Loyalty-Behavioral-Geometry 中文导航¶

原文: Loyalty as Multi-Dimensional Behavioral Geometry
分类: 行为经济学/客户忠诚度建模
大小: 208 KB
语言: 分析文章

📚 项目简介¶

Loyalty-Behavioral-Geometry 是一篇深度分析文章，提出"忠诚不是指标，而是多维行为几何"的核心观点。它批判了传统忠诚度指标 (购买次数、订阅状态、RFM) 只捕捉表面行为的局限，主张忠诚是潜在的心理系统，需要通过意图、节奏、敏感性三个维度来建模。

GitHub: https://github.com/somrat-sarkar/Loyalty-Behavioral-Geometry
主题: 客户智能、忠诚度建模、潜在变量 ML

🔧 核心概念¶

概念	说明	传统观点 vs 新观点
忠诚本质	潜在状态 vs 输出指标	❌ 忠诚/不忠诚二分 vs ✅ 多维连续空间
三支柱模型	Intent × Rhythm × Sensitivity	三独立维度建模
行为几何	客户在 3D 空间中的向量	位置 + 方向 + 演化轨迹
潜在变量	忠诚不可直接测量	通过行为投影推断
ML 方法	深度学习 + 降维	自动编码器/PCA/LDA

📖 核心理论¶

1. 忠诚是潜在状态，不是输出¶

错误观点:
忠诚 = 购买次数多 / 订阅 / 不流失

正确观点:
忠诚 = 塑造行为的内在力量 (不可直接测量)

表现形式 (可观测):
- 重复购买
- 订阅/会员
- 对摩擦的容忍度
- 价格敏感度
- 对折扣的反应
- 长期一致性
- 转换阻力

忠诚是"影子"，行为是"投影"。
真实状态隐藏在内部。

2. 忠诚建模三支柱¶

支柱 1: 意图 (Intent) - 长期心理承诺¶

核心问题："客户是否想要与品牌建立长期关系？"

指标:
- 订阅概率
- 重复品类选择
- 低流失敏感度
- 与产品身份的契合度

意图是将客户拉向深度参与的"引力"。

支柱 2: 行为节奏 (Behavioral Rhythm) - 购买心跳¶

节奏代表:
- 频率
- 一致性
- 时间模式
- 习惯强度
- 常规稳定性

示例:
- 客户 A: 每 7 天购买一次 (高节奏)
- 客户 B: 每 120 天购买一次 (低节奏)

次数相同 (3 次)，节奏不同 → 忠诚信号不同

支柱 3: 敏感性 (Sensitivity) - 弹性/摩擦容忍度/波动性¶

敏感性反映:
- 行为变化的容易程度
- 促销如何改变行为
- 摩擦如何降低参与度
- 情感/季节因素如何影响决策

敏感性告诉我们忠诚度随时间的"稳定性"。

3. 忠诚有形状 - 行为几何¶

3D 行为空间:

X 轴 → 意图 (承诺度)
Y 轴 → 节奏 (频率/一致性)
Z 轴 → 敏感性 (对外力的弹性)

每个客户是一个向量，具有:
- 位置 | 当前忠诚状态
- 方向 | 忠诚度变化趋势
- 轨迹 | 随时间的演化路径
- 速度 | 变化速率

💡 核心洞察¶

1. 为什么传统分析失败¶

传统方法:
购买次数 → RFM 评分 → 忠诚度标签

问题:
❌ 将潜在系统压缩为单一可见指标
❌ 忽略时间维度 (节奏)
❌ 无法区分动机 (为什么买)
❌ 无法预测行为变化

例如:
两个客户都买了 10 次
- 客户 A: 因为习惯 + 信任 (真忠诚)
- 客户 B: 因为垄断 + 高转换成本 (假忠诚)

传统方法无法区分，但几何方法可以。

2. 行为投影原理¶

潜在空间 (3D 忠诚几何)
         ↓ 投影
观测空间 (购买记录/点击流)

ML 任务:
从观测数据反推潜在位置

方法:
- 自动编码器 (Encoder-Decoder)
- 变分推断
- 因子分析
- 潜类别模型

3. 客户演化轨迹¶

时间 t1: (低意图，低节奏，高敏感) → 新客户
时间 t2: (中意图，中节奏，中敏感) → 成长客户
时间 t3: (高意图，高节奏，低敏感) → 忠诚客户

轨迹分析价值:
- 预测流失风险
- 识别干预时机
- 个性化营销策略

🎯 应用场景¶

1. 客户分群¶

传统分群:
- 高价值客户
- 中价值客户
- 低价值客户

几何分群:
- 高意图/高节奏/低敏感 → "品牌大使"(重点维护)
- 高意图/低节奏/高敏感 → "摇摆忠诚"(激活节奏)
- 低意图/高节奏/低敏感 → "习惯购买"(防止觉醒)
- 低意图/低节奏/高敏感 → "价格敏感"(促销驱动)

每类策略不同，因为几何位置不同。

2. 流失预测¶

流失信号 (几何变化):
1. 意图下降 (订阅续费率降低)
2. 节奏变慢 (购买间隔延长)
3. 敏感性上升 (对促销更敏感)

预警阈值:
- 意图下降 >20% → 黄色预警
- 节奏下降 >30% → 橙色预警
- 敏感性上升 >40% → 红色预警

干预策略:
- 黄色：发送个性化内容
- 橙色：提供专属优惠
- 红色：客服主动联系

3. 忠诚度提升¶

提升路径设计:

当前状态：(低意图，中节奏，高敏感)
目标状态：(中意图，高节奏，中敏感)

策略:
1. 提升意图
   - 品牌故事营销
   - 社区建设
   - 价值观对齐

2. 加强节奏
   - 订阅模式
   - 定期提醒
   - 习惯养成挑战

3. 降低敏感
   - 增加转换成本 (积分/等级)
   - 提供独特价值
   - 建立情感连接

🛠️ 实施方法¶

1. 特征工程¶

def extract_loyalty_features(customer_data):
    """
    从原始数据提取三支柱特征
    """
    features = {}

    # 意图特征
    features['intent'] = {
        'subscription_prob': calculate_subscription_prob(customer_data),
        'category_consistency': calculate_category_consistency(customer_data),
        'churn_sensitivity': calculate_churn_sensitivity(customer_data),
        'brand_alignment': calculate_brand_alignment(customer_data)
    }

    # 节奏特征
    features['rhythm'] = {
        'frequency': calculate_purchase_frequency(customer_data),
        'consistency': calculate_purchase_consistency(customer_data),
        'temporal_pattern': extract_temporal_pattern(customer_data),
        'habit_strength': calculate_habit_strength(customer_data)
    }

    # 敏感性特征
    features['sensitivity'] = {
        'price_elasticity': calculate_price_elasticity(customer_data),
        'promotion_response': measure_promotion_response(customer_data),
        'friction_tolerance': measure_friction_tolerance(customer_data),
        'volatility': calculate_behavior_volatility(customer_data)
    }

    return features

2. 潜在空间建模¶

from sklearn.decomposition import PCA
from keras.layers import Input, Dense
from keras.models import Model

def build_loyalty_autoencoder(input_dim, latent_dim=3):
    """
    构建自动编码器学习 3D 潜在空间
    """
    # 编码器
    input_layer = Input(shape=(input_dim,))
    encoded = Dense(64, activation='relu')(input_layer)
    encoded = Dense(32, activation='relu')(encoded)
    latent = Dense(latent_dim, activation='linear')(encoded)

    # 解码器
    decoded = Dense(32, activation='relu')(latent)
    decoded = Dense(64, activation='relu')(decoded)
    output_layer = Dense(input_dim, activation='linear')(decoded)

    # 编译模型
    autoencoder = Model(inputs=input_layer, outputs=output_layer)
    autoencoder.compile(optimizer='adam', loss='mse')

    # 编码器模型 (用于推断潜在位置)
    encoder = Model(inputs=input_layer, outputs=latent)

    return autoencoder, encoder

# 训练
autoencoder, encoder = build_loyalty_autoencoder(input_dim=20, latent_dim=3)
autoencoder.fit(X_train, X_train, epochs=100, batch_size=32)

# 推断客户在 3D 空间的位置
customer_positions = encoder.predict(X_customers)
# customer_positions[:, 0] = 意图
# customer_positions[:, 1] = 节奏
# customer_positions[:, 2] = 敏感性

3. 轨迹分析¶

import numpy as np

def analyze_customer_trajectory(positions_time_series):
    """
    分析客户忠诚度演化轨迹
    """
    # 计算变化速度
    velocities = np.diff(positions_time_series, axis=0)
    speed = np.linalg.norm(velocities, axis=1)

    # 计算变化方向
    directions = velocities / speed.reshape(-1, 1)

    # 预测未来位置 (线性外推)
    future_position = positions_time_series[-1] + velocities[-1] * 3  # 3 个时间步后

    # 流失风险评分
    churn_risk = calculate_churn_risk(positions_time_series, velocities)

    return {
        'current_position': positions_time_series[-1],
        'speed': speed[-1],
        'direction': directions[-1],
        'future_position': future_position,
        'churn_risk': churn_risk
    }

📚 理论基础¶

潜在变量理论¶

理论	提出者	在忠诚度中的应用
因子分析	Spearman	从观测变量推断潜在因子
潜类别模型	Lazarsfeld	识别隐藏的客户类型
结构方程模型	Wright	因果路径分析
变分推断	Jordan	贝叶斯潜在变量推断

行为经济学¶

概念	说明	忠诚度应用
习惯形成	Ainslie	重复行为的自动化
转换成本	Klemperer	锁定效应
承诺一致性	Cialdini	行为强化

🔗 相关资源¶

BehaviouralEconomics - 行为经济学实验
Behavioral_RL - 行为强化学习
llm-cooperation - AI 行为研究

🎓 学习路径¶

1. 阅读原文 → 理解核心理念
2. 学习潜在变量理论 → 掌握统计学基础
3. 实现特征工程 → 提取三支柱特征
4. 构建自动编码器 → 学习 3D 潜在空间
5. 分析客户轨迹 → 预测行为演化

本地路径: /workspace/code-examples/Loyalty-Behavioral-Geometry/
创建时间: 2026-06-02
难度: ⭐⭐⭐⭐⭐ (高级/研究级)

**Loyalty-Behavioral-Geometry 中文导航 | 忠诚度多维几何建模** [返回代码索引](../../README_UPDATED.md) | [决策科学资源大全](../../docs/resources/decision-science-comprehensive-resources.md)