Új AI-módszer csökkenti a banki ügyfelek lemorzsolódását — 62% feletti F1-pontszámot ér el
A FT-Transformer és XGBoost kombinációja 62.10%-os F1-pontszámot ért el egy banki ügyfél-lemorzsolódási adathalmazon. Az új, kalibrációt figyelembe vevő, egymásra épülő (stacking) keretrendszer a korábbi kutatások hiányosságait orvosolja.
Az ügyfél-lemorzsolódás előrejelzése kulcsfontosságú a banki, biztosítási és előfizetéses szolgáltatásokban, mivel az ügyfelek megtartása olcsóbb az újak szerzésénél. Strukturált adatokon azonban nehéz pontosan jósolni a különböző típusú jellemzők, a nemlineáris összefüggések és az osztályegyenlőtlenség miatt.
A probléma megoldására kutatók egy új, hibrid AI-architektúrát fejlesztettek ki, amely ötvözi a feature-tokenizált transzformereket (FT-Transformer) és a gradien-boosted döntési fákat (XGBoost) kalibrációt figyelembe vevő, egymásra épülő módszerrel. A FT-Transformer a szelf-attención keresztül képes magasabb rendű jellemző-interakciókat megragadni, míg a XGBoost a kiegészítő induktív torzításokkal a döntési határokat modellezi. Az osztályegyenlőtlenséget súlyozott veszteségfüggvényekkel kezelik, így elkerülhető a szintetikus adatkicsinyítés, ami megőrzi a kisebbségi osztály eloszlását.
Kapcsolódó: párhuzamos FL-feladatok
A modell teljesítménye és eredményei
A modelleket out-of-fold (OOF) stacking technikával kombinálták egy logisztikai regressziós meta-tanulóval. Ez a módszer újrakalibrálja a túl magabiztos alapmodellek kimeneteit, és megtanulja az optimális súlyokat a modellek összekombinálásához. Egy nyilvános banki lemorzsolódási adathalmazon a hibrid modell 62.10% F1-pontszámot, 0.861 AUC-ROC-ot és 0.647 PR-AUC-t ért el. Ez 3.37 F1-ponttal és 0.027 AUC-val múlja felül a Multi-Layer Perceptron (MLP) alapmodellt 5x5 keresztvalidáció mellett, 95%-os konfidencia intervallumokkal jelentve az eredményeket.
Kapcsolódó: CDVM modell
Reprodukálható referenciaarchitektúra
Az elemzések kimutatták, hogy mind a transzformer komponens, mind az egymásra épülő stacking stratégia jelentősen hozzájárult a teljesítmény javulásához. A kutatók által javasolt módszertan reprodukálható és bővíthető referenciaarchitektúrát kínál a strukturált táblázatos adatokon történő kortárs ügyfél-lemorzsolódás-előrejelzéshez. A kutatás eredményei az arXiv-on érhetők el, ahol a hibrid modell 62.10%-os F1-pontszáma és 0.861 AUC-ROC értéke megerősíti a módszer hatékonyságát.
Kapcsolódó: StoSignSGD algoritmus