Adakah yang bisa memberi tahu saya cara melakukan pemodelan recency, frekuensi & nilai moneter (RFM) & pemodelan nilai pelanggan di R?
Juga, dapatkah seseorang merujuk saya beberapa literatur tentangnya?
r
references
marketing
Beta
sumber
sumber
Jawaban:
Adapun referensi, Penambangan Data Menggunakan Analisis RFM harus membantu sejauh terminologi dan referensi lebih lanjut.
Salah satu cara paling sederhana (dan populer) untuk memodelkan probabilitas respons pelanggan adalah dengan menggunakan regresi logistik dengan RFM sebagai variabel penjelas (di antara variabel lain yang tersedia).
Untuk memodelkan nilai moneter, orang hanya bisa meregestasi pendapatan pada RFM secara langsung (dengan menggunakan model linier sederhana sebagai permulaan) yang biasanya sangat baik. Model yang lebih maju / non-linear (seperti Random Forest atau Gradient Boosting Machine) lebih baik daripada model linear dalam pengalaman saya.
Pendekatan populer lainnya adalah membangun model yang sedikit lebih kompleks untuk memprediksi nilai moneter berdasarkan dua sub-model: satu untuk probabilitas respons (misalnya menggunakan regresi logistik sebagai fungsi RFM), dan yang lainnya untuk pendapatan tergantung pada respons (sekali lagi, bisa sesederhana model linear RFM). Nilai moneter yang diharapkan adalah produk dari dua prediksi.
Jika data uji / kontrol acak tersedia, maka teknik berbasis pengangkatan / netlift cukup populer untuk memodelkan manfaat tambahan dari perawatan.
Adapun nilai siklus hidup pelanggan, lihat Memodelkan Nilai Seumur Hidup Pelanggan untuk ulasan dan referensi lebih lanjut.
Berkenaan dengan pemodelan dalam R, saya tidak mengetahui adanya paket "off-the-shelf" untuk jenis pemodelan tersebut. R memang memberikan semua blok bangunan yang diperlukan untuk itu (kecuali jika Anda memiliki jumlah data yang sangat besar - dalam hal ini Anda mungkin harus bergantung pada alat yang lebih skalabel)
sumber
Tidak yakin apakah Anda masih mengerjakan pemodelan RFM. Di sini ( pdf ) adalah artikel / sketsa untuk paket BTYD dalam R yang mungkin bermanfaat bagi Anda. Seluruh artikel didasarkan pada R dan memiliki 3 model berbeda untuk dilihat. Pada halaman 1, 2.1 Penyiapan Data, Anda dapat melihat konteks tentang RFM.
sumber