Upgrade to Pro — share decks privately, control downloads, hide ads and more …

RFM指標と顧客特性に基づくLTV予測モデル

12k

 RFM指標と顧客特性に基づくLTV予測モデル

Dentsu Digital Tech Blog

January 06, 2020
Tweet

Transcript

  1. Copyright(C)2018 DENTSU DIGITAL. All Rights Reserved CONFIDENTIAL 4 研究のモチベーション 例えば、新規顧客獲得のために広告をだしたい、と言われたとする

    購⼊⾦額1万円 CVなし 購⼊⾦額500円 CVなし より重要な顧客 広告をみて 会員登録 広告をみても 登録しなかった CVあり CVなし クライアントにとって本当に重要なのは、 会員登録後にたくさん購入してくれる顧客
  2. Copyright(C)2018 DENTSU DIGITAL. All Rights Reserved CONFIDENTIAL 5 ライフタイムバリュー (LTV)

    を広告配信に活かす タイムラグ ボリューム 重みづけ Web CV リアルタイム 登録ユーザー全体なので それなりにある CVの有無の0/1しかない (質の評価は媒体単位の粒度) LTVスコア ユーザー⾏動から予測するので ほぼリアルタイム ユーザー⾏動からスコアを出すので ⾏動のある全ユーザーが対象 予測スコアなので ユーザーごとの重みづけが⼊る 最終的なLTV 確定までに時間がかかる 購⼊に⾄ったユーザーのみ LTVの重みづけが⼊る on off on off on off 会員登録 購入 全ログデータから モデリングした LTVスコアを算出 ★DD独自アプローチ
  3. Copyright(C)2018 DENTSU DIGITAL. All Rights Reserved CONFIDENTIAL 6 LTV予測モデルの開発 RFM指標をもとにLTVを予測する

    BTYD (Buy Till You Die) モデルが提案されている l Recency: 直近の購買からの経過日数 l Frequency: 観測期間中の購買回数 l Monetary: 1回あたりの平均購買金額 RFM指標は顧客の購買特性を集約した指標として有用であるが、 性別や年代などの顧客自体の特性を考慮していない
  4. Copyright(C)2018 DENTSU DIGITAL. All Rights Reserved CONFIDENTIAL 7 LTV予測モデルの開発 RFM指標をもとにLTVを予測する

    BTYD (Buy Till You Die) モデルが提案されている l Recency: 直近の購買からの経過日数 l Frequency: 観測期間中の購買回数 l Monetary: 1回あたりの平均購買金額 RFM指標は顧客の購買特性を集約した指標として有用であるが、 性別や年代などの顧客自体の特性を考慮していない BTYDモデルを拡張し、RFM指標に加えて顧客特性も加味した予測モデルを開発した ü 既存顧客におけるLTV予測の精度改善を実現! ü 購買情報 (RFM指標) のない新規顧客においてもLTV予測が可能に!!
  5. Copyright(C)2018 DENTSU DIGITAL. All Rights Reserved CONFIDENTIAL 11 従来⼿法: BG/NBDモデル

    : 購買回数 : 最終購買時刻 : 観測終了時刻 : 平均購買⾦額 : ガンマ分布のパラメータ(BG/NBDモデル) : ベータ分布のパラメータ(BG/NBDモデル) : ガンマ分布のパラメータ(GGモデル) n 購買回数は λ のポアソン分布に従う n λ は r, β のガンマ分布に従う n λ を積分消去する(負の⼆項分布)
  6. Copyright(C)2018 DENTSU DIGITAL. All Rights Reserved CONFIDENTIAL 12 従来⼿法: BG/NBDモデル

    n 顧客の離脱確率を ρ とする n j 回⽬の購買後に離脱する確率は幾何分布に従う n ρ は a, b のベータ分布に従う n ρ を積分消去する : 購買回数 : 最終購買時刻 : 観測終了時刻 : 平均購買⾦額 : ガンマ分布のパラメータ(BG/NBDモデル) : ベータ分布のパラメータ(BG/NBDモデル) : ガンマ分布のパラメータ(GGモデル)
  7. Copyright(C)2018 DENTSU DIGITAL. All Rights Reserved CONFIDENTIAL n 観測データ (x,

    tx, T) とする n T での顧客⽣存確率 n (T, T+t] での期待購買回数 13 従来⼿法: BG/NBDモデル : 購買回数 : 最終購買時刻 : 観測終了時刻 : 平均購買⾦額 : ガンマ分布のパラメータ(BG/NBDモデル) : ベータ分布のパラメータ(BG/NBDモデル) : ガンマ分布のパラメータ(GGモデル)
  8. Copyright(C)2018 DENTSU DIGITAL. All Rights Reserved CONFIDENTIAL n 平均購買価格は τ,

    ν のガンマ分布に従う n ν は q, ξ のガンマ分布に従う n ν を積分消去する 14 従来⼿法: Gamma-Gammaモデル : 購買回数 : 最終購買時刻 : 観測終了時刻 : 平均購買⾦額 : ガンマ分布のパラメータ(BG/NBDモデル) : ベータ分布のパラメータ(BG/NBDモデル) : ガンマ分布のパラメータ(GGモデル)
  9. Copyright(C)2018 DENTSU DIGITAL. All Rights Reserved CONFIDENTIAL n 観測データ (x,

    m) とする n 1回あたりの期待購買⾦額 15 従来⼿法: Gamma-Gammaモデル : 購買回数 : 最終購買時刻 : 観測終了時刻 : 平均購買⾦額 : ガンマ分布のパラメータ(BG/NBDモデル) : ベータ分布のパラメータ(BG/NBDモデル) : ガンマ分布のパラメータ(GGモデル) BG/NBDモデルのパラメータ r, β, a, b Gamma-Gammaモデルのパラメータ τ, q, ξ を推定する
  10. Copyright(C)2018 DENTSU DIGITAL. All Rights Reserved CONFIDENTIAL 17 提案⼿法: BTYDモデルに顧客特性を加味させる

    : 購買回数 : 最終購買時刻 : 観測終了時刻 : 平均購買⾦額 : ガンマ分布のパラメータ(BG/NBDモデル) : ベータ分布のパラメータ(BG/NBDモデル) : ガンマ分布のパラメータ(GGモデル) BG/NBDモデルとGamma-Gammaモデルに対して、 デモグラなどの顧客特性を加味させたい
  11. Copyright(C)2018 DENTSU DIGITAL. All Rights Reserved CONFIDENTIAL 18 提案⼿法: BTYDモデルに顧客特性を加味させる

    : 購買回数 : 最終購買時刻 : 観測終了時刻 : 平均購買⾦額 : ガンマ分布のパラメータ(BG/NBDモデル) : ベータ分布のパラメータ(BG/NBDモデル) : ガンマ分布のパラメータ(GGモデル) BG/NBDモデルとGamma-Gammaモデルに対して、 デモグラなどの顧客特性を加味させたい
  12. Copyright(C)2018 DENTSU DIGITAL. All Rights Reserved CONFIDENTIAL 19 提案⼿法: パラメータ推定

    : 購買回数 : 最終購買時刻 : 観測終了時刻 : 平均購買⾦額 : ガンマ分布のパラメータ(BG/NBDモデル) : ベータ分布のパラメータ(BG/NBDモデル) : ガンマ分布のパラメータ(GGモデル) 以下の最適化を解いて重みパラメータ w を推定する BG/NBDモデルの尤度: Gamma-Gammaモデルの尤度:
  13. Copyright(C)2018 DENTSU DIGITAL. All Rights Reserved CONFIDENTIAL 20 評価実験 n

    セブン&アイ・ホールディングスの通販サイトomni7の購買データを使い評価実験を行った p 2016年10月1日~2017年9月30日での購買データでモデル学習 p 2017年10月1日から1年後までのLTVを予測 n 顧客特性として性別・年代・地域を用いた n 評価尺度には下記を用いた p 平均絶対誤差(MAE) p 対数平方平均二乗誤差(RMSLE) https://www.omni7.jp/
  14. Copyright(C)2018 DENTSU DIGITAL. All Rights Reserved CONFIDENTIAL 21 評価実験: 結果

    n セブン&アイ・ホールディングスの通販サイトomni7の購買データを使い評価実験を行った hOps://www.omni7.jp/ BG/NBDモデル Gamma-Gammaモデル BG/NBDモデル Gamma-Gammaモデル 顧客特性を加味するこ とで予測精度が改善!
  15. Copyright(C)2018 DENTSU DIGITAL. All Rights Reserved CONFIDENTIAL 22 配信可能対象の拡⼤に貢献 従来法では購買情報のない顧客(≒RFM指標のない顧客)についてはLTVが予測できなかった

    提案法では顧客特性をもとにLTV予測が可能となるため、既存顧客以外にも配信が可能に! 既存顧客 新規顧客 購入なし会員 未会員サイト来訪者 既存会員 サイト来訪すれば Google AnalyTcsのログデータを使える
  16. Copyright(C)2018 DENTSU DIGITAL. All Rights Reserved CONFIDENTIAL 今後の研究テーマ p 商品カテゴリを加味したLTV予測モデル

    p 季節性を加味したLTV予測モデル ご清聴ありがとうございました。 企業展示しておりますので、お時間ある方はぜひお越しください。 23 まとめ RFM指標をもとにLTV予測するBTYDモデルを拡張し、顧客特性も加味した予測モデルを開発した ü 既存顧客におけるLTV予測の精度改善を実現! ü 購買情報 (RFM指標) のない新規顧客においてもLTV予測が可能に!!