CLVAE: 장기 고객 수익 예측을 위한 변분 오토인코더

비계약적 환경에서 희소하고 불규칙한 거래 데이터로부터 고객의 장기 수익을 예측하는 것은 마케팅 자원 배분에 핵심적이지만, 기존 접근법에는 타협점이 존재합니다. 전통적인 확률적 고객 기반 모델은 강력한 구조적 가정을 부과하여 견고한 장기 구간 예측을 제공하지만, 유연한 기계 학습 모델은 종종 대량의 훈련 데이터와 세심한 튜닝이 필요합니다. 우리는 established attrition-transaction-spend models 의 조건부 고객 이질성에 대한 과정 기반 가능도 (process-based likelihood) 를 보존하되, 제한적인 파라메트릭 혼합 분포 (restrictive parametric mixing distribution) 를 인코더 - 디코더 네트워크에 의해 학습된 유연한 잠재 표현 (flexible latent representation) 으로 대체하는 변분 오토인코더 기반 모델을 제안합니다. 이 접근법은 (i) 고객 이탈, 거래 및 지출을 위한 단일 모델을 제공하며, (ii) 컨텍스트 공변량 (contextual covariates) 이 없는 상황에서도 신뢰성을 유지하고, (iii) 이러한 공변량이 존재할 때 풍부한 공변량과 비선형 효과를 유연하게 통합합니다. 이 설계는 구조적 안정성과 복잡한 구매 역학을 포착하기 위해 필요한 유연성 사이의 균형을 맞춥니다. 여러 실제 데이터셋과 예측 구간을 통해 제안된 모델은 최신 벤치마크를 개선합니다. 기업은 고객 미래 수익에 대한 더 나은 평가가 캠페인 타겟팅의 효율성을 향상시켜 직접적인 혜택을 얻습니다. 연구 측면에서 이 작업은 도메인 특화 모델을 변분 오토인코더 프레임워크에 통합하는 방법에 대한 지침을 제공하여, 경제계량적으로 의미 있는 과정 구조를 유지하면서 유연한 표현 학습을 가능하게 합니다.