Modelling customer lifetime-value in the retail banking industry

要約

【タイトル】小売銀行業界における顧客の生涯価値のモデリング

【要約】顧客の生涯価値を理解することは長期的な顧客関係を育むうえで重要ですが、その推定は決して簡単ではありません。小売銀行業界では、一般的に使用される手法は単純なヒューリスティックに依存しており、現代の機械学習技術の高い予測能力を活用していないため、新しいフレームワークを提案しました。このフレームワークは、小売銀行を例に挙げ、長期契約および製品に焦点を当てた顧客関係を持つ産業に適用できます。このフレームワークは生涯価値の予測や製品に基づく傾向モデルの立ち上げを可能にする点で革新的です。また、現在大規模な英国の貸し手でプロダクションに適用されているこのモデルについても詳しく述べます。テストでは、一般的なベースラインアプローチに比べ、時期外の生涯価値の予測誤差が43％改善したと推定されました。当社のCLVモデルから導かれた傾向モデルは、顧客接触マーケティングキャンペーンをサポートするために使用されています。テストの結果、投資商品を取得する傾向が高い上位10％の顧客は、ランダムに選択された顧客よりも次の年に投資商品を取得する可能性が3.2倍高いことがわかりました。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI