[BG/NBD] 고객 거래 행동 예측 모델

 

BetaGeoFitter란?

고객 이탈 예측 및 구매 확률 모델링에 사용되는 통계 모델 중 하나로, 고객 이탈 및 구매 확률을 예측하기 위해 사용된다.

이 모델은 기존 고객 데이터를 기반으로 작동하며, 특히 구매 횟수와 재구매 간격을 고려한다.

BetaGeoFitter 모델을 구현하려면 Python의 lifetimes 라이브러리를 사용할 수 있다.

아래는 BetaGeoFitter 모델의 사용 예시이다.

---

라이브러리 import 

lifetimes 라이브러리를 설치하고 가져온다.

!pip install lifetimes
import pandas as pd
from lifetimes import BetaGeoFitter
from lifetimes.datasets import load_cdnow_summary

예제 데이터를 불러오기

lifetimes 라이브러리에는 예제 데이터셋이 포함되어 있다.

이 데이터는 고객 ID, 구매 날짜, 구매 금액 등을 포함하고 있다.

data = load_cdnow_summary(index_col=[0])
print(data.head())

BetaGeoFitter 모델을 초기화하고 학습

• 모델을 학습하기 위해서는 3가지 지표가 필요하다. 모델을 학습하면 고객 이탈 및 재구매 확률을 예측할 수 있다.
• `frequency`: 고객의 구매 빈도 (총 구매 횟수)
• `recency`: 고객의 최근 구매까지 경과한 시간
• `T`: 데이터 포인트의 수명 (고객의 처음 구매부터 가장 최근 구매까지의 시간)

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

 

 고객 구매 횟수 예측(1단위 시간 기준)

• 각 고객에 대해 미래 1 단위의 시간 동안 조건부 예상 구매 횟수를 계산 =>> 주어진 시간동안 얼마나 자주 구매할까?
• 이를 통해 예상 이탈률도 확인할 수 있다.

predicted_churn = bgf.conditional_expected_number_of_purchases_up_to_time(1, data['frequency'], data['recency'], data['T'])
print(predicted_churn.head())

 고객 재구매 확률 예측(1단위 시간 기준)

• 주어진 시간 동안 재구매를 할 확률이 어떻게 될까?
• 역시, 고객이탈률을 예측할 수 있다. 

# 예측 재구매 확률
t = 1 # 예측을 하고자 하는 시간 단위
predicted_repurchase = bgf.predict(t, data['frequency'], data['recency'], data['T'])

 

시각화

• `plot_period_transactions` 함수는 Lifetimes 라이브러리의 일부인 함수로서, 
•  주어진 모델의 구매 및 이탈 패턴을 표시하기 위해 시각화를 생성한다.
• 이를 통해 고객의 구매 주기, 재구매 확률 및 이탈 확률과 같은 정보를 시각적으로 이해할 수 있다.
• 고객 이탈 및 재구매 예측 모델을 시각화하는 데 사용된다. 주요 매개변수는 다음과 같다.

1. `model`: Lifetimes 라이브러리에서 사용된 모델 객체를 전달한다. 주로 BGF (Beta-Geometric/Beta-Negative Binomial) 모델을 사용하는 경우가 많다.

2. `max_frequency`: 이 매개변수는 고객 구매 빈도의 최대 값으로 설정된다.
- 예를 들어, `max_frequency=7`로 설정하면 7번 이하의 구매 빈도를 가진 고객만을 대상으로 시각화가 생성된다.
- 이렇게 함으로써 고객 중심의 분석을 특정 빈도 범위로 제한할 수 있다.

3. `title`: 그래프의 제목을 설정

4. `xlabel`: x 축 레이블을 설정

5. `ylabel`: y 축 레이블을 설정

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

 

 

▶︎ x축

- 구매 주기(고객이 두번째 구매를 할 때까지 걸리는 평균 시간) 또는 구매 빈도(특정 빈도 범위 내에서의 고객 수)로, 고객들이 얼마나 자주 구매하는지 보여준다.

- x 축은 max_frequenct 이하의 정수값을 가진다

- 예를 들어, x축이 1이면 고객이 평균 1번의 구매 주기를 가지고 있는 것이다. 

 

 

▶︎ y축

- 재구매 확률 또는 이탈 확률

- 재구매 확률 : 주어진 구매 주기 또는 빈도 범위에 해당하는 고객이 다시 구매를 할 확률로,  더 높은 y 값은 더 높은 재구매 확률을 나타낸다.

---

👉 이처럼 해당 모델을 사용하여 고객 이탈 예측 및 마케팅 전략을 개발할 수 있다.

     당연히 필요할 경우 전처리 등을 추가로 수행하면 좋다.