Question

我正在研究BTYD R软件包，问题是客户在校准结束时存活的概率非常高。即使在校准周期中仅有一次交易的观察也具有0.9999左右的概率。我知道参数＆＃34; s＆＃34; （由包估计）用于此计算。我的伽马非常低（几乎为0）。当我尝试手动更改它以获得更高的值时，概率会下降。知道如何处理这个问题吗？我在下面附上我的代码。

   elog <- dc.MergeTransactionsOnSameDate(elog)
    end.of.cal.period <- min(elog$date)+as.numeric((max(elog$date)-min(elog$date))/2)

data <- dc.ElogToCbsCbt(elog, per="week", 
                        T.cal=end.of.cal.period,
                        merge.same.date=TRUE, 
                        statistic = "freq") 

cal2.cbs <- as.matrix(data[[1]][[1]])

## prameters estimation
params2 <- pnbd.EstimateParameters(cal2.cbs)

## log likehood
(LL <- pnbd.cbs.LL(params2, cal2.cbs))

p.matrix <- c(params2, LL)
for (i in 1:20) {
  params2 <- pnbd.EstimateParameters(cal2.cbs, params2)
  LL <- pnbd.cbs.LL(params2, cal2.cbs)
  p.matrix.row <- c(params2, LL)
  p.matrix <- rbind(p.matrix, p.matrix.row)
}

(params2 <- p.matrix[dim(p.matrix)[1],1:4])

# set up parameter names for a more descriptive result
param.names <- c("r", "alpha", "s", "beta")

LL <- pnbd.cbs.LL(params2, cal2.cbs)

# PROBABILITY A CUSTOMER IS ALIVE AT END OF CALIBRATION / TRAINING
x <- cal2.cbs["123", "x"]         # x is frequency
t.x <- cal2.cbs["123", "t.x"]     # t.x is recency, ie time of last transactions
T.cal <- 26 # week of end of cal, i.e. present
pnbd.PAlive(params2, x, t.x, T.cal)

Answer 1

没有＆＃34; gamma＆＃34;正在估计的参数 - ＆＃34; s＆＃34;和＆＃34; beta＆＃34;定义辍学率异质性的伽玛分布。我建议您编辑帖子以包含参数以及

的输出

pnbd.PlotDropoutRateHeterogeneity(params2)

如果没有查看参数估计值或了解数据的上下文，则至少有两种（非互斥）可能性。

首先，您可能具有非常低（例如，零）的辍学率。如果是这样，您仍然可以使用简单的NBD交易率模型，并假设零辍学率。

其次，你可能会看到＆＃34;增加频率悖论＆＃34;。从Peter Fader / Bruce Hardie papers之一的第17-19页开始：

对于低频客户，新近度与[预期交易]之间存在几乎线性的关系。但是，这种关系变得很高非线性的高频客户。换句话说，对于客户谁曾经做过相对大量的交易，新近度在决定[价值]方面比在一个方面起着更大的作用不常见的过去购买者。

根据作者的说法，像你这样的客户描述很少（甚至只是一个）交易很有可能被“活着”＃34;对新近度的依赖程度较低。这是因为根据定义，低频率客户可能会有很长的差距。购买之间。因此，即使他们没有交易一段时间，我们也应该为较低频率的客户分配较少的风险。将此与高频客户进行比较 - 我们在没有看到交易的情况下走得越久，我们就越快得出结论：客户已经死了＃34;因为我们知道他们通常会做很多交易。

BTYD R活着的概率非常高

1 个答案: