5分钟上手Lifetimes：电商企业客户留存率分析实战教程

【免费下载链接】lifetimes Lifetime value in Python 项目地址: https://gitcode.com/gh_mirrors/li/lifetimes

Lifetimes是一款专注于客户生命周期价值（CLV）分析的Python库，能帮助电商企业精准预测客户留存率、复购行为和客户价值。通过科学的生存分析模型，Lifetimes让企业告别传统经验决策，用数据驱动客户关系管理，提升营销ROI。

🚀 为什么选择Lifetimes进行客户留存分析？

传统客户分析方法往往依赖简单的购买次数统计，而Lifetimes基于BG/NBD模型和Gamma-Gamma模型，能深入挖掘客户行为背后的规律：

• 精准预测：通过客户历史购买数据，预测未来购买概率和频率
• 价值分层：量化不同客户群体的生命周期价值，识别高价值客户
• 留存诊断：分析客户"活跃度"和"流失风险"，及时干预挽留

正如P. Fader和B. Hardie强调，理解并应用客户生命周期价值是企业销售工作中最重要的部分[README.md]。Lifetimes让复杂的生存分析模型变得简单易用，即使非专业数据分析师也能快速上手。

⚙️ 快速安装与环境准备

1️⃣ 安装Lifetimes库

pip install lifetimes

2️⃣ 获取示例数据集

Lifetimes内置多个电商数据集，如CDNOW客户购买记录，位于datasets/目录下：

• CDNOW_master.txt：完整交易记录
• cdnow_customers_summary.csv：客户购买概要数据
• example_transactions.csv：示例交易数据

3️⃣ 准备数据格式

分析客户留存率需要以下关键指标：

• frequency：重复购买次数（总购买次数-1）
• recency：最近一次购买距首次购买的时间间隔
• T：客户"年龄"（首次购买到观测结束的时间间隔）
• monetary_value：平均每次购买金额（总消费/购买次数）

🔍 实战：客户留存率分析五步曲

第一步：加载并理解数据

from lifetimes.datasets import load_cdnow_summary
data = load_cdnow_summary(index_col=[0])
print(data.head())

输出结果：

     frequency   recency      T
ID
1    2           30.43       38.86
2    1            1.71       38.86
3    0            0.00       38.86
4    0            0.00       38.86
5    0            0.00       38.86

第二步：构建BG/NBD留存预测模型

BG/NBD模型（Beta-Geometric/Negative Binomial Distribution）是分析客户重复购买行为的经典模型：

from lifetimes import BetaGeoFitter

# 初始化模型
bgf = BetaGeoFitter(penalizer_coef=0.0)
# 拟合数据
bgf.fit(data['frequency'], data['recency'], data['T'])
# 查看模型参数
print(bgf.summary)

模型参数解释：

• r：购买率的形状参数
• alpha：购买率的尺度参数
• a, b：流失率的Beta分布参数

第三步：可视化客户留存矩阵

通过频率-近期矩阵直观展示不同客户群体的留存特征：

from lifetimes.plotting import plot_frequency_recency_matrix
plot_frequency_recency_matrix(bgf)

矩阵解读：

• 右下角（高频+近期购买）：最佳客户，留存率最高
• 右上角（高频+远期购买）：流失风险客户
• 左下角（低频+近期购买）：潜在增长客户

另一实用可视化是客户存活概率矩阵：

from lifetimes.plotting import plot_probability_alive_matrix
plot_probability_alive_matrix(bgf)

第四步：客户价值排序与分层

预测客户未来购买概率，识别高价值客户：

t = 1  # 预测未来1个时间单位内的购买次数
data['predicted_purchases'] = bgf.conditional_expected_number_of_purchases_up_to_time(
    t, data['frequency'], data['recency'], data['T']
)
# 按预测购买次数排序
data.sort_values(by='predicted_purchases').tail(5)

典型输出：

       frequency  recency      T        predicted_purchases
ID
509   18          35.14        35.86    0.424877
841   19          34.00        34.14    0.474738
1981  17          28.43        28.86    0.486526
157   29          37.71        38.00    0.662396
1516  26          30.86        31.00    0.710623

第五步：客户生命周期价值(CLV)计算

结合Gamma-Gamma模型估算客户经济价值：

from lifetimes import GammaGammaFitter

# 加载带金额数据的数据集
summary_with_money = load_cdnow_summary_data_with_monetary_value()
# 筛选有重复购买的客户
returning_customers = summary_with_money[summary_with_money['frequency'] > 0]

# 拟合Gamma-Gamma模型
ggf = GammaGammaFitter(penalizer_coef=0)
ggf.fit(returning_customers['frequency'], 
        returning_customers['monetary_value'])

# 计算客户生命周期价值
clv = ggf.customer_lifetime_value(
    bgf,  # 使用之前拟合的BG模型
    summary_with_money['frequency'],
    summary_with_money['recency'],
    summary_with_money['T'],
    summary_with_money['monetary_value'],
    time=12,  # 预测未来12个月
    discount_rate=0.01  # 月贴现率
)

📊 模型评估与优化

验证模型拟合效果

from lifetimes.plotting import plot_period_transactions
plot_period_transactions(bgf)

该图表对比实际交易频率与模型预测结果，若两者趋势一致，表明模型拟合良好。

处理小样本数据

对于小样本数据集，可通过设置正则化系数提高模型稳定性：

bgf = BetaGeoFitter(penalizer_coef=0.01)  # 适当的正则化系数

典型应用中，0.001到0.1之间的正则化系数较为有效[docs/Quickstart.md]。

💡 电商客户留存分析最佳实践

1. 数据预处理：

   • 使用lifetimes.utils.summary_data_from_transaction_data函数将交易数据转换为RFM格式
   • 注意区分首购和复购行为，首购不计入frequency

2. 模型选择：

   • 基础留存分析：BG/NBD模型
   • 价值评估：Gamma-Gamma模型
   • 复杂场景：使用ModifiedBetaGeoFitter

3. 业务应用：

   • 高价值客户：优先资源倾斜，提升留存
   • 高流失风险客户：精准营销干预
   • 低价值高潜力客户：交叉销售/ upsell

📚 进阶学习资源

• 官方文档：docs/
• 模型实现：lifetimes/fitters/
• 案例教程：docs/More examples and recipes.md

通过Lifetimes库，电商企业可以在5分钟内搭建专业的客户留存分析系统，从海量交易数据中挖掘客户价值规律，实现数据驱动的精细化运营。立即安装体验，让每一位客户的价值都得到充分释放！

【免费下载链接】lifetimes Lifetime value in Python 项目地址: https://gitcode.com/gh_mirrors/li/lifetimes