Lifetimes库快速入门：客户生命周期价值分析实战指南

Lifetimes库快速入门：客户生命周期价值分析实战指南

【免费下载链接】lifetimes Lifetime value in Python 项目地址: https://gitcode.com/gh_mirrors/li/lifetimes

引言

在商业分析领域，理解客户行为模式对于制定有效的营销策略至关重要。Lifetimes库是一个专门用于分析客户购买行为和评估客户价值的Python工具包，它基于概率模型来分析客户的购买行为。本文将带您快速掌握使用Lifetimes库进行客户行为分析的核心方法。

数据准备与理解

数据格式要求

Lifetimes库要求输入数据采用特定的格式，主要包含以下几个关键字段：

1. frequency：客户重复购买次数（总购买次数减1）
2. recency：客户最近一次购买的时间点（相对于首次购买）
3. T：客户观察期总长度（从首次购买到分析截止日）
4. monetary_value：客户平均交易价值（可选）

from lifetimes.datasets import load_cdnow_summary
data = load_cdnow_summary(index_col=[0])
print(data.head())

数据转换

实际业务数据通常是交易级别的，Lifetimes提供了便捷的转换函数：

from lifetimes.utils import summary_data_from_transaction_data

summary = summary_data_from_transaction_data(
    transaction_data, 
    customer_id_col='id', 
    datetime_col='date', 
    observation_period_end='2014-12-31'
)

BG/NBD模型应用

模型拟合

BG/NBD(Beta-Geometric/Negative Binomial Distribution)模型是分析客户购买行为的经典模型：

from lifetimes import BetaGeoFitter

bgf = BetaGeoFitter(penalizer_coef=0.0)
bgf.fit(data['frequency'], data['recency'], data['T'])

模型参数解释

模型拟合后会输出几个关键参数：

• r和alpha：描述购买行为的参数
• a和b：描述客户流失率的参数

这些参数可以帮助我们理解客户群体的整体行为特征。

可视化分析

1. 频率-最近购买矩阵：展示客户未来购买预期
2. 存活概率矩阵：展示客户仍然活跃的概率

from lifetimes.plotting import plot_frequency_recency_matrix
plot_frequency_recency_matrix(bgf)

客户排名

根据预测的未来购买次数对客户进行排序：

data['predicted_purchases'] = bgf.conditional_expected_number_of_purchases_up_to_time(
    t=1, 
    frequency=data['frequency'], 
    recency=data['recency'], 
    T=data['T']
)

模型验证

校准与验证集

将数据分为校准期和验证期，评估模型在未见数据上的表现：

from lifetimes.utils import calibration_and_holdout_data

summary_cal_holdout = calibration_and_holdout_data(
    transaction_data, 
    'id', 
    'date',
    calibration_period_end='2014-09-01',
    observation_period_end='2014-12-31'
)

Gamma-Gamma模型：客户价值分析

数据准备

分析客户价值需要包含交易金额的数据：

from lifetimes.datasets import load_cdnow_summary_data_with_monetary_value
summary_with_money_value = load_cdnow_summary_data_with_monetary_value()

独立性检验

Gamma-Gamma模型假设购买频率和交易金额独立，需要先验证：

correlation = returning_customers_summary[['monetary_value', 'frequency']].corr()

模型拟合与预测

from lifetimes import GammaGammaFitter

ggf = GammaGammaFitter(penalizer_coef=0)
ggf.fit(
    returning_customers_summary['frequency'],
    returning_customers_summary['monetary_value']
)

客户终身价值计算

结合BG/NBD和Gamma-Gamma模型计算CLV：

clv = ggf.customer_lifetime_value(
    bgf,
    summary_with_money_value['frequency'],
    summary_with_money_value['recency'],
    summary_with_money_value['T'],
    summary_with_money_value['monetary_value'],
    time=12,  # 评估未来12个月
    discount_factor=0.01  # 月折现率
)

结语

通过Lifetimes库，我们可以系统性地分析客户购买行为并评估其未来价值。本文介绍了从数据准备、模型构建到价值评估的完整流程。实际应用中，建议根据业务特点调整模型参数，并持续监控模型表现，以获得更准确的分析结果。

【免费下载链接】lifetimes Lifetime value in Python 项目地址: https://gitcode.com/gh_mirrors/li/lifetimes