予測精度と解釈可能性の組み合わせ：通信業界の解約分析に向けたデータ駆動型アプローチ

科学分野:

• 機械学習
• 人工知能
• データサイエンス

背景:

• 顧客獲得にはコストがかかるため、通信事業者の収益性にとって顧客維持は不可欠です。
• 競争の激しい通信市場において、顧客解約の予測は重要な課題です。

研究 の 目的:

• 堅牢で解釈可能な顧客解約予測のための、説明可能なアンサンブル学習フレームワーク「XCL-Churn」を導入すること。
• 解約予測を強化するために、ソフト投票メタアーキテクチャを使用してXGBoost、CatBoost、LightGBMを統合すること。

主な方法:

• 反復ベイジアンリッジ補完、多段階スケーリング、ハイブリッドBoruta-Random Forest特徴選択を含むデータ前処理パイプラインを採用しました。
• Synthetic Minority Oversampling Technique (SMOTE) を使用してクラス不均衡に対処しました。
• XGBoost、CatBoost、LightGBMモデルをソフト投票アンサンブル内に統合し、説明可能なAI (XAI) 技術 (LIME、SHAP) を適用しました。

主要な成果:

• XCL-Churnアンサンブルは、精度97.44%、適合率93.82%、再現率87.82%、F1スコア91.25%という高いパフォーマンス指標を達成しました。
• 従来の予測手法と比較して、優れた予測性能と計算効率を示しました。
• XAI技術により、顧客解約の主要な行動的および財政的要因に関する透明性が提供されました。

結論:

• XCL-Churnは、通信業界における顧客解約予測のための、堅牢で解釈可能かつ計算効率の高いソリューションを提供します。
• このフレームワークは、主要な解約指標を特定する能力により、顧客維持のための戦略的意思決定を強化します。