sector to highlight how Customer2Vec significantly improves the quality of the segmentation and detecting customer similarities.

研究の動機と目的

• 従来の手法が分析者の意図にかかわらず一様なセグメンテーションを適用するのに対し、バンキング分野における目的ベースで主観的な顧客セグメンテーションの課題に対処すること。
• 分析者が特定の目的（例：信用リスク、ローン返済不能確率）を定義し、それに応じて顧客ベクトルを生成できるようにすることで、セグメンテーションの質を向上させること。
• 共通のベクトル空間に顧客を埋め込むことで、類似性を定量的に測定し、ポリシーのターゲティングに活用できる、動的で適応的なセグメンテーションを支援すること。
• 特徴量工学とディープラーニングを統合し、実世界のバンキングデータセットにおける異種のデータソースや欠損特徴量に対処すること。
• ベクトル類似性を用いて、高リスクプロファイルに類似する顧客を特定することで、リスクの事前検出を可能にすること

提案手法

• 目的（例：信用リスク）に基づいて顧客を分類するため、完全結合ニューラルネットワークを用い、同時に密な3次元顧客ベクトル表現を学習する。
• Customer2Vecは、1つのパイプライン内で教師あり学習（分類）と教師なし学習（クラスタリング）を統合し、意味的で解釈可能な顧客埋め込みを生成する。
• 特徴量工学を適用して、生データから関連する属性（人口統計、行動、信用履歴など）を抽出し、統一された特徴空間に統合する。
• 顧客ベクトルを3次元座標系に埋め込むことで、視覚化と共有属性に基づく顧客間の類似性計算を可能にする。
• 埋め込みベクトルにクラスタリングを適用し、目的の属性（例：高リスク／低リスク）に基づいて同質な顧客グループを同定する。
• オンライン学習、動的ダッシュボード、グラフモデリング、OLAP/PCAによる次元削減と多属性分析をサポートするため、将来的な拡張が可能である。

実験結果

リサーチクエスチョン

• RQ1 どのようにすれば、一般的な一様なグループ化に依存するのではなく、目的に特化し、主観的な顧客セグメンテーションを実現できるか？
• RQ2 ニューラル埋め込み技術は、バンク分野における顧客セグメントの質と解釈可能性をどの程度向上させられるか？
• RQ3 教師あり・教師なしのハイブリッドフレームワークによって生成された顧客ベクトルは、類似性を的確に捉え、リスク予測を支援できるか？
• RQ4 進化する顧客行動をリアルタイムで捉えるにはどうすればよいか？ これにより、時間の経過とともにセグメンテーションの正確性を維持できるか？
• RQ5 動的可視化と特徴量の追跡は、リスク管理におけるアナリストの意思決定をどのように向上させられるか？

主な発見

• Customer2Vecは、ターゲット属性（例：信用リスク）を反映する密な解釈可能な顧客ベクトルを効果的に生成し、目的ベースのセグメンテーションを可能にした。
• 分析者が特定の属性（例：返済不能リスク）に焦点を当てられるようにすることで、広範な行動的グループ化に依存するのではなく、セグメンテーションの質が向上した。
• ベクトル類似性により、類似したリスクプロファイルを持つ顧客を同定可能となり、リスク管理の事前対応とポリシー適用を支援した。
• 特徴量工学とニューラル埋め込みの統合により、一部の特徴量が欠損または不完全であっても、異種データの効果的利用が可能となった。
• オンライン学習により、将来的な適応が可能で、特徴量の重みを更新し、時間の経過とともに新たなリスクパターンを検出できるようになった。
• 将来的な拡張（動的ダッシュボード、グラフモデリングなど）は、リアルタイム監視と多属性セグメンテーションの分野で前向きな可能性を示している。