A data-driven approach to customer lifetime value prediction using probability and machine learning models
Notice bibliographique
Résumé
Customer lifetime value is an important marketing metric and has applications in market segmentation, strategy development, and direct marketing programs, especially when customers are not under contract. In this research, we demonstrate the prediction of the lifetime value of patients in a health service portfolio in two separate ways. The probability of a patient being alive and their value in the coming evaluation period are first predicted using a probability model that has been well-established in the marketing community. We then use several machine learning algorithms to perform the same task. The results of these two approaches are compared in terms of accuracy to gain insight into their respective strengths and weaknesses. We believe that the work is one of the first attempts to gain an understanding of the use of machine learning algorithms in this important marketing issue. The results showed that the probability model performs better than the machine learning models, probably due to the assumption required in the probability calculations. It is therefore recommended that an essential step in applying these software approaches is to verify the validity of the key assumption of regularity. In addition, in future studies, consideration should be given to a larger dataset with demographic variables beyond age and gender that were used in this study. Developing specific ML models for dealing with zero-inflated data, which is an inherent feature of customer lifetime data, will also be helpful. • Compare probability models and machine learning for predicting customer lifetime value. • Apply predictive analytics to assess patient value in a health service business • Evaluate model accuracy to understand strengths and weaknesses in decision-making. • Highlight the role of probability assumptions in customer lifetime predictions. • Explore the potential of machine learning for improving customer value estimation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».