[논문 리뷰] A comparative study of social network classifiers for predicting churn in the telecommunication industry

María Óskarsdóttir, Cristián Bravo외 4명|arXiv (Cornell University)|2016. 08. 18.

Customer churn and segmentation참고 문헌 41인용 수 17

한 줄 요약

이 연구는 통신사의 고객 이탈 예측을 위한 관계학습 방법을 평가한다. 통화 세부 기록(CDR) 데이터를 사용하여, 집합적 추론은 성능 향상에 기여하지 않으며, 링크 기반 특징에 로지스틱 회귀를 적용한 네트워크 전용 링크 기반 분류기 모델이 테스트된 관계학습 분류기 중에서 가장 우수한 성능을 보였다.

ABSTRACT

Relational learning in networked data has been shown to be effective in a number of studies. Relational learners, composed of relational classifiers and collective inference methods, enable the inference of nodes in a network given the existence and strength of links to other nodes. These methods have been adapted to predict customer churn in telecommunication companies showing that incorporating them may give more accurate predictions. In this research, the performance of a variety of relational learners is compared by applying them to a number of CDR datasets originating from the telecommunication industry, with the goal to rank them as a whole and investigate the effects of relational classifiers and collective inference methods separately. Our results show that collective inference methods do not improve the performance of relational classifiers and the best performing relational classifier is the network-only link-based classifier, which builds a logistic model using link-based measures for the nodes in the network.

연구 동기 및 목표

• 통신 네트워크 내 고객 이탈 예측에 관계학습 방법의 효과성을 평가하는 것.
• 실제 CDR 데이터셋에서 다양한 관계학습 분류기와 집합적 추론 기법의 성능을 비교하는 것.
• 집합적 추론이 단독 관계학습 분류기의 예측 정확도를 초월하여 향상시키는지 확인하는 것.
• 통신 환경에서 이탈 예측에 가장 효과적인 관계학습 접근법을 규명하는 것.

제안 방법

• 연구는 통신사에서 제공한 통화 세부 기록(CDR) 데이터셋에 여러 관계학습 분류기를 적용한다.
• 네트워크 전용 프레임워크 내에서 로지스틱 회귀 모델의 특징으로 링크 기반 측정치를 평가한다.
• 성능 향상에 미치는 영향을 평가하기 위해 집합적 추론 기법을 적용한다.
• 일관성 있고 일반화 가능한 결과를 확보하기 위해 여러 데이터셋을 통해 성능을 측정한다.
• 관계학습 분류기와 집합적 추론의 기여도를 분리하여 각각의 영향을 식별한다.

실험 결과

연구 질문

• RQ1 CDR 데이터를 사용할 때 다양한 관계학습 분류기의 이탈 예측 성능는 어떻게 되는가?
• RQ2 집합적 추론 통합이 이탈 예측에서 관계학습 분류기의 정확도를 향상시키는가?
• RQ3 어떤 특정 링크 기반 특징이 이탈 예측 모델에 가장 효과적으로 기여하는가?
• RQ4 관계학습과 집합적 추론을 결합한 모델보다 네트워크 전용 링크 기반 분류기가 우수한가?

주요 결과

• 집합적 추론 기법은 관계학습 분류기의 이탈 예측 성능 향상에 기여하지 않는다.
• 링크 기반 특징에 로지스틱 회귀를 적용한 네트워크 전용 링크 기반 분류기가 가장 높은 예측 정확도를 달성한다.
• 네트워크 구조를 반영한 관계학습 분류기는 비관계학습 기반 모델보다 이탈 예측 작업에서 뛰어난 성능을 보인다.
• 가장 뛰어난 성능을 보인 모델은 추가적인 집합적 추론 없이 링크 기반 측정치에만 의존한다.