Utilizing Fine-Grained Transaction Data for Predicting the Life Event of Residential Change

Abstract

Kunders behov endrer seg raskt og hele tiden, og det er viktig for bedrifter å tilpasse seg disse forandringene for å være konkurransedyktige. Endringene skjer ofte i sammenheng med at en kunde opplever store forandringer i livet, såkalte livshendelser. Eksempel på slike livshendelser kan være endring i samlivsstatus, barnefødsel eller boligbytte. For å ta vare på kundeforhold på en proaktiv måte kan bedrifter forsøke å predikere livshendelser hos sine kunder før de inntreffer. Dersom bedriften lykkes med dette, kan de tilpasse seg for å tilby relevante produkter og tjenester for å dekke kundenes nye behov. Dette studiet er utført i samarbeid med en mellomstor norsk regionalbank og har som mål å predikere livshendelsen boligbytte for et utvalg av bankens kundebase.

Vi utforsker metodologier som tar i bruk fingranulær transaksjonsdata, og representerer det som et pseudo-sosialt nettverk mellom kundene. Et pseudo-sosial nettverk har ikke som mål å fange opp ekte sosiale relasjoner, men er et implisitt sosialt nettverk der kunder er sammenkoblet grunnet lik atferd. Tidligere forskning har vist gode resultater for disse teknikkene der målet har vært å predikere produktinteresse hos kunder, og de utkonkurrerer tradisjonelle og anerkjente sosiodemografiske modelleringsmetoder. Vi eksperimenterer med metoder som bruker behavioral similarity (BeSim) som utgangspunkt for beregning av likhet mellom kunder. Vi benytter også en utvidelse som tar høyde for nylighets-, hyppighets- og pengeverdier (RFM values) i transaksjonsdataen. Videre anvender vi et tre-trinns rammeverk for nodeklassifisering, nærmere bestemt SW-transformasjonen (SW-transformation), og sammenligner dens ytelse med den enkle og effektive logistiske regresjonsalgoritmen (Logistic regression) for denne binære klassifiseringsoppgaven.

Våre resultater viser at de anvendte metodene ikke er banebrytende for predikering av boligbytte, sett i lys av ROC AUC. Til tross for det, viser metodene bedre resultater for lift, spesielt for øverste persentil. Dette viser at metodene kan benyttes i en reell setting der banken uansett har begrensede ressurser som hindrer dem i å rette tilbud mot alle kunder, uavhengig av hvor høy AUC scoren hadde vært. På bakgrunn av dette kan vi si at metodologiene som bruker fingranulær transaksjonsdata, representert som et pseudo-sosialt nettverk, kan anvendes til å utbedre bankens evne til å detektere livshendelser i forkant.

Customer needs change rapidly, and it is essential for companies to adapt to these changes and meet their customers' new demands. The change of behavior is often closely related to the customers going through new experiences in life, i.e., life events. Examples of such life events include marriage, the birth of a child, and change in residence. One way to proactively care for the customer relationship is to predict these events before they occur. In successfully doing so, the company can offer relevant services or new products exactly when their customers need them. This study is conducted in collaboration with a midsized Norwegian bank and aims to predict the life event of residential change for their customers.

We explore methodologies that utilize fine-grained transaction data represented as a pseudo-social network. The pseudo-social network does not aim to reflect any real social ties but is rather an inferred social network where customers are connected due to similar behavior. In prior work, the techniques achieved remarkable results for predicting product purchase interests and outperformed the traditional state-of-the-art socio-demographic predictive modeling. We test the methodologies of a behavior similarity score calculation called BeSim, and its extension with recency, frequency, and monetary (RFM) values. Moreover, we apply a novel three-step node classification framework, particularly the SW-transformation, and compare it to the performance of the simple and efficient logistic regression for the binary classification task.

Our results show that these methods are not groundbreaking in terms of ROC AUC when adapted to predict the life event of a residential change. Notwithstanding, the results have better-performing lifts, especially at the top 1 percentile. These results make the methodologies applicable for a real-life setting where the collaborative bank has limited resources and cannot target all predicted customers, regardless of the overall AUC score. On this basis, we can apply the techniques that utilize fine-grained transaction data represented as a pseudo-social network to enhance the bank's ability to detect life events preemptively.