METARFM: A META-LEARNING FRAMEWORK FOR THE ADAPTIVE SELECTION OF RFM MODEL ARIANTS IN CUSTOMER SEGMENTATION
Notice bibliographique
Résumé
The Recency-Frequency-Monetary (RFM) model is a widely used method for customer segmentation, but its effectiveness depends on selecting the appropriate variant (e.g., weighted or entropy-based) for a given dataset. This selection process is typically manual and task-specific, leading to inconsistent results and limited generalizability. To address this issue, we present MetaRFM, a novel automated framework for selecting optimal RFM variants. MetaRFM mines a set of meta-features—such as sparsity, diversity, and skewness—extracted from customer transaction datasets, including both personal transaction data and product purchase information. These meta-features characterize the dataset at a high level, enabling the framework to predict which RFM variant would perform best. A meta-learner is trained to map these meta-features to the performance of different RFM variants, which are evaluated using both cluster quality metrics (Silhouette Score, Davies-Bouldin Index) and business-relevant metrics (predictive lift, churn prediction accuracy). Extensive experiments conducted on real-world datasets from retail, e-commerce, and subscription services show that MetaRFM consistently outperforms static and single-variant models. On average, MetaRFM improves cluster separation by 15.7% and campaign lift by 22.3%. This framework provides a systematic, scalable solution for selecting the most appropriate RFM model, improving segmentation robustness and business relevance. The results highlight the substantial potential of meta-learning for adaptive, context-aware analytics in marketing, offering a more effective approach to customer segmentation and optimizing marketing strategies.
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 | 0,007 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».