Wie schätzt man CLV mit BG/NBD und Gamma-Gamma?
BG/NBD prognostiziert künftige Transaktionen in nichtvertraglichen Kontexten; Gamma-Gamma modelliert unter Zusatzannahmen ihren Mittelwert. CLV diskontiert anschließend die erwarteten Ströme.
Wissenschaftliche Redaktion: Marketing Science Center
Direkte Antwort
Kunden mit zeitlicher Validierung nach erwartetem Zukunftswert ordnen.
BG/NBD prognostiziert künftige Transaktionen in nichtvertraglichen Kontexten; Gamma-Gamma modelliert unter Zusatzannahmen ihren Mittelwert. CLV diskontiert anschließend die erwarteten Ströme.
Fader, Hardie & Lee, RFM and CLV, 2005Fader, Hardie & Lee, BG/NBD, 2005
01
Operative Zusammenfassung
Wissenschaftliche Frage und Geltungsbereich
Wie schätzt man CLV mit BG/NBD und Gamma-Gamma?
Vertretbar
Kunden mit zeitlicher Validierung nach erwartetem Zukunftswert ordnen.
Unzulässig
Prognostizierten CLV als kausalen Gewinn einer Bindungsmaßnahme interpretieren.
02
Drei Leseebenen
- 01
Entscheidungsebene — Ergebnis mit deklarierter Entscheidung, Nutzenschwelle und Fehlerkosten verbinden.
- 02
Praxis — Population, Einheit, Horizont, verfügbare Variablen und Analyseregel vor der Berechnung festlegen.
- 03
Analyse — Berechnung reproduzieren, Unsicherheit quantifizieren und Diagnosen, Fehlschläge sowie Sensitivitäten dokumentieren.
03
Konkrete Marketingsituation
BG/NBD prognostiziert künftige Transaktionen in nichtvertraglichen Kontexten; Gamma-Gamma modelliert unter Zusatzannahmen ihren Mittelwert. CLV diskontiert anschließend die erwarteten Ströme.
04
Wissenschaftliche Frage und Geltungsbereich
Wie schätzt man CLV mit BG/NBD und Gamma-Gamma?
Erwarteter diskontierter Zukunftsbeitrag unter einem deklarierten BG/NBD-Modell und einem separat validierten Wertmodell
Benötigte Daten
Kunde × Kalibrierungsfenster × Kontroll- oder Prognosehorizont
Population, Analyseeinheit, Ursprungsdatum und Horizont müssen im Ergebnis deklariert sein. Andernfalls ändert sich der Estimand unbemerkt.
05
Warum eine einfache Analyse scheitern kann
- Prognostizierten CLV als kausalen Gewinn einer Bindungsmaßnahme interpretieren.
- Nichtvertraglicher Kontext
- BG/NBD-Kalibrierung und Kontrollstichprobe
- Prüfung der Häufigkeits-Wert-Abhängigkeit
06
Intuition der Methode
Die Methode macht aus einer Assoziation nicht automatisch Evidenz. Sie verbindet eine deklarierte Frage mit Estimand, Spezifikation, kompatiblen Daten und begrenzter Interpretationsregel.
Erwarteter diskontierter Zukunftsbeitrag unter einem deklarierten BG/NBD-Modell und einem separat validierten Wertmodell
07
Benötigte Daten
Wörterbuch wissenschaftlicher Symbole
predicted_transactions_t- Erwartete Transaktionszahl in der zukünftigen Periode t aus dem deklarierten Transaktionsmodell. Einheit:
Transaktion· Typ:nichtnegative Zahl· Rolle:Eingabe mean_value- Kalibrierter mittlerer Geldwert je Transaktion unter dem deklarierten Wertmodell. Einheit:
Euro je Transaktion· Typ:nichtnegative Zahl· Rolle:Eingabe margin_rate- Einheitlich auf den Transaktionswert angewandter Deckungsbeitragsanteil. Einheit:
Anteil· Typ:Zahl in [0, 1]· Rolle:Eingabe discount_rate- Diskontsatz je Periode, abgestimmt auf die Prognoseperiode. Einheit:
Rate je Periode· Typ:Zahl größer als −1· Rolle:Eingabe t- Index der zukünftigen Periode ab dem deklarierten Prognoseursprung. Einheit:
Periode· Typ:positive Ganzzahl· Rolle:Index CLV- Erwarteter diskontierter Beitrag über den deklarierten endlichen Horizont, bedingt auf beide kalibrierten Modelle und die Aggregationsannahmen. Einheit:
Euro· Typ:Zahl· Rolle:Ausgabe
Exakte versiegelte Engine-Eingaben
predicted_transactions_period_1- Wert:
0.8· Einheit:Transaktion· Typ:Zahl· Datenstatus:synthetisch predicted_transactions_period_2- Wert:
0.7· Einheit:Transaktion· Typ:Zahl· Datenstatus:synthetisch predicted_transactions_period_3- Wert:
0.6· Einheit:Transaktion· Typ:Zahl· Datenstatus:synthetisch mean_transaction_value_eur- Wert:
60· Einheit:EUR_je_Transaktion· Typ:Zahl· Datenstatus:synthetisch contribution_margin_rate- Wert:
0.40· Einheit:Anteil· Typ:Zahl· Datenstatus:deklarierter Parameter discount_rate_per_period- Wert:
0.02· Einheit:Rate je Periode· Typ:Zahl· Datenstatus:deklarierter Parameter frequency_value_correlation- Wert:
0.06· Einheit:dimensionslos· Typ:Zahl· Datenstatus:synthetisch independence_diagnostic_completed- Wert:
1· Einheit:binär· Typ:Ganzzahl· Datenstatus:deklarierter Parameter monetary_model_calibrated- Wert:
1· Einheit:binär· Typ:Ganzzahl· Datenstatus:deklarierter Parameter
08
Formales Modell
Formales Modell
Gate: independence_diagnostic_completed = 1 and monetary_model_calibrated = 1; frequency_value_correlation is reported but does not prove independence. CLV = discounted_sum(predicted_transactions_t × mean_transaction_value_eur × contribution_margin_rate / (1 + discount_rate_per_period)^t)Belegte Aussagen: MSC-P028-C01 · MSC-P028-C02 · MSC-P028-C03 · MSC-P028-C04 · MSC-P028-C05 · MSC-P028-C06
Wissenschaftliche Frage und Geltungsbereich
Erwarteter diskontierter Zukunftsbeitrag unter einem deklarierten BG/NBD-Modell und einem separat validierten Wertmodell
09
Deklarierte Berechnung
- 01
Vor der Multiplikation von Häufigkeit und Wert eine abgeschlossene Abhängigkeitsdiagnose und Kalibrierung des Wertmodells verlangen.
- 02
Mittleren Transaktionswert in Beitrag umrechnen, mit jeder erwarteten Transaktionszahl multiplizieren und jede Periode getrennt diskontieren.
- 03
Diskontierte Ströme erst nach Bestehen beider Prüfungen summieren und festhalten, dass geringe Stichprobenkorrelation keine Unabhängigkeit beweist.
10
Zahlenbeispiel oder Anwendungsfall
Berechnetes Beispiel — synthetische Daten oder deklarierte Parameter; keine realen Beobachtungen
Versiegelte Eingaben
predicted_transactions_period_1=0.8 [Transaktion]predicted_transactions_period_2=0.7 [Transaktion]predicted_transactions_period_3=0.6 [Transaktion]mean_transaction_value_eur=60 [EUR_je_Transaktion]contribution_margin_rate=0.40 [Anteil]discount_rate_per_period=0.02 [Rate je Periode]frequency_value_correlation=0.06 [dimensionslos]independence_diagnostic_completed=1 [binär]monetary_model_calibrated=1 [binär]
Reproduzierbare Ergebnisse
mean_contribution=€24discounted_flows=[18.823529;16.147636;13.569442]expected_discounted_CLV=€48.540607
Geprüftes Dossier: Aussagen sind mit Quellen auf Passagebene verknüpft, die Python/R-Berechnung ist reproduziert, Grenzen sind explizit und die unabhängige wissenschaftliche Prüfung ist abgeschlossen.
11
Validitätsannahmen
- Wurden Transaktionshäufigkeits- und Wertmodell an einer geeigneten Kontrollstichprobe kalibriert?
- Wird die Abhängigkeit zwischen Transaktionszahl und -wert inhaltlich geprüft, statt aus einer einzelnen kleinen Korrelation abgeleitet?
- Sind Horizont, Marge und Diskontperiode auf die Entscheidung abgestimmt?
12
Diagnostik und Unsicherheit
Diagnostik und Unsicherheit
Nichtvertraglicher Kontext · BG/NBD-Kalibrierung und Kontrollstichprobe · Prüfung der Häufigkeits-Wert-Abhängigkeit · Gamma-Gamma-Eignung · Konventionen für Marge und Diskontperiode
Begrenzte Diagnose
Aggregation ist erst nach deklarierter Abhängigkeitsdiagnose und Wertkalibrierung zulässig; geringe Korrelation beweist keine Unabhängigkeit.
Expliziter Unsicherheitsvertrag · not_estimable_from_sealed_inputs
Methode: Explizite Prüfung der Nichtschätzbarkeit anhand des versiegelten Eingabeschemas.
Ziel: Unsicherheit des diskontierten Kundenwerts über einen endlichen Horizont.
Engine-Nachweis: diagnostic=aggregation_only_after_declared_independence_diagnostic_and_monetary_calibration_low_correlation_is_not_proof
Interpretation: Punktprognosen und binäre Kalibrierungsprüfungen liefern keine prädiktive Verteilung; geringe Korrelation beweist keine Unabhängigkeit.
Stoppen, wenn
Prognostizierten CLV als kausalen Gewinn einer Bindungsmaßnahme interpretieren.
13
Ergebnisinterpretation
- Kunden mit zeitlicher Validierung nach erwartetem Zukunftswert ordnen.
- Das Ergebnis gilt bedingt auf deklarierte Population, Horizont, Spezifikation und Diagnosen. Es darf nicht ohne neue Begründung auf eine andere Entscheidung übertragen werden.
14
Vertretbare und unzulässige Schlussfolgerung
Vertretbar
Kunden mit zeitlicher Validierung nach erwartetem Zukunftswert ordnen.
Unzulässig
Prognostizierten CLV als kausalen Gewinn einer Bindungsmaßnahme interpretieren.
15
Mögliche Marketingentscheidung
- 01
Kunden mit zeitlicher Validierung nach erwartetem Zukunftswert ordnen.
- 02
Das Ergebnis gilt bedingt auf deklarierte Population, Horizont, Spezifikation und Diagnosen. Es darf nicht ohne neue Begründung auf eine andere Entscheidung übertragen werden.
16
Wann einsetzen — wann stoppen
Einsetzen, wenn
Kunden mit zeitlicher Validierung nach erwartetem Zukunftswert ordnen.
Kunde × Kalibrierungsfenster × Kontroll- oder Prognosehorizont
Stoppen, wenn
Prognostizierten CLV als kausalen Gewinn einer Bindungsmaßnahme interpretieren.
Methodische Alternativen
- Bei wesentlicher Abhängigkeit ein gemeinsames Häufigkeits-Wert-Modell schätzen.
- Bei schwachen Modellannahmen nichtparametrischen Kundenwert in der Kontrollstichprobe verwenden.
- Bei entscheidungsrelevanter Unsicherheit eine Verteilung endlicher Zukunftswerte statt einer einzelnen Punktschätzung berichten.
17
Reproduzierbarkeitsvertrag
Python und R sind die ausführbaren Referenzen. SPSS und SAS bleiben Sekundärsyntax, bis sie mit denselben Daten, derselben Spezifikation und denselben Diagnosen geprüft sind.
Die Engine wählt ausschließlich Slice und expliziten Zweig dieser Seite. Hash, Ausgaben und Diagnosen bleiben im atomaren Dossier versiegelt; ein generischer Fallback-Zweig ist unzulässig.
Slice-Fingerabdruck: a2f01105b3c5d241542a4a19ae1afc63bc39cddd8c5ac4fb926e84d214895d42
Verfügbare Ressource · MSC-004
Synthetische nichtvertragliche CLV
CSV · CC0
msc-validation-inputs-v1.csv ↓Python · MIT
msc-validation-reference-v1.py ↓R · MIT
msc-validation-reference-v1.R ↓SPSS / SAS · MIT · nur zur Inspektion
SPSS ↓SAS ↓Formales Modell
Gate: independence_diagnostic_completed = 1 and monetary_model_calibrated = 1; frequency_value_correlation is reported but does not prove independence. CLV = discounted_sum(predicted_transactions_t × mean_transaction_value_eur × contribution_margin_rate / (1 + discount_rate_per_period)^t)Geprüftes Dossier: Aussagen sind mit Quellen auf Passagebene verknüpft, die Python/R-Berechnung ist reproduziert, Grenzen sind explizit und die unabhängige wissenschaftliche Prüfung ist abgeschlossen.
18
Erwartetes Endergebnis
- 01
Wie schätzt man CLV mit BG/NBD und Gamma-Gamma? —
Kunde × Kalibrierungsfenster × Kontroll- oder Prognosehorizont - 02
predicted_transactions_t · mean_value · margin_rate · discount_rate · t · CLV
- 03
Gate: independence_diagnostic_completed = 1 and monetary_model_calibrated = 1; frequency_value_correlation is reported but does not prove independence. CLV = discounted_sum(predicted_transactions_t × mean_transaction_value_eur × contribution_margin_rate / (1 + discount_rate_per_period)^t) - 04
Nichtvertraglicher Kontext · BG/NBD-Kalibrierung und Kontrollstichprobe · Prüfung der Häufigkeits-Wert-Abhängigkeit · Gamma-Gamma-Eignung · Konventionen für Marge und Diskontperiode
- 05
Kunden mit zeitlicher Validierung nach erwartetem Zukunftswert ordnen. / Prognostizierten CLV als kausalen Gewinn einer Bindungsmaßnahme interpretieren.
19
Wissenschaftliche Quellen und Evidenzstatus
Geprüftes Dossier: Aussagen sind mit Quellen auf Passagebene verknüpft, die Python/R-Berechnung ist reproduziert, Grenzen sind explizit und die unabhängige wissenschaftliche Prüfung ist abgeschlossen.
MSC-P028-C01— Das Wertmodell setzt einen stabilen individuellen Transaktionswert voraus.MSC-P028-C02— Wert- und Transaktionsprozess erfordern eine Unabhängigkeitsannahme.MSC-P028-C03— Modellkomponenten werden mit Kontrollstichprobentests geprüft.MSC-P028-C04— CLV wird als diskontierter Erwartungswert für eine definierte Kundenbasis ausgedrückt.MSC-P028-C05— BG/NBD ist das deklarierte Wiederkaufsmodell.MSC-P028-C06— Der zitierte Vergleich ist empirisch und auf die untersuchten Kaufumgebungen begrenzt.
Datensatz · Werkzeug
Methodische Verbindungen