M2. 客户生命周期价值 (CLV) 决策¶

案例来源: PyMC-Marketing
决策类型: 客户获取/保留预算决策
方法论: BG-NBD + Gamma-Gamma 概率模型
预计阅读时间: 14 分钟

1. 决策背景¶

业务场景¶

某电商平台 500 万用户，面临 CLV 管理挑战： - 获客成本：¥200/人 (逐年上升) - 用户流失：月均 5% - 营销预算：¥100M/年 - 预算分配：获取 70% vs 保留 30% (凭经验)

决策目标¶

准确预测 CLV (误差<20%)
识别高价值用户
优化获取 vs 保留预算
提升营销 ROI

2. 方法论：概率 CLV 模型¶

BG-NBD 模型 (购买频率)¶

假设:
- 用户在"活跃"和"流失"状态间转换
- 购买遵循泊松过程
- 流失概率随时间增加

输出:
- P(用户仍活跃)
- 预期未来购买次数

Gamma-Gamma 模型 (客单价)¶

假设:
- 客单价随时间稳定
- 个体间客单价存在差异

输出:
- 预期客单价
- 个体客单价收缩估计

CLV 计算公式¶

CLV = (预期购买次数) × (预期客单价) × (利润率)

3. 模型实现¶

数据准备¶

import pandas as pd

# RFM 数据
data = pd.read_csv('transactions.csv')

# 构建 RFM 矩阵
rfm = data.groupby('customer_id').agg({
    'date': ['min', 'max'],
    'amount': ['count', 'mean']
})

# 计算
today = data['date'].max()
rfm.columns = ['recency', 'frequency', 'monetary_value', 'avg_amount']
rfm['recency'] = (today - rfm['recency']).dt.days
rfm['frequency'] = rfm['frequency'] - 1  # 减去首次购买

BG-NBD 拟合¶

from pymc_marketing import clv

# 模型拟合
bg_nbd = clv.BetaGeoFitter()
bg_nbd.fit(
    frequency=rfm['frequency'],
    recency=rfm['recency'],
    T=365  # 观察期 365 天
)

# 预测未来购买
rfm['expected_purchases'] = bg_nbd.expected_purchases(
    t=180,  # 未来 180 天
    frequency=rfm['frequency'],
    recency=rfm['recency'],
    T=365
)

# 存活概率
rfm['alive_probability'] = bg_nbd.conditional_probability_alive(
    frequency=rfm['frequency'],
    recency=rfm['recency'],
    T=365
)

Gamma-Gamma 拟合¶

from pymc_marketing import clv

# 客单价模型
gg = clv.GammaGammaFitter()
gg.fit(
    frequency=rfm['frequency'],
    monetary_value=rfm['avg_amount']
)

# 预测客单价
rfm['expected_avg_amount'] = gg.conditional_expected_average_profit(
    frequency=rfm['frequency'],
    monetary_value=rfm['avg_amount']
)

CLV 计算¶

# 180 天 CLV
profit_margin = 0.3  # 30% 利润率

rfm['clv_180d'] = (
    rfm['expected_purchases'] * 
    rfm['expected_avg_amount'] * 
    profit_margin
)

# 分群
rfm['clv_segment'] = pd.qcut(
    rfm['clv_180d'],
    q=4,
    labels=['Low', 'Medium', 'High', 'Premium']
)

4. 决策实施¶

客户分群策略¶

细分	占比	CLV 范围	策略	预算/人
Premium	10%	>¥5000	专属客服 + 优先体验	¥500
High	20%	¥2000-5000	个性化推荐 + 优惠券	¥200
Medium	40%	¥500-2000	常规营销	¥50
Low	30%	<¥500	自动化营销	¥10

预算优化¶

# 基于 CLV 的预算分配
total_budget = 100_000_000  # ¥1 亿

budget_allocation = {
    'acquisition': total_budget * 0.5,  # 从 70% 降至 50%
    'retention_premium': total_budget * 0.2,
    'retention_high': total_budget * 0.2,
    'retention_medium': total_budget * 0.08,
    'retention_low': total_budget * 0.02
}

# 预期回报
expected_return = {
    segment: count * clv * response_rate
    for segment, (count, clv, response_rate) in segment_data.items()
}

5. 决策结果¶

模型性能¶

指标	目标	实际	说明
CLV 预测误差	<20%	15%	MAPE
高价值识别率	>80%	85%	Precision
流失预警准确率	>75%	78%	AUC

业务影响¶

指标	实施前	实施后	改善
营销 ROI	1:2.5	1:4.2	+68%
获客成本	¥200	¥165	-17.5%
用户流失率	5%/月	3.5%/月	-30%
高价值用户占比	25%	32%	+28%

财务价值¶

年度收益: - 营销效率提升：¥100M × (4.2-2.5)/2.5 = ¥68M - 减少流失损失：¥50M - 总收益: ¥118M/年

投入: - 系统建设：¥3M - 年度运营：¥1M - ROI: 39 倍

6. 关键洞察¶

CLV 分布规律¶

10% 用户贡献 60% 利润
20% 用户贡献 30% 利润
70% 用户贡献 10% 利润 (或亏损)

最佳干预时机¶

时机	成功率	成本
首次购买后 30 天	65%	¥50
购买间隔延长 50%	50%	¥30
浏览未购买 7 天	40%	¥20
收到投诉后	70%	¥100

案例版本: v1.0 | 最后更新: 2026-06-03