python - 如何使用Python中的lifetimes包获取客户生命周期的期望值

Question

Python 包的生命周期使用 BG/NBD 方法，与 R 包 BTYD 相同。

在 R 论文中，我们可以估计给定时间范围内任何新获得的客户的客户生命周期 (CLV) 包。但是，我无法在 python 中找到等效的函数。

看来我能找到的所有信息都是在给定过去频率和新近度作为条件概率的情况下估计 CLV。有人有这方面的经验吗？

Answer 1

是的。来自 documentation Estimating customer lifetime value using the Gamma-Gamma model 。

第 1 步:拟合 BG 模型

确保您拥有频率、货币值格式的数据，例如:

from lifetimes.datasets import load_cdnow_summary_data_with_monetary_value

data = load_cdnow_summary_data_with_monetary_value()
data.head()
             frequency  recency      T  monetary_value
customer_id
1                    2    30.43  38.86           22.35
2                    1     1.71  38.86           11.77
6                    7    29.43  38.86           73.74
7                    1     5.00  38.86           11.77
9                    2    35.71  38.86           25.55

然后拟合 BG 模型:

from lifetimes import BetaGeoFitter

# similar API to scikit-learn and lifelines.
bgf = BetaGeoFitter(penalizer_coef=0.0)
bgf.fit(data['frequency'], data['recency'], data['T'])

第 2 步:拟合 Gamma-gamma 模型

# Filter out customers who did not return 
returning_customers_summary = data[data['frequency']>0]

from lifetimes import GammaGammaFitter

ggf = GammaGammaFitter(penalizer_coef = 0)
ggf.fit(returning_customers_summary['frequency'],
        returning_customers_summary['monetary_value'])

第 3 步:估算终生值(value)

在这里，您将使用之前安装的 BetaGeoFilter 和一组包含{频率、新近度、T 及其支出/事件 (monetary_value)} 的客户数据来调用拟合的 gamma-gamma 函数(以天为单位)，以及以月为单位的时间表和每月折扣率。

print(ggf.customer_lifetime_value(
    bgf, #the model to use to predict the number of future transactions
    summary_with_money_value['frequency'],
    summary_with_money_value['recency'],
    summary_with_money_value['T'],
    summary_with_money_value['monetary_value'],
    time=12, # months
    discount_rate=0.01 # monthly discount rate ~ 12.7% annually
    ).head(10))
"""
customer_id
1      140.096211
2       18.943467
3       38.180574
4       38.180574
5       38.180574
6     1003.868107
7       28.109683
8       38.180574
9      167.418216
10      38.180574
Name: clv, dtype: float64
"""