RFM & pemodelan nilai seumur hidup pelanggan di R

12

Adakah yang bisa memberi tahu saya cara melakukan pemodelan recency, frekuensi & nilai moneter (RFM) & pemodelan nilai pelanggan di R?

Juga, dapatkah seseorang merujuk saya beberapa literatur tentangnya?

r references marketing

— Beta
sumber

1

Anda juga dapat melihat paket BTYD dalam R. Atau membeli sampai Anda mati paket. Saya pikir Bruce Hardie adalah salah satu penulisnya. Tapi tidak terlalu yakin.

10

Adapun referensi, Penambangan Data Menggunakan Analisis RFM harus membantu sejauh terminologi dan referensi lebih lanjut.

Salah satu cara paling sederhana (dan populer) untuk memodelkan probabilitas respons pelanggan adalah dengan menggunakan regresi logistik dengan RFM sebagai variabel penjelas (di antara variabel lain yang tersedia).

Untuk memodelkan nilai moneter, orang hanya bisa meregestasi pendapatan pada RFM secara langsung (dengan menggunakan model linier sederhana sebagai permulaan) yang biasanya sangat baik. Model yang lebih maju / non-linear (seperti Random Forest atau Gradient Boosting Machine) lebih baik daripada model linear dalam pengalaman saya.

Pendekatan populer lainnya adalah membangun model yang sedikit lebih kompleks untuk memprediksi nilai moneter berdasarkan dua sub-model: satu untuk probabilitas respons (misalnya menggunakan regresi logistik sebagai fungsi RFM), dan yang lainnya untuk pendapatan tergantung pada respons (sekali lagi, bisa sesederhana model linear RFM). Nilai moneter yang diharapkan adalah produk dari dua prediksi.

Jika data uji / kontrol acak tersedia, maka teknik berbasis pengangkatan / netlift cukup populer untuk memodelkan manfaat tambahan dari perawatan.

Adapun nilai siklus hidup pelanggan, lihat Memodelkan Nilai Seumur Hidup Pelanggan untuk ulasan dan referensi lebih lanjut.

Berkenaan dengan pemodelan dalam R, saya tidak mengetahui adanya paket "off-the-shelf" untuk jenis pemodelan tersebut. R memang memberikan semua blok bangunan yang diperlukan untuk itu (kecuali jika Anda memiliki jumlah data yang sangat besar - dalam hal ini Anda mungkin harus bergantung pada alat yang lebih skalabel)

— Yevgeny
sumber

1

Jawaban yang sangat bagus, tapi saya pikir tautan pertama mungkin rusak.

— Dimitriy V. Masterov

@ Yevgeny, saya punya dua pertanyaan tentang saran yang Anda berikan. Pertama, seperti untuk memodelkan nilai moneter, apakah boleh melakukan regresi pendapatan menggunakan Moneter di antara variabel prediktor? Saya khawatir mereka akan menjadi variabel yang sama. Di tempat kedua, apakah Anda memiliki sumber daya daring yang dapat membantu saya memahami cara melakukan regresi linier bersyarat pada respons (menggunakan pendekatan kedua yang Anda jelaskan)? Terima kasih banyak!

— nhern121

1) Tidak apa-apa selama Anda tidak membingungkan variabel penjelas / input (dari data masa lalu) dan variabel target (dari data "masa depan") 2) Cukup pilih subset data di mana pelanggan membeli sesuatu dan regresi pendapatan pada variabel penjelas

— Yevgeny

5

Tidak yakin apakah Anda masih mengerjakan pemodelan RFM. Di sini ( pdf ) adalah artikel / sketsa untuk paket BTYD dalam R yang mungkin bermanfaat bagi Anda. Seluruh artikel didasarkan pada R dan memiliki 3 model berbeda untuk dilihat. Pada halaman 1, 2.1 Penyiapan Data, Anda dapat melihat konteks tentang RFM.

— tajam
sumber

Terima kasih Gung! Meskipun saat ini saya tidak mengerjakannya. Tetapi ini sangat membantu. Juga, mungkin bermanfaat bagi orang lain yang sedang mengerjakannya sekarang.

— Beta