Research on Customer Life-cycle Value Analysis and Refined Operations Based on UCI Online Retail Data-set
Notice bibliographique
Résumé
In non-contractual e-commerce, sustaining growth depends on predicting future customer value and targeting actions that generate incremental profits. Previous research on customer lifetime value (CLV, hereafter LTV), customer churn, and the identification of high-value customers has provided valuable insights. However, most studies have explored these tasks in isolation, emphasized accuracy over profitability, or relied on proprietary data. People propose a reproducible end-to-end framework that unifies preprocessing, feature construction, temporal out-of-time (OOT) validation, model interpretability, and ROI-based evaluation. Using the UCI Online Retail dataset (2010–2011; 541,909 transactions), people construct RFM and behavioral features, apply a 70/30 customer-level split with an OOT holdout, and tackle three predictive tasks: six-month LTV regression, Top-25% high-LTV classification, and 90-day churn prediction. Performance is evaluated with RMSE/MAE/MAPE for regression and ROC-AUC/PR-AUC/Brier/calibration for classification; imbalance is managed via class weighting and SMOTE within folds. Tree-based models consistently outperform linear/logistic baselines; XGBoost achieves the best high-LTV performance (OOT AUC = 0.921; ΔAUC = +0.047 vs. logistic; 95% CI [0.025, 0.069]; p < 0.01; DeLong). SHAP identifies recency, frequency, and volatility as dominant drivers. ROI simulations show that prediction-driven targeting improves incremental margin by 11.3% at the operational threshold and remains robust under ±10% cost perturbations. By aligning statistical rigor with profit relevance, the study provides a reproducible blueprint for non-contractual retail and actionable guidance for segmentation, budget allocation, and retention.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».