[Kaggle] 이커머스 데이터 분석 7 (CRM Analytics 🛍️🛒)

 

Customer Lifetime Value

한 고객이 당신의 브랜드에 전 생애동안 얼마를 가져다줄 것인가? 에 대한 답을 찾는 과정이다.

고객 별로, 총 구매 기간, 최초 구매일로부터 지금까지 흐른 시간, 주문 횟수, 총 주문 금액을 구해 이를 예측해 보자.

• 먼저 고객 ID를 기준으로 그룹화를 진행한다. 이때, 기간과 관련된 정보를 다루기 위해
  • InvoiceDate에 두 가지 함수를 적용한다. 이를 통해 고객별 구매 기간과 최초 구매일로부터 현재까지의 시간을 도출한다
  • InvoiceNo는 nunique로 고유한 구매 번호로 주문 횟수를 카운트한다.
  • TotalPrice 에는 Sum을 적용하여 얼마나 많은 돈을 썼는지 집계한다.
• 마지막으로 칼럼을 정리해 주는데, droplevel(0)로 그룹화되며 생성된 멀티인덱스를 정리해 준다.
• 칼럼명을 수정하면 끝!

cltv_df = df.groupby('CustomerID').agg(
        {'InvoiceDate' : [lambda x : (x.max() - x.min()).days,     #고객별 구매기간
                          lambda x : (today_date - x.min()).days], #고객별 최초 구매로부터 현재까지의 시간
        'InvoiceNo' : 'nunique',  #몇 번 주문했는지
         'TotalPrice' : 'sum'     #얼마나 많은 돈을 썼는지
        })

# 열 이름에 있는 다중 레벨 인덱스에서 최상위 레벨의 레벨을 제거
cltv_df.columns = cltv_df.columns.droplevel(0)
cltv_df.columns = ["recency", "T", "frequency", "monetary"]
cltv_df

 

 

• 총 주문금액은 건당 주문금액으로 변경한다.
• 이제 위에서 도출한 cltv_df의 기간 관련 칼럼을 7로 나누어, '주'단위로 기간을 변경한다.
• 2번 이상 구매한(재구매한) 고객만 필터링하기 위해 마지막 조건도 추가한다.

# 평균 주문 금액(구매 건당)
cltv_df['monetary'] = cltv_df['monetary'] / cltv_df['frequency']

# 구매 기간을 주 단위로 변경(weeks)
cltv_df['recency'] = cltv_df['recency'] / 7
cltv_df['T'] = cltv_df['T'] / 7

# 재구매한 고객(2번 이상 구매한 고객)만 추출
cltv_df = cltv_df[(cltv_df['frequency'] > 1)]
cltv_df

 

 

BN/NBD

• 앞에서 구한 데이터프레임을 가지고, 고객의 거래 행동을 예측할 것이다. (이 모델에 대한 상세 포스팅은 별도로 진행 예정)
• BN/NBD는 고객 거래 행동을 예측하기 위해 사용되는 확률 모델 중 하나로, 각 고객의 거래 패턴을 예측하는 데 사용된다.
• 이 모델을 사용하면 고객의 생애 동안 예상 거래 횟수를 추정하고, 고객 유치 및 이탈을 예측하는 등의 비즈니스 의사 결정을 지원할 수 있다.
• BetaGeoFitter와 lifetimes 패키지는 Python을 사용하여 이러한 모델을 구축하고 분석하는 데 도움이 되는 도구와 라이브러리이다.
  • penalizer_coef : 모델의 복잡성을 조절하는 매개변수(더 높은 값을 사용하면 모델이 더 단순해지고 과적합을 줄임)

from lifetimes import BetaGeoFitter, GammaGammaFitter
from lifetimes.plotting import plot_period_transactions
%matplotlib inline
%load_ext nb_black

BGF = BetaGeoFitter(penalizer_coef=0.001)   #과적합 방지
BGF.fit(cltv_df['frequency'], cltv_df['recency'], cltv_df['T'])

<lifetimes.BetaGeoFitter: fitted with 2845 subjects, a: 0.12, alpha: 11.40, b: 2.49, r: 2.18>

 

예측 1.  가장 많은 거래를 할 것으로 예상되는 고객(1주일 기준)

• 1 단위 시간 동안의 고객들의 예상 거래 횟수를 계산하고,
• 이를 내림차순으로 정렬하여 상위 10명의 고객에 대한 예상 거래 횟수를 표시한다.

BGF.conditional_expected_number_of_purchases_up_to_time( \
    1, cltv_df['frequency'], cltv_df['recency'], cltv_df['T']) \
    .sort_values(ascending = False).head(10).to_frame(
    "Expected Number of Transactions").reset_index()

 

 

예측 2.  가장 많은 거래를 할 것으로 예상되는 고객(1 개월 기준)

• 기준 데이터의 1단위 기간이 7일(일주일) 이었으므로, 4로 변경하면 1개월 기준 고객 당 예상 거래 횟수가 나온다

BGF.conditional_expected_number_of_purchases_up_to_time(
    4, cltv_df['frequency'], cltv_df['recency'], cltv_df['T']) \
    .sort_values(ascending = False).head(10).to_frame(
    "Expected Number of Transactions").reset_index()

 

 

예측 3.  주어진 기간 내 실제 거래 빈도와 예측된 거래 빈도를 시각화

• max_frequency=7: 이 부분은 그래프에서 표시할 최대 주기를 설정
• 여기서 7은 7일 주기로 거래를 플롯하라는 것을 의미한다.

plot_period_transactions(BGF, max_frequency=7)
plt.show()