DOI: https://doi.org/10.32664/j-intech.v14i01.2229
تاريخ النشر: 2026-04-08
المؤلف: Qi Xin
الموضوع الرئيسي: تسرب العملاء والتجزئة
نظرة عامة
تقدم هذه الورقة البحثية خط أنابيب تعلم ذاتي الإشراف مصمم لتمثيل العملاء في تجارة التجزئة المالية، مع التركيز على تقسيم العملاء وتوقع الشراء التالي باستخدام بيانات معاملات نادرة وعالية الأبعاد. تستخدم الدراسة مجموعة بيانات UCI Online Retail، حيث تم تنقيحها لتشمل 397,884 معاملة صالحة عبر عملاء ومنتجات مختلفة. يقوم المؤلفون بإنشاء تسلسلات فواتير مرتبة لكل عميل ويحددون عنصرًا قياسيًا لكل فاتورة بناءً على الكميات المجمعة. يطورون متجه حالة عميل ذو عرض مزدوج يجمع بين عدد المشتريات مدى الحياة مع نشاط الشراء الأخير، مستخدمين إعادة وزن TF-IDF وتحليل القيم الفردية المقطوعة (SVD) لتوليد التضمينات. يتم تقديم هدف جديد لتقليل الضوضاء باستخدام إسقاط التلال (DRP) لتعزيز قوة هذه التضمينات من خلال إعادة رسم متجهات الحالة التالفة إلى تمثيلات نظيفة دون الاعتماد على التسميات.
تظهر النتائج التجريبية فعالية الطريقة المقترحة، حيث تحقق تضمينات DualDRP درجة Hit@20 تبلغ 0.587 في توقع الشراء التالي، متفوقة بشكل كبير على النماذج الأساسية مثل MostPopular وMarkov. بالإضافة إلى ذلك، يكشف تطبيق تجميع k-means على التضمينات المتعلمة عن شرائح عملاء قابلة للتنفيذ، بما في ذلك المشترين المتكررين ذوي القيمة العالية والعملاء ذوي النشاط المنخفض. يحدد المؤلفون اتجاهات البحث المستقبلية، والتي تشمل نمذجة سلال كاملة من العناصر، ودمج أوصاف المنتجات لتحسين الفهم الدلالي، واستكشاف تقنيات التعلم الذاتي المتقدمة غير الخطية لالتقاط الاعتماديات الزمنية المعقدة مع الحفاظ على الكفاءة التشغيلية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الأهمية المتزايدة للتخصيص في تجارة التجزئة والخدمات المالية، حيث تهدف المؤسسات إلى تعزيز تفاعل العملاء من خلال توصيات مخصصة واستراتيجيات تسويق مستهدفة. تُستخدم الطرق التقليدية، مثل نماذج الحداثة والتكرار والقيمة النقدية (RFM)، بشكل شائع لتقسيم العملاء وتوقع الاستجابة. ومع ذلك، غالبًا ما تبسط هذه النماذج سلوك العملاء من خلال ضغطه في مجموعة محدودة من المجاميع، مما قد يتسبب في تجاهل إشارات تنبؤية قيمة مثل التوجه نحو المنتجات والأنماط الزمنية.
لمعالجة هذه القيود، تقترح الورقة استخدام التعلم الذاتي للإشراف، الذي يولد إشارات تعلم مباشرة من بيانات المعاملات دون الحاجة إلى تسميات صريحة. لقد أظهرت هذه الطريقة وعدًا في مجالات مثل رؤية الكمبيوتر ومعالجة اللغة الطبيعية، ويهدف المؤلفون إلى تكييفها لتحليلات العملاء المعاملات. يركزون على مجموعة بيانات UCI Online Retail، التي توفر سجلًا شاملاً للمعاملات وتمثل تحديات البيانات في العالم الحقيقي. تؤكد الدراسة على الحاجة إلى هدف ذاتي الإشراف قابل للتطبيق وقابل للتوسع ينتج تضمينات مفيدة لمهام مثل تقسيم العملاء وتوقع الشراء التالي. تستخدم الطريقة المقترحة تمثيل حقيبة من العناصر وتستخدم إعادة وزن TF-IDF وتحليل القيم الفردية المقطوعة (SVD) لتعلم التضمينات، مع دمج متجه ذو عرض مزدوج لالتقاط كل من التفضيلات المستقرة والنوايا قصيرة المدى. يضمن هذا القيد التصميمي أن تظل عملية التجربة فعالة وقابلة للتكرار في بيئات CPU القياسية.
النتائج
في قسم النتائج، تقدم الدراسة مقاييس التجميع الداخلية لثلاث تمثيلات: RFM وDualSVD وDualDRP، مع التركيز على قيم السيلويت. يظهر RFM أعلى درجة سيلويت تبلغ 0.3452 عند \( k=4 \)، مما يشير إلى تفوق فصل شرائح العملاء في فضائه منخفض الأبعاد. بالمقابل، تحقق DualSVD وDualDRP قيم سيلويت أقل، مما يشير إلى أن هذه التضمينات تلتقط التغيرات المستمرة بدلاً من التجمعات المتميزة. على الرغم من انخفاض درجات السيلويت، تظل التجمعات قابلة للتفسير، كما يتضح من تشخيصات الاستقرار (ARI/Jaccard) وملخصات مستوى الشريحة، التي تؤكد أن التقسيم قوي ضد تباينات التهيئة. تحدد التحليل ثلاث شرائح عملاء، حيث تمثل المجموعة 1 مجموعة ذات قيمة عالية، بينما تتكون المجموعة 2 من المشترين العرضيين، كل منهم يتطلب استراتيجيات تشغيل مخصصة.
بالنسبة لتوقع الشراء التالي، تشير النتائج إلى أن طريقة DualDRP+SGD تتفوق على تقنيات أخرى، حيث تحقق Hit@20=0.5870 وMRR@20=0.2730 وNDCG@20=0.3431. يتجاوز DualDRP باستمرار DualSVD+SGD عبر جميع المقاييس ويظهر تحسنًا كبيرًا مقارنة بالنماذج غير المخصصة، لا سيما زيادة نسبتها 79.6% في Hit@20 مقارنة بطريقة MostPopular. على الرغم من أن التحسن على DualSVD متواضع وليس له دلالة إحصائية، تشير النتائج إلى أن DualDRP يعمل كتعزيز قوي مع تأثير ضئيل على وقت التشغيل، مما يعزز مزايا التخصيص القائم على التمثيل في النمذجة التنبؤية.
المناقشة
في هذا القسم، يناقش المؤلفون تطوير وتقييم إطار عمل للتعلم الذاتي للإشراف يهدف إلى تعزيز تحليلات العملاء في بيئات التجزئة. تستخدم الطريقة المقترحة هدف إسقاط التلال (DRP)، الذي يستخدم نموذج انحدار التلال لرسم حالات العملاء التالفة من TF-IDF إلى تضمينات تحليل القيم الفردية (SVD) النظيفة. لا توفر هذه الطريقة تمثيلات قوية للعملاء فحسب، بل تسمح أيضًا بتطبيق فعال على حالات العملاء الجديدة دون إعادة تدريب نموذج SVD. يتم تقييم الإطار من خلال مهمتين رئيسيتين: تقسيم العملاء وتوقع الشراء التالي، مما يظهر فعاليته في توليد رؤى قابلة للتنفيذ لعمليات التسويق.
تشير النتائج إلى أن التمثيل ذو العرض المزدوج، الذي يجمع بين بيانات الشراء مدى الحياة والشراء الأخير، يحسن بشكل كبير الأداء التنبؤي في مهام الشراء التالي. يبرز المؤلفون أهمية معالجة ندرة البيانات والديناميات الزمنية في مجموعات بيانات التجزئة، مشيرين إلى أن التعلم الذاتي للإشراف يمكن أن يجمع بشكل فعال القوة الإحصائية عبر العملاء. بالإضافة إلى ذلك، تؤكد النتائج على الفوائد التشغيلية لطبقة تمثيل موحدة يمكن إعادة استخدامها عبر نماذج متعددة في الأسفل، مما يعزز الحوكمة ويقلل من جهود هندسة الميزات. بشكل عام، تقدم الدراسة منهجية عملية تتماشى مع احتياجات تحليلات التجزئة المالية، مما يظهر الإمكانية لتضمينات خفيفة الوزن ذاتية الإشراف لدفع استراتيجيات التسويق وتحسين تفاعل العملاء.
القيود
تنبع قيود هذه الدراسة بشكل أساسي من الخيارات المنهجية المتخذة في تقييم نموذج توقع الشراء التالي. إن استخدام تبسيط العنصر القياسي لتعريف تسمية واحدة للشراء التالي، بينما يجعل المشكلة قابلة للتعامل كمسألة تصنيف متعددة الفئات، يؤدي إلى استبعاد العناصر الثانوية في السلة. يركز هذا على أعلى 200 عنصر في توزيع المنتجات مما يقلل من ندرة التسميات ولكنه قد لا يمثل بشكل كافٍ ذيل مبيعات المنتجات. يُقترح البحث المستقبلي لاستكشاف طرق هرمية أو طرق عينة softmax لتوسيع مساحة التسميات، مما قد يحسن التوقعات للعناصر التي يتم شراؤها بشكل أقل تكرارًا.
بالإضافة إلى ذلك، فإن الطبيعة الحتمية لتصميم النموذج تعني أن مقاييس الترتيب المبلغ عنها تعكس في الغالب الأداء على وحدات حفظ المخزون (SKUs) ذات الحجم الكبير. قد تكون هناك حاجة إلى أساليب بديلة، مثل أهداف على مستوى الفئة أو أخذ عينات سلبية، لتعزيز التوقعات للعناصر ذات الحجم المنخفض. كما أن خطية نموذج DRP تحد من قدرته على التقاط الاعتماديات المعقدة، مما يشير إلى أن دمج أهداف تقليل الضوضاء الأكثر ثراءً، مثل المشفرات التلقائية غير الخطية أو التعلم التبايني، قد يؤدي إلى نتائج أفضل، على الرغم من زيادة المتطلبات الحاسوبية. أخيرًا، يعتمد التحليل التجريبي على مجموعة بيانات واحدة (UCI Online Retail)، مما يشير إلى أن النتائج قد لا تعمم عبر سياقات معاملات التجزئة أو المالية المختلفة، مما يتطلب التحقق من صحة النتائج باستخدام مجموعات بيانات متنوعة لتقييم قوة النموذج وإعدادات الهايبر بارامتر المثلى.
DOI: https://doi.org/10.32664/j-intech.v14i01.2229
Publication Date: 2026-04-08
Author(s): Qi Xin
Primary Topic: Customer churn and segmentation
Overview
This research paper presents a self-supervised learning pipeline designed for customer representation in financial retail, focusing on segmentation and next-purchase prediction using sparse and high-dimensional transactional data. The study utilizes the UCI Online Retail dataset, refining it to 397,884 valid transactions across various customers and products. The authors construct ordered invoice sequences for each customer and define a canonical item per invoice based on aggregated quantities. They develop a dual-view customer state vector that combines lifetime purchase counts with recent purchase activity, employing TF-IDF reweighting and truncated Singular Value Decomposition (SVD) to generate embeddings. A novel denoising ridge projection (DRP) objective is introduced to enhance the robustness of these embeddings by mapping corrupted state vectors back to clean representations without relying on labels.
The experimental results demonstrate the effectiveness of the proposed method, with the DualDRP embeddings achieving a Hit@20 score of 0.587 in next-purchase prediction, significantly outperforming baseline models such as MostPopular and Markov. Additionally, k-means clustering applied to the learned embeddings reveals actionable customer segments, including high-value frequent buyers and low-activity long-tail customers. The authors outline future research directions, which include modeling complete baskets of items, integrating product descriptions for improved semantic understanding, and exploring advanced nonlinear self-supervised learning techniques to capture complex temporal dependencies while maintaining operational efficiency.
Introduction
The introduction of this research paper highlights the growing importance of personalization in retail and financial services, where organizations aim to enhance customer engagement through tailored recommendations and targeted marketing strategies. Traditional methods, such as recency, frequency, and monetary value (RFM) models, are commonly employed for customer segmentation and response prediction. However, these models often oversimplify customer behavior by compressing it into a limited set of aggregates, potentially overlooking valuable predictive signals like product affinity and temporal patterns.
To address these limitations, the paper proposes the use of self-supervised representation learning, which generates learning signals directly from transaction data without requiring explicit labels. This approach has shown promise in fields like computer vision and natural language processing, and the authors aim to adapt it for transactional customer analytics. They focus on the UCI Online Retail dataset, which provides a comprehensive record of transactions and is representative of real-world data challenges. The study emphasizes the need for a computationally feasible and scalable self-supervised objective that produces useful embeddings for tasks such as segmentation and next-purchase prediction. The proposed method utilizes a bag-of-items representation and employs TF-IDF reweighting and truncated singular value decomposition (SVD) to learn embeddings, while also incorporating a dual-view vector to capture both stable preferences and short-term intent. This design constraint ensures that the experimental pipeline remains efficient and reproducible in standard CPU environments.
Results
In the results section, the study presents internal clustering metrics for three representations: RFM, DualSVD, and DualDRP, with a focus on silhouette values. RFM demonstrates the highest silhouette score of 0.3452 at \( k=4 \), indicating superior separability of customer segments in its low-dimensional space. In contrast, DualSVD and DualDRP yield lower silhouette values, suggesting that these embeddings capture continuous variations rather than distinct clusters. Despite the lower silhouette scores, the clusters remain interpretable, as evidenced by stability diagnostics (ARI/Jaccard) and segment-level summaries, which confirm that the segmentation is robust against initialization variations. The analysis identifies three customer segments, with Cluster 1 representing a high-value cohort, while Cluster 2 consists of occasional buyers, each requiring tailored operational strategies.
For next-purchase prediction, the results indicate that the DualDRP+SGD method outperforms other techniques, achieving Hit@20=0.5870, MRR@20=0.2730, and NDCG@20=0.3431. DualDRP consistently surpasses DualSVD+SGD across all metrics and shows significant improvement over non-personalized baselines, particularly a 79.6% relative increase in Hit@20 compared to the MostPopular method. Although the improvement over DualSVD is modest and not statistically significant, the findings suggest that DualDRP serves as a robust enhancement with minimal impact on runtime, reinforcing the advantages of representation-based personalization in predictive modeling.
Discussion
In this section, the authors discuss the development and evaluation of a self-supervised learning framework aimed at enhancing customer analytics in retail settings. The proposed method utilizes a denoising ridge projection (DRP) objective, which employs a ridge-regression model to map corrupted TF-IDF customer states to clean singular value decomposition (SVD) embeddings. This approach not only provides robust customer representations but also allows for efficient application to new customer states without retraining the SVD model. The framework is evaluated through two key tasks: customer segmentation and next-purchase prediction, demonstrating its effectiveness in generating actionable insights for marketing operations.
The results indicate that the dual-view representation, which combines lifetime and recent purchase data, significantly improves predictive performance in next-purchase tasks. The authors highlight the importance of addressing data sparsity and temporal dynamics in retail datasets, noting that self-supervised learning can effectively pool statistical strength across customers. Additionally, the findings emphasize the operational benefits of a unified representation layer that can be reused across multiple downstream models, thereby enhancing governance and reducing feature engineering efforts. Overall, the study presents a practical methodology that aligns with the needs of financial retail analytics, showcasing the potential for lightweight self-supervised representations to drive marketing strategies and improve customer engagement.
Limitations
The limitations of this study primarily stem from the methodological choices made in evaluating the next-purchase prediction model. The use of a canonical-item simplification to define a single next-purchase label, while making the problem tractable as a multi-class classification task, results in the exclusion of secondary items in the basket. This focus on the top-200 items in the product distribution reduces label sparsity but may not adequately represent the long tail of product sales. Future research is suggested to explore hierarchical or sampled softmax methods to extend the label space, potentially improving predictions for less frequently purchased items.
Additionally, the deterministic nature of the model’s design means that the reported ranking metrics predominantly reflect performance on high-volume stock-keeping units (SKUs). Alternative approaches, such as category-level targets or negative sampling, may be necessary to enhance predictions for lower-volume items. The linearity of the DRP model also limits its ability to capture complex dependencies, suggesting that incorporating richer denoising objectives, such as nonlinear autoencoders or contrastive learning, could yield better results, albeit with increased computational demands. Lastly, the empirical analysis relies on a single dataset (UCI Online Retail), indicating that the findings may not generalize across different retail or financial transaction contexts, necessitating validation with diverse datasets to assess the model’s robustness and optimal hyperparameter settings.