如何预测（计算）用户价值—BG/NBD模型

最新推荐文章于 2026-02-19 03:53:57 发布
原创 最新推荐文章于 2026-02-19 03:53:57 发布 · 3.8k 阅读 · 9
标签
#数据挖掘 #算法
本文介绍了BG/NBD模型用于预测用户价值，详细阐述了模型的基础概念，包括交易次数、期望值和概率。模型假设交易量服从泊松分布，不活跃概率遵循beta分布，并依赖于参数估计来确定四个关键参数。使用lifetimes库实现最大似然函数求解。然而，该模型不适用于具有周期性行为的用户，可能导致预测偏差。

BG/NBD模型介绍：

设时间段T中的交易次数x，T的第一个交易的时间t0为起点，最后交易的时间为tx，

在时长为t的时间内的交易数的(总)期望值E[X(t)]

在时长为t的时间内，交易数量为x的(总)概率P[X(t)=x ]

在时长为(T, T+ t]的时间中,一位顾客(x = x, t, T)的交易数的期待值E(\Upsilon(t) | X=x, t, T)

假设：

一个活跃顾客在长度为t的一段时间内的交易量服从交易率λ的泊松分布。P(t_j | t_{j-1}, \lambda) = \lambda e^{t_j - t_{j-1}}, t_{j} > t_{j-1} \geq 0

顾客中交易率λ的非均匀性和服从形状参数r，比例参数α的gamma分布。P(\lambda | r, \alpha) = \frac{\alpha^{r} \lambda^{r-1} e^{-\lambda\alpha}}{\Gamma(r)}, \lambda>0

每次交易后客户变得不活跃的概率为 p，客户退出点服从二项式分布。P(inactive immediately after j-th transaction) = p(1-p)^{j-1}, j=1, 2, ...

不活跃概率p的非均匀性的概率密度函数服从 beta 分布。f(p|a, b) = \frac{p^{a-1} (1-p)^{b-1}}{B(a, b)}, 0 \leq p \leq 1          B(a, b) = \frac{\Gamma(a)\Gamma(b)}{\Gamma(a+b)}

不活跃概率p与交易率λ相互独立。

当x=0时，

最低0.47元/天 解锁文章
使用BG/NBD模型与Gamma-Gamma模型预测客户的生命周期价值CLV/LTV
maiyida123的博客
08-22 6053
利用Python lifetimes库中的BG/NBD模型预测客户的在指定时间内的交易次数，Gamma-Gamma模型预测在指定时间内的消费金额。
python xgb模型 预测_数据运营36计(六)：BG/NBD概率模型预测用户生命周期LTV，Python实现...
weixin_34754795的博客
12-21 1064
1. BG/NBD概率模型BG/NBD模型又称为贝塔几何/负二项模型。他是基于Pareto/NBD模型假设设计的概率预测模型。BG/NBD模型是用于描述非契约客户关系情境下重复购买行为。即用户可以随时购买产品，无时间约束。该模型可利用用户历史交易数据(RFM)来预测未来每个用户的交易次数和流失率，BG/NBD模型主要有以下五个假设：假设1：用户在活跃状态下，一个用户在时间段t内完成的交易...
用户存续期价值评估CLV(二) BG/NBD Model python模拟
weixin_43171270的博客
05-07 3211
BG/NBD Model …继续 想象每一个客户有两个硬币，一个“Buy Coin"控制客户购买的概率；一个"Die Coin"控制客户流失、不再购买的概率。 前面假设了客户的交易次数服从泊松过程： 在一年中的每个月，客户都以抛硬币的方式来决定是否购买。我们所观察到的购买次数取决与泊松分布的参数 ????。 %matplotlib inline import numpy as np impor...
模型推导：BG/NBD(预测用户生命周期(CLV)模型)
thorn_r的博客
05-12 1542
CLV（Customer Lifetime Value）指的是客户生命周期价值，用以衡量客户在一段时间内对企业有多大的价值。企业对每个用户的流失与否、在未来时间是否会再次购买，还会再购买多少次才会流失等问题感兴趣，本文所推导的BG/NBD模型就是用来解决这样一系列问题的。
用户增长 - BG/NBD概率模型预测用户生命周期LTV（二）
素质云笔记
04-22 7969
文章目录1 BG / NBD概率模型介绍 1 BG / NBD概率模型介绍 数据运营36计(六)：BG/NBD概率模型预测用户生命周期LTV，Python实现 BG/NBD模型又称为贝塔几何/负二项模型。 他是基于Pareto/NBD模型假设设计的概率预测模型。 BG/NBD模型是用于描述非契约客户关系情境下重复购买行为。 即用户可以随时购买产品，无时间约束。 该模型可利用用户历史交易数据(RFM)来预测未来每个用户的交易次数和流失率 该模型的几个假设前提： （1）【交易假设】用户在活跃状态下，一个用户在
基于BG/NBD概率模型的用户CLV预测
微信知乎搜索HsuHeinrich
06-12 1万+
基于BG/NBD概率模型的用户CLV预测
Lifetimes实战案例：用Python预测用户流失率并提升客户留存
最新发布
gitblog_01036的博客
02-19 721
在当今竞争激烈的市场环境中，企业越来越重视客户留存率的提升。通过预测用户流失率并采取针对性措施，可以显著提高客户终身价值（CLV）。Lifetimes是一个强大的Python库，专注于客户生命周期价值分析，能够帮助企业精准预测用户流失风险，制定有效的客户留存策略。本文将通过实战案例，详细介绍如何使用Lifetimes库进行用户流失率预测和客户留存提升。 ## 一、Lifetimes库简介 Li
Python数据分析之共享单车及建模探索(CLV建模、可视化)
weixin_46205203的博客
06-05 1833
Python共享单车数据分析及建模探索(CLV建模、可视化) 开发环境 4.3【开发平台及环境】 Windons 10 教育版 Python 3.7 IntelliJ IDEA 2018.2.1 / PyCharm Googe Chrome 数据清洗 分析模块pandas，numpy 可视化模块matplotlib 上期原创： Python数据分析之智联招聘职位分析完整项目（数据爬取,数据分析,数据可视化） 链接: https://blog.csdn.net/weixin_46205203/article/
python summary_「Python 计算」用户生命周期价值（CLV）--用户分层、释放潜力
weixin_39710594的博客
11-20 1234
在用户关系管理中，常会遇到些直击灵魂的问题：这批用户到底价值几何？为什么要用这种措施去干预用户，而不是另一种方式。为什么干预这类用户，而不去干预另一类，他们的划分标准是什么。有这些问题，实质是因为对客户价值不够了解，缺乏行之有效的划分方式。用户精细化运营价值巨大随着人口红利的消失，增长逐渐见顶，急需在现有用户池做学问。过去粗放式的买量策略已经不再生效，一是买量成本逐渐高企，二是买量带来的用户忠诚度...
游戏用户生命周期价值预测模型综述
游戏数据科学
06-08 5201
从预测模型综述可以清晰看到游戏用户生命周期价值预测的模型演化历程，从非机器学习的传统模型，到机器学习模型和深度学习模型，再到最新最热门的Transformer模型，模型能处理的数据种类越来越多，能处理的数据量也越来越大，有很明显的由小到大，向大模型转变的趋势。最新的MDLUR模型能处理用户信息数据、用户行为序列数据和用户时间序列数据等各种数据，进而得到业内最好SOTA的技术指标，并能支持游戏行业中常见的用户生命周期价值预测和用户留存流失预测等各种预测任务。
数据分析知识体系模型
kyle1314608的博客
03-15 3905
一 数据分析定义 数据分析是指有针对性的收集、加工、整理数据，并采用统计、挖掘技术分析和解释数据。数据分析是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。 1 数据定义 数据是客观事实,对于客观事物发生，发展的数字化记录。随着科学技术的发展，数据的概念内涵越来越广泛包括数值，文本，声音，图像，视频。 数据可以分为定性数据和定量数据。 定性数据是用来描述事物的属性，名称等，它一种标志，没有序次关系。例如，“性别”，“男”编码为1，“女”编码为2。 定量数据描述量化属性，或用于编码。如交
机器学习之案例：客户价值预测模型
学习中
12-08 1652
机器学习之案例：客户价值预测模型
python 计算订单_十分钟定位用户价值 - Python RFM数据挖掘
weixin_39863371的博客
11-24 223
前言Python由于丰富而强大的类库，广泛应用与互联网各技术领域，其中以数据挖掘和分析最为常见，本文通过Python实现RFM用户价值分析模型，带大家一起感受数据挖掘与分析的乐趣~RFM：消费（Recency）、消费频率（Frequency）、与消费金额（Monetary），我们将商业活动核心三要素，用一定的权重计算，即可为各用户建立价值标签。通过用户价值标签，我们就可以采用不同营销策略，做精准营...
数据驱动！精细化运营！用机器学习做客户生命周期与价值预估！
ShowMeAI研究中心
09-16 1万+
如何预测客户价值，计算特定时间段内能带来的价值，是互联网公司在面临海量用户时急需解决的运营命题。本文就来讲解『机器学习+RFM模型』的精细化运营解决方案。
万字长文介绍用户生命周期价值预测模型MDLUR
游戏数据科学
06-10 3270
目前业界对于用户生命周期价值预测最新并且最成功的模型是2023年8月Junwoo Yun等人发表的《Multi Datasource LTV User Representation （MDLUR）》。根据论文的表述，该模型正是采用了最新的Transformer模型架构，并达到了行业内SOTA的水平。SOTA，全称State-Of-The-Art，用于描述机器学习中取得某个任务上当前最优效果的模型。特此将MDLUR论文全文翻译，总共11650字，以供大家参考和学习。
芒果用户未来价值预估 baseline学习
yuetan的博客
05-10 814
3.一个用户未来7天一共观看了1000秒，代表这个用户7日观看视频时长为1000。1.一个用户的7日留存分等于3，代表这个用户未来的7天里，有3天会访问芒果TV。2.一个用户未来7天观看了20次视频，代表这个用户7日观看视频次数为20。过去一段时间的活跃天数，观看视频数量，观看时长的统计特征。我们从三个层面定义用户未来价值。用户观看行为序列数据。
Linux Mysql配置教程（附图）
qq_39631634的博客
09-11 501
一、安装环境 1.Linux系统：CentOS8 2.Mysql版本：5.7 3.三方工具：Xshell6，Xftp6 二、具体环境与这篇文章保持一致 Linux JDK配置 三、上传压缩包到temp目录 四、解压文件并把文件复制到其他目录下 tar -zvxf mysql-5.7.27-linux-glibc2.12-x86_64.tar.gz //解压文件 cp -r mysql-5.7.27-linux-glibc2.12-x86_64 /usr/local/mysql //拷贝 五、.
关系模型的基本概念
热门推荐
BGnv5
05-03 3万+
一、关系模型的三要素： 关系数据结构：关系模型中只包含单一的数据结构----关系，在用户看来关系模型中数据的逻辑结构是一张扁平的二维表 关系操作（操作对象和结果都是集合）： 查询：选择、投影、连接、并、差、交、笛卡尔积 更新（插入、删除、修改） 关系的完整性约束： 实体完整性：主属性不能为空，主码不相等 参照完整...
用户增长——CLV用户生命周期价值CLTV 笔记（一）
素质云笔记
05-10 1万+
文章目录1 概念介绍1.1 概念介绍1.2 关联指标1.3 计算方式1.4 LTV的价值1.5 应用场景1.5.1 宏观方面的几个场景：1.5.2 一个细分的金融场景：1.5.3 预估成本回收期1.5.4 判定渠道质量1.5.5 支持产品运营1.5.6 UE计算2 不同LTV计算方式2.1 几种常见的计算方式2.1.1 LT*活跃ARPU2.1.2 依据交易预测2.1.3 历史LTV拟合预测2.2 常规LT*ARPUDAU的延申：广告收入类型产品计算2.3 APP类LTV运营流程3 关联问题3.1 多长时间
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值