基于模型的客户分析仪表盘

对于管理不同客户群体的公司而言，自动化客户分析流程至关重要。在如此数据丰富且动态的环境中，可视化在理解关注事件中起关键作用。这些理念导致了分析仪表盘的流行，然而学术研究很少关注这些管理需求。我们开发了一个概率性、非参数的框架，通过使用高斯过程先验作用于潜函数上，来理解和预测个体层面的消费，这些潜函数描述了客户在日历时间、购买间隔时间和客户生命周期维度上的消费。这些曲线形成了一个仪表盘，提供易于理解的购买动态的基于模型的视觉表示。该模型灵活且自动地捕获影响消费倾向的事件的影响形式和持续时间，即使这些事件在事先未知。我们通过在两款流行手机游戏数据上说明我们的Gaussian Process Propensity Model (GPPM)的使用。我们表明GPPM通过纳入日历时间动态同时考虑新近性和生命周期效应，推广了风险模型和buy-till-you-die模型。因此，它提供了超出这些模型可用的关于消费倾向的洞察。最后，我们显示GPPM在拟合和预测真实与模拟消费数据上均优于这些基准。