CLVAE：長期の顧客収益予測のための変分オートエンコーダ

arXiv stat.ML / 2026/4/27

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、非契約型の状況における疎で不規則な取引データから長期の顧客収益を予測するための変分オートエンコーダ（CLVAE）を提案します。
既存の「解約（attrition）–取引（transactions）–支出（spend）」に基づくプロセス型の尤度構造を維持しつつ、硬直的なパラメトリック混合をエンコーダ–デコーダネットワークで学習する柔軟な潜在表現に置き換えます。
この手法は、解約・取引・支出を単一モデルで扱えることに加え、文脈変数（共変量）が利用できない場合でも信頼性を保つことを目指しています。
複数の実データセットと予測期間で、最新ベンチマークを上回る改善が示され、マーケティングの資源配分やキャンペーンのターゲティングに実務的な効果が期待されます。
研究面では、ドメイン固有の（計量経済的な）プロセスモデルを変分オートエンコーダの枠組みに埋め込む方法についての指針が提示され、解釈可能性と表現学習の柔軟性の両立を狙います。

Abstract

スパースで不規則な取引データから顧客の長期的な売上を予測することは、非契約型の環境におけるマーケティング資源配分の中心課題である。しかし、既存手法にはトレードオフがある。従来の確率的な顧客ベース・モデルは、強い構造仮定を課すことで堅牢な長期予測を実現する一方、柔軟な機械学習モデルはしばしば大量の学習データと慎重なチューニングを必要とする。我々は、既存の脱退—取引—支出モデルにおける、顧客の異質性を条件としたプロセスに基づく尤度を維持しつつ、制約の強いパラメトリックな混合分布を、エンコーダ—デコーダのネットワークによって学習される柔軟な潜在表現で置き換える、変分オートエンコーダ（VAE）に基づくモデルを提案する。その結果得られる手法は、(i) 顧客の脱退、取引、支出に対して単一のモデルを提供し、(ii) 文脈的な共変量が利用できない場合でも信頼性を維持し、(iii) 共変量が利用可能な場合には、豊富な共変量と非線形効果を柔軟に組み込む。これにより、複雑な購買ダイナミクスを捉えるために必要な柔軟性と、構造的な安定性とのバランスをとる設計となっている。複数の実世界データセットおよびさまざまな予測ホライズンにおいて、提案モデルは最新のベンチマークを改善する。企業にとっては、将来の売上をより良く評価できることで、キャンペーンのターゲティング効率が直接的に向上する。研究の観点では、本研究は、ドメイン固有のモデルを変分オートエンコーダの枠組みに埋め込む方法についての指針を提供し、経済計量的に意味のあるプロセス構造を保持しつつ、柔軟な表現学習を可能にする。