Scalable Amortized Variational Inference for Non-Poisson Buy-'Til-You-Die Models
本文介绍了一种针对非泊松“买直到死”（Buy-'Til-You-Die）模型的可扩展、摊销变分推理框架，该框架假设了威布尔（Weibull）更新过程，从而能够高效地分析数百万客户，且其预测性能与最先进的方法相当，但耗时仅为后者的极小部分。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代商业那浩瀚而寂静的喧嚣中，一个根本性的问题驱动着企业如何理解其客户：他们何时会回来，又何时会离开？几十年来，统计学家一直依赖于一个特定的数学框架来回答这个问题，将客户行为视为一系列随机事件。在这种观点中，一次购买就像是一次在任何时刻都可能发生的硬币投掷，既没有对上一次购买的记忆，也没有对下一次购买的规律。这种被称为“买到死为止”（Buy 'Til You Die）的模型，一直是预测从电信到银行业务中客户生命周期的标准工具。它假设虽然有些客户比其他客户更有可能购买，但他们购买的时机遵循着一种简单的、随机的节奏。然而，真实的人类行为很少如此简单。人们往往会进行爆发式消费，将支出聚集在节假日或促销活动期间，或者以一种连贯的、如钟表般精准的规律进行购买，而随机模型无法捕捉到这一点。当涉及数百万名客户且他们的习惯迥异时，旧有的随机性假设开始出现裂痕，导致公司对他们最宝贵关系的认知变得模糊不清。
芝加哥大学的一个研究小组开发了一种能够清晰观察这些模式的新方法，这种方法不需要等待计算机完成数日的计算。他们引入了一个名为“Wei' 'Til You Die”的模型，该模型用一个更灵活的系统取代了随机时机的假设，这个系统可以同时检测出严格的计划性和混沌的爆发性活动。研究人员在包含500万名在线零售客户交易历史的海量数据集上测试了这种新方法。仅用八分钟，他们的方法就生成了一份详细的客户行为图谱，而采用当前最先进的技术预计需要三到四天才能完成计算。速度并非唯一的突破；新模型还揭示了客户在时间习惯方面比以往认为的要多样得多。它成功识别出了不同的群体：有人以严格的规律进行购买，有人则在密集的、不规则的簇群中购物，还有许多人介于两者之间，而这一切都没有损失预测未来销售额的准确性。
要理解为什么这很重要，必须了解这些模型是如何运作的。传统方法将两次购买之间的时间视为纯粹的随机事件，类似于雨滴以不可预测的间隔落在屋顶上。这在某些情况下效果很好，但当客户拥有过于有序或过于混乱的习惯时就会失效。然而，新模型允许这些习惯具有一种“形状”。它可以识别出一位客户可能像时钟一样每三十天购买一次，或者另一位客户可能在一周内进行五次购买，然后消失数月。通过允许时间具有这种“形状”，模型可以实现信号与噪声的分离，这是旧有的随机模型无法做到的。研究人员通过将该方法应用于第二个包含400万名政治捐赠者的公开数据集（针对2020年美国选举周期）证明了这一点。在这里，模型揭示了截然不同的捐赠模式：一些捐赠者以订阅式的稳定节奏进行捐赠，而另一些人则围绕特定的政治事件（如辩论或筹款截止日期）进行聚集式捐赠。模型能够清晰地看到这些差异，表明捐赠的时间往往能像捐赠金额一样，揭示出捐赠者的动机。
这种新方法的威力在于其无需陷入复杂计算即可从数据中学习的能力。研究人员使用了一种技术，让计算机学习一条通用的规则来解释客户数据，而不是为每一个人解决一个独特的、困难的谜题。这类似于熟练的机械师通过听取几个关键的声音来诊断汽车发动机，而不是拆解每一个螺栓。通过首先在合成数据上训练神经网络，该系统学会了瞬间识别规律性和随机性的底层模式。当应用于真实数据时，它可以数分钟内处理数百万条记录，这对于试图解释如此复杂时间习惯的模型来说是以前无法实现的壮举。研究人员发现，这种速度并没有以牺牲准确性为代价。事实上，新模型的预测未来购买行为的表现与旧有的、较慢的方法一样出色，在某些情况下甚至更加精确。
或许最重要的发现是该模型所揭示的人类行为的极度多样性。在零售数据集中，研究人员发现虽然大多数客户相对规律，但仍有一小部分比例显著的客户表现出高度的“簇状性”，即进行强烈的爆发式购买。在政治数据集中，模型识别出捐赠者分为两类：一类是稳定捐赠者，另一类是响应特定新闻周期的捐赠者。这种细节水平允许企业和组织对不同人群采取差异化对待，而不是将他们全部归为一类。对于零售商而言，这意味着可以在合适的时间向经常购物的顾客发送提醒，同时向偶尔购物的顾客提供特别激励以吸引他们回归。对于政治竞选活动而言，这意味着理解有些捐赠者是由长期承诺驱动的，而另一些人则是受即时事件驱动的。
研究人员还展示了他们的方法可以轻松整合关于客户的额外信息，例如地理位置或首次购买时的消费金额。这对于“冷启动”问题至关重要，即公司对新客户了解甚少的情况。通过利用这些额外细节，模型可以更好地推测新客户未来的行为，甚至在他们还没有进行多次购买之前。例如，在政治数据中，了解捐赠者的党派属性和首次捐赠金额有助于模型预测他们未来的捐赠频率，即使他们此前仅捐赠过一次。这种从有限数据中学习的能力，结合处理数百万条记录的速度，预示着组织理解其受众的新时代。
这项工作代表了现代世界统计模型构建方式的一种转变。多年来，人们一直在“快速但简单”的模型与“复杂但处理大规模数据集太慢”的模型之间进行选择。这种新方法弥合了这一差距，提供了一个既能快速处理数百万客户，又能灵活捕捉人类习惯真实复杂性的工具。研究人员不仅建造了一个更快的计算器，他们还建造了一面透镜，将客户行为中隐藏的结构清晰地呈现出来。通过用一个能够学习时间本身之“形状”的系统取代随机性的假设，他们提供了一种在庞大群体中观察个体模式的方法，证明了即使在大数据的时代，人类行为的细节依然至关重要。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。