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 (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!!
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)
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/
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!!