Моделювання вартості життя RFM та клієнта в R

12

Хто-небудь може сказати мені, як робити моделювання залишків, частоти та грошової вартості (RFM) та моделювання вартості клієнта в R?

Також, може хтось посилає мені якусь літературу про це?

r references marketing

— Бета-версія
джерело

1

Ви також можете подивитися пакет BTYD у Р. Або купити, поки не помрете пакет. Я думаю, Брюс Харді є одним із авторів. Не надто впевнений, хоча.

10

Що стосується посилань, то майнінг даних за допомогою аналізу RFM повинен допомагати, наскільки йде термінологія та подальші посилання.

Один з найпростіших (і популярних) способів моделювання ймовірності реакції клієнта - це використовувати логістичну регресію з RFM як пояснювальні змінні (серед інших доступних змінних).

Для моделювання грошової вартості можна просто регресувати дохід від RFM безпосередньо (використовуючи просту лінійну модель для початківців), що зазвичай не дивно добре. Більш просунуті / нелінійні моделі (такі як Random Forest або Gradient Boosting Machine) в моєму досвіді краще, ніж лінійні моделі.

Інший популярний підхід полягає у побудові трохи складнішої моделі прогнозування грошової вартості на основі двох підмоделей: одна для ймовірності відповіді (наприклад, використання логістичної регресії як функції RFM), а друга для доходу, що залежить від відповіді (знову ж, це може бути так само просто, як лінійна модель RFM). Очікувана грошова вартість є результатом двох прогнозів.

Якщо доступні рандомізовані дані тесту / контролю, то методи моделювання збільшення / підтяжки є досить популярними для моделювання додаткової переваги лікування.

Що стосується вартості життєвого циклу клієнта, див. Огляд та подальші посилання у розділі Моделювання вартості життя клієнта .

Що стосується моделювання в R, я не знаю жодних пакетів "не на полиці" для такого типу моделювання. R надає всі необхідні будівельні блоки для цього, хоча (якщо у вас є величезна кількість даних - у такому випадку вам, можливо, доведеться покластися на більш масштабовані інструменти)

— Євгеній
джерело

1

Дуже приємна відповідь, але я думаю, що перша посилання може бути розірвана.

— Мастеров Димитрій Вікторович

@ Євгеній, у мене два питання щодо пропозицій, які ви дали. По-перше, що стосується моделювання грошової вартості, чи нормально регресувати дохід, використовуючи Monetary серед змінних прогнозів? Боюся, вони будуть абсолютно однаковою змінною. По-друге, чи є у вас ресурси в Інтернеті, які могли б допомогти мені зрозуміти, як здійснювати лінійну регресію, що залежить від реакції (використовуючи другий описаний вами підхід)? Дуже дякую!

— nhern121

1) Добре, доки ви не плутаєте пояснювальні / вхідні змінні (з минулих даних) та цільову змінну (з даних "майбутнього") 2) Просто виберіть підмножину даних, де клієнти щось купували, та регресуйте дохід на пояснювальні змінні

— Євген

5

Не впевнений, чи ви все ще працюєте над RFM-моделюванням. Тут ( pdf ) - стаття / віньєтка для пакету BTYD в R, яка може бути корисною для вас. Вся стаття базується на R, і вона має 3 різні моделі, на які слід звернути увагу. На сторінці 1, 2.1 Підготовка даних, ви можете побачити контекст RFM.

— гострий
джерело

Дякую Гунг! Хоча зараз я над цим не працюю. Але це найбільше корисно. Також може допомогти іншим людям, які зараз працюють над цим.

— Бета