Biri bana R'de yenilik, frekans ve parasal değer (RFM) modellemesi ve müşteri değeri modellemesi yapmayı söyleyebilir mi?
Ayrıca, birisi bana bazı literatürü önerebilir mi?
Yanıtlar:
Referanslara gelince, RFM Analizini Kullanan Veri Madenciliği terminolojiye ve diğer referanslara kadar yardımcı olmalıdır.
Müşteri yanıtının olasılığını modellemenin en basit (ve popüler) yollarından biri, RFM ile lojistik regresyonu açıklayıcı değişkenler olarak kullanmaktır (diğer değişkenler arasında).
Parasal değeri modellemek için, genellikle doğrudan şaşırtıcı derecede iyi olan doğrudan RFM'den (yeni başlayanlar için basit bir doğrusal model kullanarak) gelir geri çekilebilir. Daha gelişmiş / doğrusal olmayan modeller (Random Forest veya Gradient Boosting Machine gibi) tecrübelerime göre doğrusal modellerden daha iyi sonuç verir.
Bir başka popüler yaklaşım, iki alt modele dayanan parasal değeri tahmin etmek için biraz daha karmaşık bir model oluşturmaktır: biri yanıt olasılığı için (örneğin, RFM'nin bir fonksiyonu olarak lojistik regresyonu kullanma), diğeri ise yanıt üzerine koşullu gelir için (tekrar, RFM'nin doğrusal bir modeli kadar basit olabilir). Beklenen parasal değer, iki tahminin ürünüdür.
Rastgele test / kontrol verileri mevcutsa , bir tedavinin artan faydasını modellemek için yükseltme / netlift tabanlı teknikler oldukça popülerdir.
Müşteri yaşam döngüsü değerine gelince, inceleme ve diğer referanslar için Müşteri Yaşam Boyu Değerini Modelleme konusuna bakın .
R'deki modelleme ile ilgili olarak, bu modelleme için herhangi bir "hazır" paketin farkında değilim. R, bunun için gerekli tüm yapı taşlarını sağlar (çok fazla veriye sahip değilseniz - bu durumda daha ölçeklenebilir araçlara güvenmeniz gerekebilir)
Hala RFM modellemesi üzerinde çalışıp çalışmadığınızdan emin değilim. Burada ( pdf ), R'deki BTYD paketi için size yardımcı olabilecek bir makale / skeçtir. Makalenin tamamı R'ye dayanıyor ve bakmak için 3 farklı modeli var. Sayfa 1, 2.1 Veri Hazırlama'da RFM'ler ile ilgili içeriği görebilirsiniz.