METARFM: A META-LEARNING FRAMEWORK FOR THE ADAPTIVE SELECTION OF RFM MODEL ARIANTS IN CUSTOMER SEGMENTATION
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 découle