От “просто купил” до “будет покупать всегда”:как BG/NBD и Gamma‑Gamma превращают историю транзакций в точный прогноз LTV

Active Customer Rate (доля активных клиентов) — это показатель доли клиентов, совершивших целевое действие (покупка, вход в систему, использование сервиса) за заданный период относительно общей клиентской базы. Метрика используется для оценки текущей «живости» базы и уровня вовлечённости. В зависимости от бизнес-модели критерий активности может различаться, что требует строгого определения события активности. Высокая доля активных клиентов свидетельствует о регулярном потреблении и устойчивом спросе, тогда как снижение показателя может указывать на рост латентного оттока.

CLV Prediction (прогнозирование LTV) — это методологический подход к оценке ожидаемой пожизненной ценности клиента на основе исторических данных и поведенческих паттернов. В отличие от ретроспективного LTV, который рассчитывается на основе фактических данных, CLV Prediction использует статистические и машинные модели

CLV Prediction опирается на ряд статистических и машинных моделей, каждая из которых решает специфические задачи в рамках прогнозирования пожизненной ценности клиента.

Модель BG/NBD (Beta Geometric/Negative Binomial Distribution) — одна из наиболее популярных для прогнозирования частоты будущих покупок. Она учитывает два ключевых процесса: активность клиента (будет ли он совершать покупки в будущем) и частоту транзакций, если клиент остаётся активным. Модель предполагает, что вероятность ухода клиента (churn) меняется со временем и описывается геометрическим распределением, а частота покупок активных клиентов подчиняется отрицательному биномиальному распределению. Это позволяет прогнозировать, сколько покупок совершит клиент в заданный период, даже если у него были длительные периоды бездействия.

Дополняет BG/NBD модель Gamma‑Gamma, которая фокусируется на монетизации — то есть на прогнозировании средней стоимости транзакции. BG/NBD предсказывает количество будущих покупок, а Gamma‑Gamma оценивает сумму этих покупок. Модель исходит из предположения, что средняя стоимость транзакции для конкретного клиента колеблется вокруг некоторого индивидуального уровня, а эти индивидуальные уровни в популяции клиентов распределены по гамма‑распределению. Совместное использование BG/NBD и Gamma‑Gamma даёт комплексную оценку будущего денежного потока от клиента: сколько раз он купит и сколько в среднем будет тратить за покупку.

Методы survival analysis (анализа выживаемости) адаптированы для прогнозирования оттока клиентов (churn prediction). В этом контексте «выживание» означает продолжение взаимодействия клиента с компанией. Модели, такие как Cox Proportional Hazards или параметрические модели выживаемости (например, с распределением Вейбулла), оценивают вероятность того, что клиент останется активным в течение определённого периода. Они учитывают как время до события (оттока), так и влияние различных факторов — например, частоты покупок, давности последней транзакции, демографических характеристик или активности в приложении. Это позволяет не только предсказать, уйдёт ли клиент, но и оценить, когда это наиболее вероятно произойдёт.

Dormant Customer Rate (доля неактивных клиентов) — это показатель доли клиентов, не проявлявших активности в течение заданного периода времени. Метрика является комплементарной к Active Customer Rate и отражает накопленный «спящий» сегмент клиентской базы. Рост доли неактивных клиентов сигнализирует о потенциальном будущем оттоке и снижении эффективности ранее осуществлённых инвестиций в привлечение. Анализ Dormant-сегмента используется для настройки реактивационных кампаний, сегментации базы и оптимизации CRM-стратегий.