Динамический анализ поведения и ансамблевое обучение для прогнозирования истощения кредитных карт
DOI:
https://doi.org/10.47813/2782-2818-2023-3-4-0109-0118Ключевые слова:
истощение клиентов, прогнозирование оттока, удержание клиентов по кредитным картам, моделирование последовательности транзакций, моделирование временной динамикиАннотация
Истощение кредитных карт влечет за собой существенные затраты для бизнеса финансовых учреждений. Раннее и точное прогнозирование оттока клиентов позволяет банкам принимать упреждающие меры по удержанию клиентов. Однако моделирование истощения кредитных карт представляет собой сложную задачу, учитывая эволюцию потребительского поведения клиентов. В этой статье предлагается надежная методология, использующая анализ динамического поведения наряду с ансамблевым обучением для выявления нестатических закономерностей в данных транзакциях. Методы объяснительности дополнительно позволяют интерпретировать вероятность истощения клиентов на индивидуальной основе. Строгие эксперименты демонстрируют значительные улучшения производительности прогнозирования, достигнутые с помощью предложенного подхода.
Библиографические ссылки
Swamidason I. T. J. Survey of data mining algorithms for intelligent computing system. Journal of Trends in Computer Science and Smart Technology. 2019; 01: 14-23. https://doi.org/10.36548/jtcsst.2019.1.002 DOI: https://doi.org/10.36548/jtcsst.2019.1.002
He B., Shi Y., Wan Q., Zhao X. Prediction of customer attrition of commercial banks based on SVM model. Procedia Computer Science 2014; 31: 423-430. https://doi.org/10.1016/j.procs.2014.05.286 DOI: https://doi.org/10.1016/j.procs.2014.05.286
Wang S., Chen B. A Comparative Study of Attention-Based Transformer Networks and Traditional Machine Learning Methods for Toxic Comments Classification. Journal of Social Mathematical & Human Engineering Sciences. 2023; 1(1): 22-30. https://doi.org/10.31586/jsmhes.2023.697 DOI: https://doi.org/10.31586/jsmhes.2023.697
Bilal Zoric A. Predicting customer churn in the banking industry using neural networks. Interdisciplinary Description of Complex Systems: INDECS. 2016; 14(2): 116-124. https://doi.org/10.7906/indecs.14.2.1 DOI: https://doi.org/10.7906/indecs.14.2.1
Ahmad A. K., Jafar A., Aljoumaa K. Customer churn prediction in telecom using machine learning in big data platform. Journal of Big Data. 2019; 6(1): 28. https://doi.org/10.1186/s40537-019-0191-6 DOI: https://doi.org/10.1186/s40537-019-0191-6
Wang S., Chen B. A deep learning approach to diabetes classification using attention-based neural network and generative adversarial network. Informatics. Economics. Management. 2023; 2(4): 0134-0144.
Duda R. O., Hart P. E., Stork D. G. Pattern Classification. John Wiley & Sons; 2012.
Cortes C., Vapnik V. Support-vector networks. Machine Learning. 1995; 20(3): 273-297. https://doi.org/10.1007/BF00994018 DOI: https://doi.org/10.1007/BF00994018
Vapnik V. The nature of statistical learning theory. Springer Science & Business Media; 2013.
Vapnik V. N. An overview of statistical learning theory. IEEE Transactions on Neural Networks. 1999; 10(5): 988-999. https://doi.org/10.1109/72.788640 DOI: https://doi.org/10.1109/72.788640
Breiman L., Friedman J., Stone C. J., Olshen R. A. Classification and regression trees. CRC Press; 1984.
Breiman L. Random forests. Machine Learning. 2001; 45(1): 5-32. https://doi.org/10.1023/A:1010933404324 DOI: https://doi.org/10.1023/A:1010933404324
Jiang Y., Li C. MRMR-based feature selection for the classification of cotton foreign matter using hyperspectral imaging. Computers and Electronics in Agriculture, 2015; 119: 191-200. https://doi.org/10.1016/j.compag.2015.10.017 DOI: https://doi.org/10.1016/j.compag.2015.10.017
Wang S., Chen B. TopoDimRed: a novel dimension reduction technique for topological data analysis. Informatics. Economics. Management. 2023; 2(2): 201-213. https://doi.org/10.47813/2782-5280-2023-2-2-0201-0213 DOI: https://doi.org/10.47813/2782-5280-2023-2-2-0201-0213
Beretta L., Santaniello A. Implementing ReliefF filters to extract meaningful features from genetic lifetime datasets. Journal of Biomedical Informatics. 2011; 44(2): 361-369. https://doi.org/10.1016/j.jbi.2010.12.003 DOI: https://doi.org/10.1016/j.jbi.2010.12.003
Raj J., Ananthi V. Recurrent neural networks and nonlinear prediction in support vector machines. Journal of Soft Computing Paradigm. 2019; 2019: 33-40. https://doi.org/10.36548/jscp.2019.1.004 DOI: https://doi.org/10.36548/jscp.2019.1.004
Wang S., Chen B. A deep learning approach to diabetes classification using attention-based neural network and generative adversarial network. Modern research:topical issues of theory and practice, 2022; 5: 37-41.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2023 Болин Чен
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Журнал MIST - «Modern Innovations, Systems and Technologies» / «Современные инновации, системы и технологии» публикует материалы на условиях лицензии CreativeCommons Attribution 4.0 International (CC BY 4.0), размещенной на официальном сайте некоммерческой корпорации Creative Commons: 
This work is licensed under a Creative Commons Attribution 4.0 International License.
Это означает, что пользователи могут копировать и распространять материалы на любом носителе и в любом формате, адаптировать и преобразовывать тексты, использовать контент для любых целей, в том числе коммерческих. При этом должны соблюдаться условия использования — указание автора оригинального произведения и источника: следует указывать выходные данные статей, предоставлять ссылку на источник, а также указывать, какие изменения были внесены.
