用户存续期价值评估CLV(二) BG/NBD Model python模拟

BG/NBD Model

…继续

想象每一个客户有两个硬币，一个“Buy Coin"控制客户购买的概率；一个"Die Coin"控制客户流失、不再购买的概率。

1. 前面假设了客户的交易次数服从泊松过程：
   
   在一年中的每个月，客户都以抛硬币的方式来决定是否购买。我们所观察到的购买次数取决与泊松分布的参数 𝜆。

%matplotlib inline

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import poisson,expon,nbinom

poisson_lambda = 4.3
p_arr = []

distribution = poisson(poisson_lambda)
for transactions in range(0,10):
     p_arr.append(distribution.pmf(transactions))

plt.ylabel('Probability')
plt.xlabel('Number of Transactions')
plt.xticks(range(0, 10))
plt.title('Poisson Probability Mass Function')
plt.plot(p_arr, color='black', linewidth=0.7, zorder=1)
plt.scatter(range(0, 10), p_arr, color='purple', edgecolor='black', linewidth=0.7, zorder=2)
plt.show()

上图展示了以 𝜆=4.3 建模的购买概率的分布情况

2. 假设交易率服从Gamma分布
   这也就是说，每个客户有自己的Buy Coin，每个Coin的正反面出现的概率是不一样的。

gamma_shape = 9
gamma_scale = 0.5

for customer in range(0, 100):
    distribution = poisson(np.random.gamma(shape=gamma_shape, scale=gamma_scale))
    p_arr = []
    for transactions in range(0,9):
        p_arr.append(distribution.pmf(transactions))
    plt.plot(p_arr, color='black', linewidth=0.7, zorder=1)
    
plt.ylabel('Probability')
plt.xlabel('Number of Transactions')
plt.xticks(range(0,9))
plt.title('Poisson Probability Distribution Curves 100 Customers')
plt.show()

上图模拟了以形状参数为9，尺度参数为0.5的Gamma分布建模的100个客户的泊松分布

3. 在任意一个交易后，一个客户会以概率 𝑝 流失
   因此，客户失效点在交易中呈几何分布。
   
   任何交易之后，客户都会以扔"Die Coin"来确定是否留存

p = 0.52
p_arr = []

for i in range(0,10): 
    proba_inactive = p*(1-p)**(i-1)
    p_arr.append(proba_inactive)
p_arr = np.array(p_arr)
p_arr /= p_arr.sum()

plt.plot(range(0, 10), p_arr, color='black', linewidth=0.7, zorder=1)
plt.ylabel('Probability inactive')
plt.xlabel('Number of Transactions')
plt.xticks(range(0, 10))
plt.title('(Shifted) Geometric Probability Mass Function')
plt.show()

上图展示了，以 𝑝=0.52 为流失概率建模，可以看到客户的交易次数越多，其流失率越低。

4. 𝑝 服从Beta分布
   每个客户的"Die Coin"不同，每个都有自己的失效率，下面以 𝛼=2,𝛽=3 的贝塔分布建模

beta_a = 2
beta_b = 3

for customer in range(0, 10):
  p_arr = []
  beta = np.random.beta(a=beta_a, b=beta_b)
  for transaction in range(1,10): 
    proba_inactive = beta*(1-beta)**(transaction-1)
    p_arr.append(proba_inactive)
  p_arr = np.array(p_arr)
  plt.plot(p_arr, color='black', linewidth=0.7, zorder=1)

plt.ylabel('Probability Inactive')
plt.xlabel('Number of Transactions')
plt.xticks(range(1, 10))
plt.title('Geometric Probability Mass Function 10 customers')
plt.show()

模型输出
最后，通过以历史数据来拟合前面的模型可以为每一个客户导出：

• 𝑃(𝑋(𝑡)=𝑥|𝜆,𝑝), 在长度为 𝑡 的时间内观测到 𝑥 个交易的概率
• 𝐸(𝑋(𝑡)|𝜆,𝑝), 在长度为 𝑡 的时间内观测到 𝑥 个交易的期望值
• 𝑃(𝜏>𝑡), 客户在期间 𝜏 流失概率
  拟合的参数可以用来预测未来某段时间长度 𝑡 的期望购买量，作者论文中的公式形如：
  $$\frac{\frac{a+b+x-1}{a-1}[1-(\frac{\alpha +T}{\alpha +T+t}{)}^{r+x}{2}^{F_1(r+x,b+x;a+b+x-1;\frac{t}{\alpha +T+t})}]}{1+{\delta }_{x>0}\frac{a}{b+x-1}(\frac{\alpha +T}{\alpha +t_x}{)}^{r+x}}$$
  其中，$x$=历史交易次数；$t_x$=上一次购买时间；$T$=客户的存续时间；$2^{F_1(.)}$为高斯超几何函数。

下一节我们将使用Python来实现整个模型， 未完待续…