Was ist ein Kunde wert, der höchstens einmal pro Saison kauft?

Manche Kunden können nur zu festen Anlässen kaufen: ein Skipass pro Saison, eine Spende pro Jahresaufruf, eine Bestellung pro Katalog ^[C01]. Ohne Abonnement meldet niemand, wenn er geht: Das Unternehmen sieht nur ein Schweigen, das eine Abwanderung oder eine bloße Pause sein kann ^{[C02, C03]}. Zwei Abkürzungen herrschen vor: den bisherigen Kaufrhythmus jedes Kunden fortschreiben oder jeden für verloren erklären, der zwei Saisons lang schweigt. Das Beta-Geometrisch/Beta-Bernoulli-Modell (BG/BB) von Fader, Hardie und Shang beantwortet beide Fragen zugleich: Kauft der Kunde noch, und ist er überhaupt noch da?

Auf synthetischen Daten, die aus dem BG/BB-Modell selbst gezogen sind, das hier also per Konstruktion stimmt, werden 4.000 Kunden sechs Saisons lang beobachtet; die Methoden werden an den fünf folgenden gemessen. Den bisherigen Rhythmus für immer fortzuschreiben, als ginge niemand, überschätzt die künftigen Käufe um 43,2 % und den Wert des Kundenbestands um 74,3 %; gedämpft im Tempo, in dem die Zahl der Käufer sinkt, unterschätzt dieser Rhythmus den Wert um 13,7 %. Die Inaktivitätsregel sortiert 2.441 Kunden aus, die in den fünf folgenden Saisons dennoch 707 Käufe tätigen. Das BG/BB sagt 5.033,2 Käufe bei 5.099 beobachteten voraus (−1,3 %, eine Abweichung in der Größenordnung des Zufalls) und bewertet den Bestand mit 1.227.640 €, gegenüber 1.256.437 € mit den wahren Parametern: Das ist der noch ausstehende Teil des Kundenlebenszeitwerts (CLV). Zwei Vorbehalte: 52,9 % dieses Werts liegen jenseits der fünf überprüfbaren Saisons, und der Diskontsatz fällt stark ins Gewicht.

Ein Skigebiet verkauft Saisonskipässe. Es gibt kein Abonnement: Jeden Herbst kauft der Kunde erneut einen Skipass oder nicht. Kauft er keinen, weiß das Skigebiet nicht, ob er dort nicht mehr Ski fährt oder ein Jahr Pause einlegt. In derselben Saison kauften 4.000 Kunden ihren ersten Skipass. Das Skigebiet hat die sechs folgenden Saisons beobachtet: Für jeden Kunden weiß es, wie viele Skipässe er erneut gekauft hat und in welcher Saison der letzte Kauf lag. Jeder Skipass bringt ihm eine Marge von 150 €.

Die Geschäftsleitung stellt zwei Fragen: Was ist diese Kundenkohorte wert, und soll man diejenigen weiter ansprechen, die seit zwei Saisons nichts mehr gekauft haben — die hauseigene Regel erklärt sie für verloren und nimmt sie aus dem Verteiler der Reaktivierungsaktion.

Die Daten dieser Seite sind synthetisch. Die Wahrscheinlichkeit, in einer bestimmten Saison zu kaufen, solange der Kunde noch da ist, variiert von Kunde zu Kunde gemäß einer Betaverteilung (eine Art zu beschreiben, wie sich eine Wahrscheinlichkeit auf die Kunden verteilt) mit den Parametern 1,0 und 0,8, im Mittel also 55,6 %; die Wahrscheinlichkeit, zu Beginn einer Saison endgültig zu gehen, folgt einer Betaverteilung mit den Parametern 0,5 und 2,5, im Mittel also 16,7 %. Um die Methoden zu beurteilen, werden fünf zusätzliche Saisons, die Saisons 7 bis 11, simuliert und dann zurückgehalten.

Wie viele Käufe sind in den folgenden Saisons von einem Kunden zu erwarten, von dem man nur die Zahl seiner Wiederkäufe in sechs Saisons und die Saison seines letzten Wiederkaufs kennt, und was ist dieser Kaufstrom heute wert? Die Autoren nennen DERT (discounted expected residual transactions) die Zahl der erwarteten künftigen Käufe, jeder auf heute abgezinst; mit der Marge multipliziert, ergibt sie den Restwert des Kunden ^[C14]. Die Schwierigkeit passt in einen Satz: Das einzige Anzeichen einer Abwanderung ist ein ungewöhnlich langes Schweigen, und man muss abgewanderte Kunden von solchen unterscheiden, die eine lange Pause einlegen ^[C03].

Drei gängige Fallen:

• Den beobachteten Rhythmus fortschreiben. Ein Kunde, der in 6 Saisons 4 Skipässe erneut gekauft hat, ist pro Saison 4/6 Skipass „wert“, für immer, als ginge niemand. Doch ein Kunde mit lückenloser Historie kann Glück gehabt haben, und er kann gehen ^[C23]; umgekehrt ist ein seltener, aber jüngst aktiver Kunde mehr wert als sein bisheriger Rhythmus. Diesen Rhythmus mit der Rate zu dämpfen, mit der sich die Zahl der Käufer der Kohorte von einer Saison zur nächsten hält, hier 91,5 %, nähert das Gesamtniveau an, ohne die Unterschiede zwischen Kunden zu korrigieren.
• Die Inaktivitätsregel. Zwei Saisons ohne Kauf, und der Kunde gilt als verloren. Die Regel berücksichtigt immerhin die Aktualität des letzten Kaufs, zieht aber einen harten Schnitt, wo eine Wahrscheinlichkeit nötig wäre: Ein Kunde, der in jeder zweiten Saison kaufte, ist nicht in derselben Lage wie ein Kunde, der jede Saison kaufte und dann verstummte.
• Ein Modell in stetiger Zeit. Das Pareto/NBD-Modell (Pareto/negativ-binomial), die Referenz für Käufe zu beliebigen Zeitpunkten, unterstellt Käufe gemäß einer Poisson-Verteilung, der Verteilung zufällig jederzeit eintretender Ereignisse. Wenn die Zahl der Käufe pro Periode gedeckelt ist, passt ein Bernoulli-Prozess — kaufen oder nicht bei jedem Anlass — besser ^[C04]; auf Daten zu jährlichen Spenden passt das Pareto/NBD schlecht ^[C33].

Ein anspruchsvolleres Modell berücksichtigt Unterschiede zwischen Kunden, aber keine Abwanderung: das Beta-Bernoulli-Modell (BB), die natürliche Referenz, wenn man unterstellt, dass Kunden nie abwandern und ihre Käufe lediglich auf mehrere Anbieter verteilen ^[C37]. Es erfasst das „Versickern“ der Kunden nicht ^[C38]; auf den Daten der Autoren überschätzt es die kumulierten Wiederkäufe am Ende der Validierung um 20 % ^[C20].

Das BG/BB-Modell erzählt folgende Geschichte ^[C06]:

1. Zu Beginn jeder Saison kann ein noch „lebender“ Kunde endgültig gehen, mit einer ihm eigenen Wahrscheinlichkeit θ ^[C08];
2. ist er noch da, kauft er mit einer ihm eigenen Wahrscheinlichkeit p, ohne Gedächtnis für seine bisherigen Käufe ^[C07];
3. p und θ variieren von Kunde zu Kunde gemäß zwei Betaverteilungen ^[C09], die voneinander unabhängig sind ^[C10].

Die ganze Historie eines Kunden lässt sich dann auf zwei Zahlen verdichten, seine Häufigkeit (die Zahl der Wiederkäufe) und seine Aktualität (die Saison seines letzten Wiederkaufs) ^[C11]. Die Geschichte erklärt zwei Effekte, die keine Abkürzung wiedergibt. Ein Kunde, der jede Saison kaufte und seit drei Saisons schweigt, ist wahrscheinlich gegangen: Sein Schweigen ist für seinen Rhythmus zu lang. Ein Kunde, der selten kaufte und ebenso lange schweigt, folgt vielleicht nur seinem langsamen Rhythmus. Bei gleicher Aktualität, wenn der letzte Kauf lange zurückliegt, kann es also ein schlechtes Zeichen sein, viel gekauft zu haben ^[C28].

Für jeden Kunden, über dieselbe Folge von Anlässen: seine Häufigkeit und seine Aktualität, wobei die Aktualität die Saison des letzten Kaufs ist und nicht die seither vergangene Zeit — die Konvention weicht von der des Direktmarketings ab ^[C12]. Eine Tabelle mit Kundenzahlen je Kombination genügt: Bei sechs Saisons gibt es nur 22 Kombinationen aus Häufigkeit und Aktualität, unabhängig von der Zahl der Kunden ^[C11]. Die Schätzung und die wichtigsten Ergebnisse lassen sich in einer Tabellenkalkulation berechnen ^[C13].

Außerdem braucht man die Marge pro Kauf und einen Diskontsatz pro Anlass: Bei einem Anlass pro Jahr gilt der jährliche Diskontsatz unverändert, hier 10 % ^[C16]. Den DERT mit einer einheitlichen Marge zu bewerten unterstellt, dass der Betrag pro Kauf vom Kaufrhythmus unabhängig und zeitlich stabil ist ^[C15]; andernfalls braucht man ein eigenes Modell für die Beträge ^[C39]. Die Autoren selbst modellieren nur, ob jedes Jahr gespendet wird, und lassen den Betrag außer Acht ^[C46].

Dieser Abschnitt richtet sich an Praktiker. Wer entscheidet, kann ihn überspringen und bei „Die offengelegte Berechnung“ weiterlesen: Der Satz „Kurz gesagt“ an seinem Ende genügt.

• n: die Zahl der beobachteten Anlässe, hier 6 Saisons; h: der Prognosehorizont, hier 5 Saisons; k: der Rang einer künftigen Saison, k = 1 für Saison 7.
• x: die Zahl der Wiederkäufe in den n Saisons; tₓ: die Saison des letzten Wiederkaufs, 0 wenn x = 0 ^[C12]. Yₙ₊ₖ ist 1, wenn der Kunde beim Anlass n + k kauft, sonst 0; X ist die Zahl der Käufe über den Horizont h; E[·] bezeichnet den Erwartungswert, den zu erwartenden Mittelwert.
• p: die Wahrscheinlichkeit, dass ein noch vorhandener Kunde bei einem Anlass kauft; θ: die Wahrscheinlichkeit, dass er zu Beginn eines Anlasses endgültig geht ^{[C07, C08]}.
• p folgt einer Betaverteilung mit den Parametern α und β, Mittelwert α / (α + β); θ einer Betaverteilung mit den Parametern γ und δ, Mittelwert γ / (γ + δ) ^[C09]. B(a, b) bezeichnet die Betafunktion.
• Likelihood einer Historie: L(x, tₓ) = [B(α + x, β + n − x) / B(α, β)] × [B(γ, δ + n) / B(γ, δ)] + Σᵢ [B(α + x, β + tₓ − x + i) / B(α, β)] × [B(γ + 1, δ + tₓ + i) / B(γ, δ)], wobei i, von 0 bis n − tₓ − 1, die Saisons zählt, die der Kunde nach seinem letzten Kauf noch blieb, bevor er ging. Der erste Term entspricht einem Kunden, der alle n Saisons geblieben ist.
• Log-Likelihood: LL = Σⱼ fⱼ ln L(xⱼ, tₓⱼ), über die 22 Kombinationen j, wobei fⱼ die Zahl der Kunden der Kombination und ln der natürliche Logarithmus ist. Gesucht sind die Werte von α, β, γ und δ, die sie maximieren.
• E[Yₙ₊ₖ] = [B(α + x + 1, β + n − x) / B(α, β)] × [B(γ, δ + n + k) / B(γ, δ)] / L(x, tₓ): die Wahrscheinlichkeit, dass der Kunde beim Anlass n + k noch da ist und dann kauft, gegeben seine Historie. Über den Horizont: E[X] = E[Yₙ₊₁] + … + E[Yₙ₊ₕ].
• P(lebend) = [B(α + x, β + n − x) / B(α, β)] × [B(γ, δ + n + 1) / B(γ, δ)] / L(x, tₓ): der Anteil der Likelihood der Historie, der einem beim Anlass n + 1 noch vorhandenen Kunden entspricht.
• d: Diskontsatz pro Anlass. DERT = Σₖ E[Yₙ₊ₖ] / (1 + d)ᵏ, für k ≥ 1: Der erste künftige Kauf wird um eine Saison abgezinst ^{[C14, C51]}. Restwert: m × DERT, wobei m die Marge pro Kauf ist ^[C15].
• Abkürzungen: Der fortgeschriebene Rhythmus ist m × (x / n) / d wert; der gedämpfte Rhythmus sagt (x / n) × gᵏ Käufe beim Anlass n + k voraus, wobei g die mittlere Rate ist, mit der sich die Zahl der Käufer von einer Saison zur nächsten hält, und ist m × (x / n) × g / (1 + d − g) wert.

Kurz gesagt: Jeder Kunde behält seinen eigenen Kaufrhythmus und sein eigenes Abwanderungsrisiko; ein langes Schweigen erhöht die Wahrscheinlichkeit, dass er gegangen ist, umso schneller, je regelmäßiger sein bisheriger Rhythmus war.

1. Prüfung des Codes vor der Verwendung. Beide Programme schätzen das Modell auf der von den Autoren veröffentlichten Tabelle der 22 Kombinationen neu — 11.104 Erstspender einer gemeinnützigen Organisation, sechs Jahre lang verfolgt ^[C17] — und finden deren Schätzwerte wieder: α = 1,204, β = 0,750, γ = 0,657, δ = 2,783, Log-Likelihood −33.225,6; für das BB α = 0,487 und β = 0,826 ^[C18]. Sie finden auch die 22 Werte ihrer Tabelle 5 ^[C21] und die ihrer Tabelle 6 ^[C29] wieder und brechen andernfalls mit einem Fehler ab.
2. Synthetische Kohorte, aus dem BG/BB-Modell gezogen mit einem ausgeschriebenen Pseudozufallsgenerator (Startwert 20261005; x ← 1103515245 · x + 12345 mod 2³¹), damit Python und R dieselben Zahlen ziehen.
3. Kalibrierung auf den ersten sechs Saisons, zusammengefasst in 22 Kundenzahlen; die Saisons 7 bis 11 werden zurückgehalten.
4. Schätzung von BG/BB und BB per Maximum-Likelihood (Simplex-Verfahren von Nelder-Mead, das das Maximum schrittweise sucht, neu gestartet bis zur Stabilität); auf den Daten der Autoren wie auf der Kohorte führt ein Start bei 0,01 für alle vier Parameter zum selben Optimum.
5. Fünf Prognosen, Kunde für Kunde: fortgeschriebener Rhythmus und Inaktivitätsregel, beide ohne Ende und ohne Abwanderung fortgeschrieben, die Regel mit null nach zwei Saisons ohne Kauf; im Tempo der sinkenden Käuferzahl gedämpfter Rhythmus; BB; BG/BB. Referenz: der mit den wahren Parametern berechnete Erwartungswert.
6. Werte: 150 € pro Skipass, Abzinsung mit 10 % pro Saison, Reihen mit 2.000 Gliedern.
7. Unsicherheit: parametrischer Bootstrap — 1.000 aus den geschätzten Parametern simulierte Kohorten, jede neu geschätzt; Intervall vom 25. bis zum 975. sortierten Wert, also etwa 95 %.
8. Wiederholung an 100 unabhängigen Kohorten, gezogen aus den wahren Parametern; der gedämpfte Rhythmus, der die Käufer Saison für Saison braucht, ist nicht enthalten.
9. Sensitivität gegenüber dem Diskontsatz, bei 5 % und 15 %, und Anteil des Werts jenseits der Saisons 11, 16 und 26.
10. Invarianten: 15 Identitäten, darunter die Gleichheit zwischen dem als Reihe berechneten DERT und der geschlossenen Formel der Autoren; die Programme brechen ab, wenn eine verletzt ist.

Die Daten. In sechs Saisons kaufen die 4.000 Kunden 8.762 Skipässe erneut. 435 kaufen jede Saison erneut; 1.271, also 31,8 %, haben in diesen sechs Saisons keinen weiteren Skipass gekauft; 2.441, also 61,0 %, haben in den letzten beiden nichts gekauft, und die hauseigene Regel erklärt sie für verloren.

Die Schätzungen. Das BG/BB liefert α = 0,882, β = 0,744, γ = 0,574 und δ = 3,342, also eine mittlere Kaufwahrscheinlichkeit von 54,2 % (Intervall von etwa 95 %: 51,8 % bis 56,8 %) und eine mittlere Abwanderungswahrscheinlichkeit von 14,7 % pro Saison (11,8 % bis 17,8 %), bei wahren Werten von 55,6 % und 16,7 %. Es passt deutlich besser als das BB: Log-Likelihood −12.227,6 gegenüber −12.732,6.

Die Prognose, gemessen an den zurückgehaltenen Saisons.

Der Zufall allein lässt diese Summe um etwa 71,2 Käufe schwanken (eine Standardabweichung, also 1,4 %): Die Abweichung des BG/BB ist davon nicht zu unterscheiden. Die Summe der Inaktivitätsregel wirkt annehmbar; ihre Zusammensetzung nicht. Mittlere Käufe pro Kunde in den Saisons 7 bis 11, nach der Saison des letzten Wiederkaufs:

Die Regel setzt Kunden auf null, die noch kaufen, und überschätzt diejenigen, die gerade gekauft haben.

Sechs Kundenprofile. Erwartete Käufe in den Saisons 7 bis 11 und abgezinster Restwert pro Kunde:

Die Schrumpfung wirkt in beide Richtungen: Ein Kunde mit nur einem Wiederkauf, aber in Saison 6, ist mehr wert als sein bisheriger Rhythmus.

Der Wert der Kohorte.

Die ersten beiden Abkürzungen bewerten den bisherigen Rhythmus für immer, ohne Abwanderung: Vor allem diese Annahme bläht ihren Wert auf. Gedämpft unterschätzt der Rhythmus den Wert: Er behandelt alle Kunden gleich und übersieht, dass die Treuen bleiben. Das Ausmaß dieser Abweichungen hängt auch von der für die Simulation gewählten Abwanderungsrate ab.

Die 2.441 Kunden, die die Regel für verloren erklärt, tragen laut BG/BB noch 175.833 € erwarteten Wert, wenn sich nichts ändert, also 14,3 % der Kohorte; in den Saisons 7 bis 11 kommen 366 von ihnen zurück und kaufen 707 Skipässe, bei 720,9 prognostizierten. Die 1.271 Kunden ohne jeden Wiederkauf sind jeweils 28,17 € wert, zusammen also 35.805 €, 2,9 % des Werts.

Was die Historie nicht prüft. Der BG/BB-Wert der Kohorte liegt zu 52,9 % jenseits der Saison 11, der letzten zurückgehaltenen, zu 29,1 % jenseits der Saison 16 und zu 9,4 % jenseits der Saison 26.

Der Diskontsatz. Bei 5 % pro Saison steigt der BG/BB-Wert der Kohorte auf 2.087.835 €, gegenüber 2.164.955 € mit den wahren Parametern; bei 15 % sinkt er auf 881.456 €, gegenüber 897.102 €. Diese Wahl, die der Finanzabteilung obliegt, wiegt viel schwerer als die Schätzunsicherheit.

Über 100 unabhängige Kohorten weichen die prognostizierten Käufe der Saisons 7 bis 11 von ihrem mit den wahren Parametern berechneten Erwartungswert im Mittel um +44,2 % beim fortgeschriebenen Rhythmus ab (Standardabweichung 0,8 %), um +10,6 % bei der Inaktivitätsregel (0,7 %) und um −0,3 % beim BG/BB (1,9 %). Der fortgeschriebene Rhythmus überschätzt diesen Erwartungswert in 100 von 100 Ziehungen; die mittlere Abweichung des BG/BB ist nicht von null zu unterscheiden, da sein Simulationsfehler 0,2 % beträgt.

• Feste Anlässe, höchstens ein Kauf pro Anlass ^{[C01, C04]}. Kann der Kunde mehrmals pro Periode kaufen, kann die Geschäftsleitung sich entscheiden, nur zu zählen, ob gekauft wurde, wie bei einem seltenen Verhalten ^[C05]; die Information über die Zahl der Käufe geht dann verloren. Kaufen Ihre Kunden manchmal zwei Skipässe in derselben Saison, für einen Angehörigen?
• Eine endgültige Abwanderung ^[C06]. Ein Modell endgültiger Abwanderung auf Kunden anzuwenden, die nie ganz gehen, unterschätzt ihren Wert systematisch, so Rust und Kollegen, zitiert von den Autoren ^[C50]. Bleibt ein Teil Ihrer Kunden einige Saisons weg, während eines Auslandsaufenthalts, und kommt dann zurück?
• Ein konstanter individueller Rhythmus, ohne Gedächtnis für bisherige Käufe ^[C07]. Kaufen Ihre Kunden häufiger, je mehr sie am Skigebiet hängen, oder seltener, je älter ihre Kinder werden?
• Die Unabhängigkeit von Kaufrhythmus und Abwanderungsrisiko ^[C10]. Auf den Spendendaten der Autoren ist sie verletzt ^[C34]: Die geschätzte Korrelation beträgt 0,361 ^[C35]. Lässt man diese Korrelation im Modell zu, bleiben die Prognosen insgesamt nahe beieinander, mit einigen spürbaren Unterschieden — 3,59 Käufe statt 3,75 für einen Spender mit lückenloser Historie ^[C36] —, und die Anpassung verbessert sich deutlich, das χ² sinkt von 47,9 auf 4,8 ^[C48]; die Autoren halten das Kosten-Nutzen-Verhältnis für unklar ^[C49]. Sind Ihre eifrigsten Kunden auch die treuesten?
• Eine künftige Geschäftspolitik ähnlich der bisherigen: Das Modell ignoriert die Wirkung von Marketingmaßnahmen ^[C40] und unterstellt, dass sie weitgehend gleich bleiben ^[C41]. Haben Sie im Beobachtungszeitraum Preise, Skigebiet oder Vertriebskanal geändert?
• Eine konstante, vom Rhythmus unabhängige Marge pro Kauf ^{[C15, C39]}. Erhalten Ihre treuen Kunden einen ermäßigten Tarif?
• Eine repräsentative Kohorte: Die Autoren empfehlen, das Modell getrennt nach Datum oder Kanal der Akquisition zu schätzen ^[C44]. Eine Kohorte, die seit ihrer Gewinnung nur einen einzigen Kaufanlass hatte, erlaubt keine Schätzung des Modells; dann kann man die Kohorten unter gemeinsamen Parametern zusammenfassen, um den Preis einer womöglich einschränkenden Annahme ^[C32]. Verhalten sich Ihre online gewonnenen Kunden wie die an der Kasse gewonnenen?
• Was die Daten nicht entscheiden können: ob die Abwanderung endgültig ist, da eine Abwanderung und eine sehr lange Pause dasselbe Schweigen hinterlassen ^[C03], und die künftige Stabilität der Geschäftspolitik. Die übrigen Annahmen lassen sich prüfen: die Validierung außerhalb der Stichprobe für den konstanten Rhythmus, ein erweitertes Modell für die Unabhängigkeit ^[C34], die Abrechnungsdaten für die Marge.

• Validierung außerhalb der Stichprobe: Bei echten Daten die letzten Saisons zurückhalten und nach Aktualität und Häufigkeit prognostizierte und beobachtete Käufe vergleichen. Hier prognostiziert das BG/BB die Summe mit einer Abweichung von −1,3 % und 1.667,5 Kunden, die in den Saisons 7 bis 11 mindestens einmal kaufen, bei 1.690 beobachteten. Auf den Spendendaten folgen seine Prognosen den kumulierten Wiederkäufen in den sechs Kalibrierungsjahren und den fünf Validierungsjahren ^[C19]; ihr einziger nennenswerter Mangel ist, die Käufe von Spendern zu unterschätzen, deren letzte Spende lange zurücklag ^[C47] — ein Teil des Segments, das die Inaktivitätsregel aussortiert. Diese Validierung umfasst nur fünf Saisons, während 52,9 % des Werts jenseits davon liegen.
• Eine beobachtbare Größe bevorzugen: Die Wahrscheinlichkeit, noch da zu sein, betrifft einen Zustand, den niemand beobachtet; die, in einem künftigen Zeitraum mindestens einmal zu kaufen, lässt sich prüfen ^[C31].
• Der Fehler auf Ebene eines Kunden: Die mittlere absolute Abweichung zwischen prognostizierten und beobachteten Käufen beträgt 0,747 pro Kunde beim BG/BB und 0,745 mit den wahren Parametern: Der individuelle Zufall dominiert. Die Inaktivitätsregel erreicht 0,689, weil dieses Kriterium eine Prognose von null für Kunden belohnt, die kaum noch kaufen dürften; der vom BG/BB prognostizierte Median statt seines Mittelwerts erreicht 0,653. Ein Erwartungswert ist nach Gruppen zu beurteilen.
• Anpassung: Das χ² (ein Maß für die Abweichung zwischen prognostizierten und beobachteten Anzahlen) über die 22 Kombinationen beträgt 20,98 bei 17 Freiheitsgraden, eine Wahrscheinlichkeit von 0,23: eine Abweichung, die der Zufall mühelos erklärt. Das Likelihood-Verhältnis, das misst, um wie viel besser das BG/BB passt als das BB, beträgt 1.010,1; da das BB nur im Grenzfall erreicht wird, in dem γ gegen null geht, gilt die übliche Verteilung dieses Verhältnisses nicht, eine solche Abweichung bleibt aber erdrückend.
• Schätzunsicherheit, per parametrischem Bootstrap: Das Konfidenzintervall von etwa 95 % für die erwarteten Käufe in den Saisons 7 bis 11 reicht von 4.781,6 bis 5.232,2; das für den Wert der Kohorte von etwa 1.091.000 € bis 1.327.000 €; das für den Wert eines Kunden mit 6 von 6 Wiederkäufen von 847,92 € bis 1.003,04 €. Diese Intervalle betreffen den Erwartungswert, nicht das, was die Kunden tatsächlich tun werden; sie setzen voraus, dass das Modell stimmt, und decken weder Modellfehler noch die Unsicherheit über die Marge oder den Diskontsatz ab.
• Was die Simulation nicht beweist: Die Daten stammen aus einem BG/BB-Modell, das per Konstruktion stimmt. Die Simulation misst die Kosten der Abkürzungen, wenn dieses Modell wahr ist; sie zeigt nicht, dass es zu Ihren Kunden passt.

Der fortgeschriebene Rhythmus und das BB behandeln jeden Kunden, als wäre er noch da; sie ignorieren das Versickern der Kunden ^[C38]. Vom perfekten Kunden, 6 von 6 Wiederkäufen, sind in den fünf folgenden Saisons nicht 5 Käufe zu erwarten, sondern im Mittel 3,86: Er kann Glück gehabt haben, und er kann gehen ^[C23]. Die Autoren finden dieselbe Schrumpfung bei ihren Spendern, 3,75 erwartete Käufe in fünf Jahren ^[C22].

Die Inaktivitätsregel betrachtet die richtige Variable, die Aktualität ^[C25], macht daraus aber ein Fallbeil. Vergleichen Sie zwei Kunden: 5 Wiederkäufe mit einem letzten Kauf in Saison 5 ergeben 2,04 erwartete Käufe; 4 Wiederkäufe mit einem letzten Kauf in Saison 6 ergeben 2,74. Der Kunde mit einem Wiederkauf weniger, aber jüngerem, ist mehr wert — die Autoren beobachten dieselbe Umkehrung bei zwei Spendern, 1,81 gegenüber 2,71 ^[C24]. Umgekehrt hat ein Kunde mit 3 Wiederkäufen in Folge und danach drei stillen Saisons das Skigebiet sehr wahrscheinlich verlassen: Ihm bleibt nur eine Wahrscheinlichkeit von 0,14, noch da zu sein, gegenüber 0,94 für alle, die in Saison 6 gekauft haben, unabhängig von ihrer Häufigkeit ^[C30]. Der fortgeschriebene Rhythmus schreibt ihm noch 2,50 Käufe zu; das BG/BB 0,32.

Schließlich wiegen Kunden ohne jeden Wiederkauf einzeln wenig, ohne zusammen wertlos zu sein: hier 2,9 % des Werts. Bei den Spendern der Autoren dürften diejenigen ohne erneute Spende, mehr als 30 % der Kohorte, in fünf Jahren mehr als 240 Spenden leisten, mehr als etwa die Hälfte der übrigen Gruppen ^{[C26, C27]}.

• Zulässig: „Für diese Kohorte beträgt der erwartete Restwert – sofern das BG/BB-Modell stimmt und bei einem Diskontsatz von 10 % pro Saison – etwa 1.228.000 € abgezinste Marge, mit einem Konfidenzintervall von etwa 95 % von 1.091.000 € bis 1.327.000 €.“
• Zulässig: „In dieser Simulation überschätzt das Fortschreiben des bisherigen Kaufrhythmus den Erwartungswert der Käufe der fünf folgenden Saisons in 100 von 100 Ziehungen.“
• Zulässig: „Kunden, die seit zwei Saisons schweigen, sind nicht pauschal verloren: Wenn sich nichts ändert, tragen sie noch 14,3 % des erwarteten Werts.“
• Unzulässig: zu behaupten, ein bestimmter Kunde sei gegangen oder werde zurückkommen. Das Modell liefert Wahrscheinlichkeiten und Erwartungswerte; noch da sein und aktiv sein sind zwei verschiedene Dinge ^[C31].
• Unzulässig: zu folgern, dass eine Reaktivierungsaktion die stillen Kunden zurückholt. Das Modell prognostiziert, was geschieht, wenn die Geschäftspolitik gleich bleibt ^[C41]; es misst nicht die Wirkung einer Maßnahme ^[C40].
• Unzulässig: diese Zahlen als Marktergebnis darzustellen; die Daten sind synthetisch.

• Kunden, die noch kaufen, nicht per Regel für verloren erklären. Die Kunden nach erwarteten Käufen zu ordnen — die Ordnung nach abgezinstem Wert ist dieselbe ^[C52] — zeigt, wo sie stehen, nicht, was eine Reaktivierungsaktion bei ihnen bewirken würde: Ihre erwartete Marge ist die einer unveränderten Politik. Ob es sich lohnt, stille Kunden anzusprechen, zeigt nur ein Experiment mit einer nicht angesprochenen Kontrollgruppe. Richtet man danach Maßnahmen an den Modellergebnissen aus, muss das Modell auf den aktualisierten Daten neu geschätzt werden; seine Prognosen bieten dann eine kostengünstige Basis, um die Wirkung dieser Maßnahmen zu verfolgen ^[C42], und ein Modell, das Marketingmaßnahmen einbezieht, muss die Endogenität der Zielgruppenauswahl berücksichtigen, also dass sich die ausgewählten Kunden bereits von den übrigen unterscheiden ^[C45].
• Den Bestand vorsichtig bewerten. Etwa 1.228.000 €, doch mehr als die Hälfte dieses Werts liegt jenseits des überprüfbaren Horizonts, und je nachdem, ob der gewählte Satz 15 % oder 5 % beträgt, reicht er von 881.456 € bis 2.087.835 €, mehr als das Doppelte. Der Betrag bleibt eine Entscheidung der Finanzabteilung.
• Beobachten. Das Modell jede Saison neu schätzen und seine Prognosen mit dem Beobachteten vergleichen ^[C43]; es für jede Akquisitionskohorte und jeden Kanal getrennt schätzen ^[C44].

Die Entscheidung bleibt menschlich und liegt in der Verantwortung von Vertrieb und Finanzabteilung.

• Einsetzen: Käufe, die an feste Anlässe gebunden sind — Saisonskipass, jährlicher Spendenaufruf, Antwort auf einen Katalog, Anmeldung zu einer jährlichen Veranstaltung ^[C01] — oder seltene Verhaltensweisen, die man bewusst pro Periode zählt ^[C05], ohne Abonnement und ohne gemeldete Abwanderung ^[C02].
• Nicht einsetzen bei einem Abonnement, bei dem das Unternehmen seine Kunden gehen sieht: siehe die Seite zum Wert eines Abonnenten oder die zur Analyse von Bindung und Überleben.
• Nicht einsetzen, wenn Käufe jederzeit und in beliebiger Zahl erfolgen können: Dann ist das BG/NBD-Modell das richtige Werkzeug — siehe die Seite zur Schätzung des nicht vertraglichen CLV, die auch die Beträge pro Kauf behandelt.
• Nicht allein einsetzen, um eine Maßnahme gezielt auszurichten: Das Modell ignoriert die Wirkung des Marketings ^[C40]; um gefährdete Kunden anhand erklärender Variablen zu erkennen, siehe die Seite zur Churn-Vorhersage mit logistischer Regression.
• Um eine Prognose an zurückgehaltenen Saisons zu beurteilen, siehe die Seite zur Validierung einer Marketingprognose.

• Python 3.14.5, nur Standardbibliothek: msc-p044-reference.py, Aufruf mit python msc-p044-reference.py
• R 4.6.1, nur Basis: msc-p044-reference.R, Aufruf mit Rscript msc-p044-reference.R
• Beide Programme geben exakt dieselben Zeilen aus; ihr sha256-Fingerabdruck nach Normalisierung der Zeilenenden ist im Manifest des Dossiers festgehalten. Offengelegter Startwert 20261005. Keine Fremdbibliothek: Die Software validiert die Methode nicht, sie reproduziert sie.

Die Tabelle der 22 Kombinationen aus Häufigkeit und Aktualität, die vier geschätzten Parameter, die Validierung nach Aktualität und Häufigkeit an den zurückgehaltenen Saisons, der Wert jeder Kombination und der Kohorte mit seinem Intervall, sein Anteil jenseits des geprüften Horizonts, seine Sensitivität gegenüber dem Diskontsatz und die vor einer Entscheidung zu prüfenden Annahmen.

• Fader, P. S., Hardie, B. G. S. & Shang, J. (2010). Customer-Base Analysis in a Discrete-Time Noncontractual Setting. Marketing Science 29(6), 1086–1108. ↗ — veröffentlichte Fassung, von INFORMS den Autoren zur Verfügung gestellt, Volltext geprüft ^[C01–C52].
• Evidenzniveau: Demonstration auf synthetischen Daten, die aus dem Modell selbst gezogen sind, eine detaillierte Ziehung, ein Bootstrap mit 1.000 Kohorten und 100 wiederholte Ziehungen, reproduzierbar in Python und R; Code an den von den Autoren veröffentlichten Werten geprüft, ausgehend von ihren Spendendaten. Dies ist kein Marktergebnis.