lifetimes 패키지

1. lifetimes 패키지

lifetimes는 파이썬 오픈소스 라이브러리로, 고객 생애 가치(CLTV)와 고객 로열티 관련 데이터를 분석하고 모델링할 때 사용된다. 이 패키지를 통해 CRM 관련 기법과 지표를 쉽게 구할 수 있다.

1.1 BG/NBD 모델

BG/NBD(Beta Geometric Negative Binomial Distribution) 모델은 고객의 기대 구매 횟수를 예측하는 확률 모델로, 고객 이탈과 재구매 패턴을 모델링하는 데 사용된다. 이 모델은 CLTV나 이탈률(Bounce Rate)을 예측하는 데 유용하며, 고객이 특정 제품이나 브랜드와 얼마나 자주 구매하고 오랫동안 관계를 유지할지를 예측하는 데 도움을 준다.

1.2 Gamma-Gamma 모델

Gamma-Gamma 모델은 고객의 기대 구매 금액을 예측하는 모델로, 미래 고객이 얼마나 많은 금액을 구매할지 예측하는 데 도움을 준다. BG/NBD 모델과 함께 사용하면, 고객의 구매 빈도와 금액을 모두 예측할 수 있어 더욱 정밀한 CLTV 계산이 가능하다.

2. BG/NBD와 Gamma-Gamma 모델 사용

!pip install lifetimes

from lifetimes import BetaGeoFitter
from lifetimes import GammaGammaFitter

2.1 BG/NBD 모델

# 미래 예상 구매 횟수 예측: BG/NBD
bgf = BetaGeoFitter(penalizer_coef=0.001)
bgf.fit(df_cltv['Frequency'], df_cltv['Recency'], df_cltv['T'])

# T 시점까지 몇 개를 구매할까? - week
# conditional_expected_number_of_purchases_up_to_time: t 시점까지의 예상 구매 일수 계산
bgf.conditional_expected_number_of_purchases_up_to_time(1,  # week
                                                        flo_cltv2['Frequency'],
                                                        flo_cltv2['Recency'],
                                                        flo_cltv2['T']).sort_values(ascending=False).head(10)

# 결과값:
# 6812     0.102145
# 19705    0.095650
# 1215     0.095152
# 12605    0.094876
# 16921    0.092634
# 11430    0.092491
# 6929     0.091434
# 644      0.090680
# 2217     0.090374
# 3564     0.088965
# dtype: float64

# T 시점까지 몇 개를 구할까? - month
bgf.conditional_expected_number_of_purchases_up_to_time(4,  # 4 weeks = 1 month
                                                        df_cltv['Frequency'],
                                                        df_cltv['Recency'],
                                                        df_cltv['T']).sort_values(ascending=False).head(10)

2.2 Gamma-Gamma 모델

# Gamma-Gamma 모델
ggf = GammaGammaFitter(penalizer_coef=0.01)
ggf.fit(df_cltv['Frequency'], df_cltv['Monetary'])

# conditional_expected_average_profit: 예상 평균 구매 금액 계산
ggf.conditional_expected_average_profit(
    df_cltv['Frequency'],
    df_cltv['Monetary']).sort_values(ascending=False).head(10)

# 향후 3개월의 고객 생애 가치 예측
df_cltv['cltv_pred_3_months'] = ggf.customer_lifetime_value(bgf,
                                    df_cltv['Frequency'],
                                    df_cltv['Recency'],
                                    df_cltv['T'],
                                    df_cltv['Monetary'],
                                    time=3, # month
                                    freq='W',   # week
                                    discount_rate=0.01)
df_cltv.head()