[論文レビュー] Modelling customer lifetime-value in the retail banking industry

Greig Cowan, Salvatore Mercuri+1 more|arXiv (Cornell University)|Apr 6, 2023

Customer churn and segmentation被引用数 6

ひとこと要約

この論文は、マーカフ連鎖に基づくシミュレーションと解釈可能な機械学習を統合することで、小規模な小売銀行における長期的顧客価値（CLV）を予測するハイブリッドCLVモデリングフレームワークを提案する。このモデルは、ベースラインベンチマーク比で1年後の時系列外中央絶対誤差が43%改善され、予測された投資意欲が上位10%の顧客はランダムサンプルに比べて3.2倍の確率で投資を実行することが示された。

ABSTRACT

Understanding customer lifetime value is key to nurturing long-term customer relationships, however, estimating it is far from straightforward. In the retail banking industry, commonly used approaches rely on simple heuristics and do not take advantage of the high predictive ability of modern machine learning techniques. We present a general framework for modelling customer lifetime value which may be applied to industries with long-lasting contractual and product-centric customer relationships, of which retail banking is an example. This framework is novel in facilitating CLV predictions over arbitrary time horizons and product-based propensity models. We also detail an implementation of this model which is currently in production at a large UK lender. In testing, we estimate an 43% improvement in out-of-time CLV prediction error relative to a popular baseline approach. Propensity models derived from our CLV model have been used to support customer contact marketing campaigns. In testing, we saw that the top 10% of customers ranked by their propensity to take up investment products were 3.2 times more likely to take up an investment product in the next year than a customer chosen at random.

研究の動機と目的

• 小規模な小売銀行における長期的契約関係に適用可能なスケーラブルで解釈可能なCLVモデリングフレームワークの開発。
• 顧客の製品保有状況と移行状況を考慮した多期間シミュレータを用いて、従来のCLVモデルを1年を超える期間にまで拡張すること。
• 投資や住宅ローンなど特定製品向けの高精度な意欲予測モデルを導出することで、ターゲティングマーケティングキャンペーンを支援すること。
• 予測性能とモデルの解釈可能性の両立を図り、マーケティングおよび顧客関係管理における実行可能なインサイトを提供すること。
• モデルの妥当性を、時系列内および時系列外の両方のテストセットで検証し、データ履歴の制限を超えた堅牢性と一般化性能を示すこと。

提案手法

• CLVは、時間経過に伴う製品レベルの価値の合計として定義され、製品価値は収益からコストを差し引いたもの（式1）であり、顧客全体の価値は全製品の合計（式2）である。
• 1次マルコフ過程を用いて、顧客が製品状態間を移行するプロセスをモデル化し、移行確率は歴史的データから推定される。
• 多期間シミュレータを用いることで、観測されたデータ履歴を超えた予測が可能となり、戦略的意思決定のための長期的CLV予測が可能となる。
• 解釈可能な機械学習モデル（例：強制分割を施した木構造モデル）を用いて、顧客レベルのCLVおよび製品固有の獲得意欲を予測し、ブラックボックス行動を最小限に抑える。
• 意欲予測モデルはCLV予測から導出され、ターゲティング効率を測るためのリフト曲線を用いて検証される。
• モデルは英国の小売銀行の顧客データを用いて学習および検証され、性能は時系列外テストセットにおける中央絶対誤差およびリフト指標を用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 マーカフシミュレーションと解釈可能な機械学習を統合したハイブリッドCLVモデルは、小売銀行における長期的価値予測を改善できるか？
• RQ2 特に時系列外設定において、このモデルの予測性能は既存のベンチマークと比べてどのように差がつくか？
• RQ3 このモデルは、投資や住宅ローンなどの特定製品に対して、高い意欲を示す顧客をどれほど正確に特定できるか？
• RQ4 特に2年超の予測期間において、モデルはデータ履歴を超えて一般化できるか？
• RQ5 このモデルは、ターゲティングマーケティングキャンペーンを、測定可能なターゲティング効率の向上とともに支援できるか？

主な発見

• このモデルは、文献に示されたベンチマーク比で1年後の時系列外中央絶対誤差が43%改善され、優れた予測精度を示した。
• 予測された投資意欲が上位10%の顧客は、ランダムサンプルに比べて12か月以内に投資製品を採用する確率が3.2倍高かった。
• 上位20%の予測投資意欲顧客は2.4倍、上位40%は1.8倍の確率で投資を実行しており、高いターゲティング効率が確認された。
• 多期間シミュレータを用いることで、2年分のデータ履歴を超えた予測が成功裏に実施され、戦略的長期計画が可能になった。
• セグメンテーションモデルにおける強制分割の導入により、解釈性が向上し、予測結果がマーケティングキャンペーンの目的と整合した。
• 本フレームワークは、長期的契約関係と複数の収益生成製品を持つ他の業界へも一般化可能である。