[论文解读] 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 6

一句话总结

本文提出了一种用于零售银行的混合客户终身价值（CLV）建模框架，结合马尔可夫模拟与可解释机器学习，以预测长期客户价值及产品购买倾向。该模型相较于基线基准，在一年期的离时（out-of-time）中位数绝对误差上实现了43%的改进，并表明按预测投资倾向排名前10%的客户，其投资可能性是随机样本的3.2倍。

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.

研究动机与目标

• 开发一种可扩展、可解释的CLV建模框架，适用于零售银行中的长期合同关系。
• 通过考虑产品持有情况与客户状态转换的多年模拟器，将传统CLV模型扩展至超过一年的预测周期。
• 通过推导特定产品（如投资和抵押贷款）的高精度购买倾向模型，支持有针对性的营销活动。
• 在预测性能与模型可解释性之间取得平衡，以支持营销与客户关系管理中的可操作洞察。
• 在时间范围内内和离时测试集上验证模型，证明其鲁棒性及超越数据历史限制的泛化能力。

提出的方法

• CLV被定义为随时间推移各产品价值的总和，其中产品价值等于收入减去成本（公式1），客户总价值为所有产品价值之和（公式2）。
• 一阶马尔可夫过程用于建模客户在不同产品状态之间的转移，转移概率基于历史数据估计。
• 多年模拟器将预测范围扩展至观察到的数据历史之外，支持长期CLV预测，以支持战略决策。
• 使用可解释的机器学习模型（如强制分裂的树模型）预测客户级CLV及特定产品的采纳倾向，以减少黑箱行为。
• 通过CLV预测结果推导出购买倾向模型，并利用提升曲线（lift curves）验证其目标定位效率。
• 模型在英国一家零售银行的客户数据上进行训练与验证，使用离时测试集上的中位数绝对误差与提升指标评估性能。

实验结果

研究问题

• RQ1 结合马尔可夫模拟与可解释机器学习的混合CLV模型，能否提升零售银行中的长期价值预测？
• RQ2 该模型在预测性能上与现有基线相比如何，特别是在离时设置下的表现？
• RQ3 该模型在识别特定产品（如投资和抵押贷款）高倾向客户方面的能力如何？
• RQ4 该模型在数据历史之外的泛化能力如何，特别是在两年以上预测周期中的表现？
• RQ5 该模型能否支持有针对性的营销活动，并实现可衡量的目标定位效率提升？

主要发现

• 与文献基准相比，该模型在一年期离时中位数绝对误差上实现了43%的改进，证明了其优越的预测准确性。
• 按预测投资倾向排名前10%的客户，在未来12个月内购买投资产品的可能性是随机样本的3.2倍。
• 预测投资倾向排名前20%的客户投资可能性为2.4倍，前40%的客户为1.8倍，证实了强大的目标定位效率。
• 该模型成功利用多年模拟器将预测范围扩展至两年数据历史之外，支持长期战略规划。
• 在分组模型中使用强制分裂显著提升了可解释性，并使预测结果与营销活动目标保持一致。
• 该框架可推广至其他具有长期合同客户关系及多种创收产品的行业。