Quanto vale un abbonato se si hanno solo sei mesi di ritenzione osservata?

Per stimare il valore di un abbonato, il metodo dei manuali prende un tasso di ritenzione e lo suppone costante ^[C19]. Eppure, in una coorte, questo tasso aumenta con l'anzianità: gli abbonati più volatili se ne vanno per primi, e quelli che restano sono, in media, più fedeli ^[C09]. Un tasso costante ignora questa selezione e sottostima il valore della base di abbonati ^[C20]. Il modello shifted-beta-geometric (sBG) di Fader e Hardie descrive questa selezione con due parametri e proietta la ritenzione oltre lo storico osservato.

Su dati sintetici, dove la verità è nota, una coorte di 2.000 abbonati mensili osservata per sei mesi: il tasso costante stima il valore di un nuovo abbonato a 103 €, il modello sBG a 290 €, per un valore vero di 279 €. Su 100 simulazioni indipendenti, il tasso costante sottostima il valore degli abbonati rimasti in 100 casi su 100. Due riserve pesano su queste cifre: più della metà del valore si gioca oltre il 24° mese, che lo storico non permette di verificare, e il risultato dipende fortemente dal tasso di attualizzazione scelto.

Un servizio in abbonamento mensile — box in abbonamento, software, stampa online — ha acquisito 2.000 abbonati a gennaio. All'inizio di ogni mese l'abbonato paga e l'azienda incassa un margine di 12 €; a fine mese, rinnova o disdice. Sei mesi dopo, 1.058 abbonati sono ancora attivi. La direzione finanziaria chiede due cifre: quanto vale un nuovo abbonato, per fissare il costo di acquisizione massimo, e quanto valgono i 1.058 abbonati rimasti, per sapere che cosa rappresenta la base da fidelizzare.

I dati della pagina sono sintetici: sappiamo che la probabilità di disdetta varia da un abbonato all'altro secondo una distribuzione beta di parametri 0,5 e 2,5 — una distribuzione che descrive come questa probabilità si ripartisce tra gli abbonati —, cioè una disdetta media di 1 su 6 al mese, un livello elevato per un abbonamento.

A partire dalle disdette osservate nei primi sei mesi di una coorte, qual è il valore attuale atteso dei margini futuri di un nuovo abbonato, e quello di un abbonato ancora presente dopo sei mesi? Questi due valori richiedono di proiettare la curva di sopravvivenza della coorte ben oltre l'orizzonte osservato: sommando solo la parte osservata della curva, si sottostimano la durata di vita e il valore ^[C02].

I tassi di ritenzione osservati salgono nettamente nel periodo: 83,4 %, 87,8 %, 89,3 %, 92,5 %, 93,9 % e 93,2 %. Due scorciatoie comuni li riassumono in un'unica cifra:

• il tasso complessivo, ponderato per le scadenze: 942 disdette su 8.781 scadenze di rinnovo, cioè un tasso di ritenzione costante dell'89,3 %;
• l'ultimo tasso osservato, ritenuto più rappresentativo della coorte attuale: 93,2 %.

In entrambi i casi si suppone che ogni mese futuro somigli al passato. Ma l'aumento dei tassi non deriva dal fatto che ogni abbonato diventerebbe più fedele col tempo: nei nostri dati la probabilità individuale è costante per costruzione. Deriva da una selezione: gli abbonati con alta probabilità di disdetta se ne vanno presto, e la coorte si concentra sui fedeli ^{[C08, C09]}. Questo fenomeno si chiama «l'astuzia dell'eterogeneità» ^[C10]. Adattare una retta, una parabola o un'esponenziale alla curva osservata non risolve nulla: queste curve aderiscono ai dati passati e deragliano una volta prolungate ^[C03].

Il modello sBG racconta una storia semplice ^[C04]:

1. alla fine di ogni mese, ogni abbonato «lancia una moneta»: disdice o rinnova;
2. per un dato abbonato, la probabilità di disdire, indicata con θ, non cambia nel tempo;
3. questa probabilità varia da un abbonato all'altro ^[C05], secondo una distribuzione beta ^[C06], una distribuzione flessibile, compresa tra 0 e 1.

Due parametri, α e β, riassumono l'intera coorte. Li si stima sui mesi osservati, poi si calcola la ritenzione di ogni mese futuro. Il modello produce meccanicamente tassi di ritenzione che aumentano con l'anzianità, mentre ogni abbonato mantiene lo stesso comportamento ^[C08].

Per ogni coorte di acquisizione, il numero di abbonati ancora attivi a ogni scadenza di rinnovo. Bastano conteggi aggregati: il modello si stima anche sulla quota della coorte ancora attiva ^[C31] — ma servono le numerosità reali per misurare l'incertezza. Servono anche il margine per periodo, incassato a inizio periodo, e un tasso di attualizzazione espresso nella stessa unità di tempo delle scadenze: qui l'1 % al mese, cioè circa il 12,7 % all'anno.

Il metodo presuppone scadenze fisse (mensili, annuali) e una disdetta osservata dall'azienda ^[C01]. Se la disdetta può avvenire in qualsiasi momento, serve l'equivalente in tempo continuo ^[C15]; se l'azienda non vede l'uscita del cliente, come nel commercio senza abbonamento, servono altri modelli ^[C16].

Questa sezione si rivolge al professionista. Chi deve decidere può saltarla e riprendere da «Il calcolo dichiarato»: basta la frase «In parole semplici» che la conclude.

• T: il numero di mensilità pagate da un abbonato, cioè la sua durata di vita in mesi; T ≥ 1.
• θ: la probabilità, propria di ogni abbonato, di disdire a una scadenza; è costante nel tempo. Se θ fosse noto, si avrebbe S(t | θ) = (1 − θ)ᵗ.
• θ segue una distribuzione beta di parametri α > 0 e β > 0 ^[C06]. La sua media α / (α + β) è la probabilità media di disdetta; l'indice di polarizzazione φ = 1 / (α + β + 1) misura l'eterogeneità ^[C34]: vicino a 0, tutti gli abbonati si somigliano; vicino a 1, si dividono tra molto fedeli e molto volatili.
• S(t) = P(T > t): la quota della coorte ancora attiva dopo t scadenze; S(0) = 1.
• Tasso di ritenzione alla scadenza t: rₜ = S(t) / S(t − 1) = (β + t − 1) / (α + β + t − 1), da cui S(t) = r₁ × r₂ × … × rₜ. Le probabilità si calcolano per ricorrenza, senza funzione beta ^[C07]: P(T = 1) = α / (α + β) e P(T = t) = P(T = t − 1) × (β + t − 2) / (α + β + t − 1).
• Log-verosimiglianza su sei scadenze, con nₜ disdette alla scadenza t, s₆ abbonati ancora attivi e ln il logaritmo naturale: LL(α, β) = Σₜ₌₁⁶ nₜ ln P(T = t) + s₆ ln S(6) ^[C38]. Si cercano i valori di α e β che la rendono massima ^[C11].
• m: margine al mese, incassato a inizio mese; d: tasso di attualizzazione mensile.
• Valore di un nuovo abbonato, o CLV (customer lifetime value, valore del ciclo di vita del cliente): CLV = m × Σₜ₌₀^∞ S(t) / (1 + d)ᵗ ^[C33].
• Valore residuo di un abbonato ancora attivo dopo n scadenze, misurato nel momento in cui ha appena pagato la mensilità n + 1: VR(n) = m × Σₜ₌ₙ₊₁^∞ [S(t) / S(n)] / (1 + d)ᵗ⁻ⁿ. Il rapporto S(t) / S(n) tiene conto dell'anzianità già acquisita: un abbonato che ha già rinnovato sei volte ha probabilmente un θ più basso della media ^[C21]. Fader e Hardie misurano questo valore subito prima della decisione di rinnovo e vi includono il pagamento successivo; questa scelta della data è una convenzione ^[C39], e le due formulazioni si ricavano l'una dall'altra.
• Modello a tasso costante (geometrico), limite del modello sBG quando la polarizzazione tende a 0 ^[C35]: θ̂ = disdette / scadenze di rinnovo, S(t) = (1 − θ̂)ᵗ, da cui CLV = m (1 + d) / (d + θ̂).

In parole semplici: ogni abbonato conserva la propria probabilità di andarsene; poiché i più volatili se ne vanno per primi, la coorte diventa più fedele, e il valore di un abbonato dipende da quanto tempo è già rimasto.

1. Coorte sintetica generata da una ricorrenza congruenziale dichiarata (seme 20261002; x ← 1103515245 · x + 12345 mod 2³¹), identica in Python e in R. La durata di ogni abbonato è estratta invertendo la funzione di sopravvivenza sBG vera (α = 0,5, β = 2,5).
2. Calibrazione sulle prime sei scadenze; i mesi da 7 a 24 sono tenuti da parte per giudicare la proiezione.
3. Modello a tasso costante: stima di massima verosimiglianza, che si riduce al rapporto disdette / scadenze.
4. Modello sBG: massima verosimiglianza su (ln α, ln β) con l'algoritmo del simplesso di Nelder-Mead, scritto a mano; il programma si arresta con un errore se l'algoritmo non converge. Errori standard dalla matrice hessiana numerica sulla scala logaritmica, riportati ad α e β con il metodo delta: errore standard di α = α × errore standard di ln α.
5. Variante «ultimo tasso»: l'ultimo tasso di ritenzione osservato (mese 6), prolungato identico.
6. Valori attualizzati all'1 % al mese (circa il 12,7 % all'anno), margine di 12 € al mese, serie troncate a 3.000 termini — il resto è inferiore a un centesimo.
7. Incertezza: bootstrap parametrico, 200 coorti simulate a partire dai parametri stimati, ciascuna ristimata; l'intervallo va dal 5° al 195° dei 200 valori ordinati, cioè un intervallo di confidenza al 95 % circa.
8. Ripetizione dell'intera procedura su 100 coorti indipendenti, per separare ciò che è sistematico da ciò che dipende dal caso di una singola simulazione.
9. Sensibilità: quota del valore situata oltre il 24°, il 60° e il 120° mese; valori limitati alle prime 24, 36 e 60 mensilità; valori per un tasso di attualizzazione dello 0,5 %, dell'1 %, dell'1,5 % e del 2 % al mese, e del 10 % al mese, cioè il tasso per scadenza degli autori, le cui scadenze sono annuali.
10. Controllo del codice prima dell'uso: i due programmi ritrovano le stime pubblicate da Fader e Hardie (2007) sui loro due insiemi di dati (α = 0,668 e β = 3,806; α = 0,704 e β = 1,182) ^{[C12, C13]}, nonché le dieci durate residue attualizzate della tabella 4 di Fader e Hardie (2010) ^[C32], e si arrestano con un errore se non le ritrovano. Il testo dell'articolo del 2007 stampa 0,688 per α a pagina 9; è il valore dell'appendice, 0,668, quello che la massima verosimiglianza ritrova.

Le stime. Il modello a tasso costante dà una disdetta del 10,7 % al mese. Il modello sBG dà α = 0,475 (errore standard 0,048) e β = 2,371 (0,327), cioè una disdetta media del 16,7 % e un indice di polarizzazione di 0,26 — vicini ai valori veri, 16,7 % e 0,25. Il modello sBG si adatta nettamente meglio: log-verosimiglianza −2.926,8 contro −2.992,4, e un criterio d'informazione di Akaike — che bilancia la qualità dell'adattamento e il numero di parametri, e per il quale un valore più basso è migliore — inferiore di 129 punti.

La proiezione, giudicata sui mesi tenuti da parte.

Il modello sBG stima un tasso di ritenzione del 93,9 % al 6° mese, nel periodo di calibrazione, poi proietta il 96,6 % al 12° mese e il 98,2 % al 24°: la coorte si stabilizza sui suoi abbonati fedeli.

I valori.

Rispetto al valore vero, il tasso costante sottostima il valore di un nuovo abbonato del 63 % e quello degli abbonati rimasti dell'80 %; l'ultimo tasso, del 68 %. Il modello sBG sovrastima i due valori di circa il 4 % su questa simulazione.

Ciò che lo storico non verifica. Il valore sBG di un nuovo abbonato si colloca per il 56,8 % oltre il 24° mese, per il 32,4 % oltre il 60° e per il 14,6 % oltre il 120°; per un abbonato rimasto, queste quote sono del 70,8 %, del 40,5 % e del 18,3 %. Limitato alle prime mensilità, il valore di un nuovo abbonato è il seguente:

La sensibilità al tasso di attualizzazione.

La sola scelta del tasso, tra lo 0,5 % e il 2 % al mese, sposta il valore sBG di un nuovo abbonato da 431 € a 193 €: molto più dell'incertezza di stima.

Su 100 coorti indipendenti.

La distorsione è la media delle 100 stime meno il valore vero. Per il modello sBG non è distinguibile da zero: il suo errore di simulazione è di 1,92 € per un nuovo abbonato e di 3,35 € per un abbonato rimasto. Il tasso costante e l'ultimo tasso sottostimano il valore degli abbonati rimasti in 100 simulazioni su 100. Le stime a tasso costante variano poco da una simulazione all'altra: sono precise, ma sbagliate.

• Probabilità individuale costante. Il modello attribuisce tutto l'aumento dei tassi alla selezione. Un'altra spiegazione possibile è che ogni abbonato cambi realmente con l'anzianità ^[C28]; con dati aggregati le due spiegazioni non si distinguono, e l'ipotesi quindi non è verificabile qui. I vostri abbonati si affezionano al servizio col tempo, o se ne stancano? Il modello beta-Weibull discreto allenta questa ipotesi ^[C17].
• Nessuna rottura pianificata. Nei dati mensili, la stagionalità e la fine delle offerte di lancio creano picchi di disdetta; si può allora sostituire il modello sBG con un modello di durata con variabili esplicative ^[C29]. La vostra offerta di prova a 1 € termina al 3° mese?
• Scadenze fisse e uscita osservata: il metodo non vale né per disdette in qualsiasi momento ^[C15], né per un commercio senza abbonamento ^[C16]. I vostri abbonati possono disdire nel corso del mese, e sapete sempre che se ne sono andati?
• Una coorte rappresentativa di quelle future. Coorti acquisite in momenti diversi o tramite canali diversi possono comportarsi in modo diverso ^[C37]. Con più coorti, il punto di partenza naturale è raggrupparle sotto parametri comuni; si possono anche stimare separatamente o assegnare loro parametri propri ^[C18]. Le vostre coorti di gennaio e di settembre sono state acquisite tramite gli stessi canali, allo stesso prezzo?
• Margine costante al mese: un abbonato che passa a una formula superiore richiede di modellare il margine a parte. Il vostro margine per abbonato cambia con l'anzianità?
• Gli abbonati disdicono indipendentemente gli uni dagli altri. Un cambio di prezzo o un disservizio non ha forse provocato un'ondata di uscite simultanee?

• Validazione fuori campione: su dati reali, tenere da parte gli ultimi mesi, stimare sui primi e confrontare la proiezione con l'osservato. Qui lo scarto medio del modello sBG è di 1,1 punti percentuali sui mesi da 7 a 24. Questo controllo riguarda solo l'orizzonte osservato: non verifica il 56,8 % del valore di un nuovo abbonato che si gioca dopo il 24° mese, e che è determinato dalla forma della distribuzione beta vicino a θ = 0, mentre sei mesi di storico dicono poco su di essa.
• Confronto degli adattamenti: il rapporto di verosimiglianza vale 131,3. Il modello a tasso costante è il limite del modello sBG quando la polarizzazione tende a 0 ^[C35], un valore al bordo dello spazio dei parametri: la consueta distribuzione del χ² non si applica esattamente, e la cifra va letta come un indicatore, non come un test.
• Incertezza di stima: con il bootstrap parametrico, l'intervallo di confidenza al 95 % circa del valore atteso di un nuovo abbonato va da 250 € a 331 €, quello del valore atteso di un abbonato rimasto da 397 € a 537 €. Questi intervalli riguardano il valore atteso, non il valore che realizzerà un dato abbonato; presuppongono che il modello sBG sia corretto e non coprono né l'errore di modello, né l'incertezza sul margine futuro o sul tasso di attualizzazione.
• Errori standard dei parametri: 0,048 per α, 0,327 per β. Con sei mesi di storico, β resta il parametro meno noto.
• Tasso di attualizzazione: dallo 0,5 % al 2 % al mese, il valore sBG di un nuovo abbonato va da 431 € a 193 €; questa scelta, che spetta alla direzione finanziaria, pesa più dell'incertezza di stima.
• Ciò che la simulazione dimostra, e ciò che non dimostra: i dati sono generati da un modello sBG, quindi il modello sBG vi è corretto per costruzione. La simulazione misura il costo di ignorare l'eterogeneità quando esiste; non dimostra che il modello sBG sia adatto ai vostri dati.

Il tasso di ritenzione della coorte sale perché la coorte cambia composizione, non perché ogni abbonato cambia. Un tasso costante tratta il 25° mese come il 2°, il che equivale a far uscire troppo presto gli abbonati fedeli. L'errore pesa soprattutto sul valore degli abbonati rimasti: sono proprio i fedeli. Gli autori del modello trovano, con un'analisi numerica, una sottostima dell'ordine del 25 %–50 % in situazioni comuni ^[C26], e del 28 % e del 48 % quando applicano i parametri stimati su due insiemi di dati reali a una base fittizia che acquisisce 10.000 clienti all'anno ^[C25]; non lo dimostrano formalmente ^[C30]. Il nostro scarto è maggiore, e la ragione principale è il tasso di attualizzazione per periodo: all'1 % al mese, i mesi lontani, in cui restano solo i fedeli, pesano molto più che al 10 % per scadenza, la convenzione degli autori, le cui scadenze sono annuali. Applicato alle nostre scadenze mensili e alla nostra coorte unica, e non alla base di cinque coorti degli autori, un tasso del 10 % al mese riporta lo scarto sugli abbonati rimasti a −39 % per il tasso costante e a −22 % per l'ultimo tasso. Più gli abbonati si somigliano, più l'errore del tasso costante è piccolo ^[C23]; quando l'eterogeneità è forte, resta accettabile solo se la disdetta media è molto bassa ^[C24].

• Ammesso: «Su questa coorte, se l'aumento dei tassi deriva dalla selezione degli abbonati e con un tasso di attualizzazione dell'1 % al mese, il valore atteso di un nuovo abbonato è di circa 290 € di margine attualizzato, con un intervallo di confidenza al 95 % circa da 250 € a 331 €.»
• Ammesso: «In questa simulazione (sBG, α = 0,5, β = 2,5), valutare la base con un tasso di ritenzione costante la sottostima fortemente; accade in 100 simulazioni su 100.»
• Vietato: concludere che gli abbonati diventano più fedeli invecchiando. I dati aggregati non distinguono la selezione da un vero cambiamento individuale ^[C28].
• Vietato: presentare il valore proiettato come certo. Un CLV è un valore atteso ^[C22], condizionato al modello, al margine e al tasso di attualizzazione, e più della metà ne è proiettata oltre lo storico.
• Vietato: applicare il modello a clienti senza abbonamento, o a una coorte segnata dalla fine di un'offerta di lancio, senza adattarlo ^{[C16, C29]}.
• Vietato: presentare queste cifre come un risultato di mercato; i dati sono sintetici.

• Tetto di acquisizione. Partire dal limite inferiore dell'intervallo — 250 € di margine attualizzato per nuovo abbonato —, e non dai 103 € del tasso costante, che, se il modello è corretto, porterebbero a rifiutare campagne redditizie. Un tetto pari al valore atteso corrisponde al punto di pareggio, non a un profitto: il margine di sicurezza, in particolare per l'errore di modello e la scelta del tasso di attualizzazione, resta una decisione della direzione finanziaria. Questo tetto presuppone inoltre che i prossimi abbonati acquisiti si comportino come questa coorte ^[C37]; va verificato su ogni nuova coorte e ogni nuovo canale.
• Fidelizzazione. Il valore degli abbonati rimasti — circa 494.000 €, tra 420.000 € e 568.000 € sull'insieme dei 1.058 abbonati — misura la posta in gioco, non un budget. Il budget di fidelizzazione dipende dal guadagno che un'azione di ritenzione produce realmente: da misurare con un esperimento. La sensibilità del valore alla ritenzione, la sua elasticità, si calcola con lo stesso modello ^[C36], e anche un tasso aggregato la sottostima ^[C27].
• Monitoraggio. Ristimare il modello ogni mese, man mano che la coorte invecchia, e confrontare ogni nuova proiezione con l'osservato.

La decisione resta umana e impegna la direzione finanziaria.

• Usare: abbonamenti a scadenze fisse, mensili o annuali, ogni volta che occorre proiettare la ritenzione oltre lo storico: valore di un nuovo abbonato, valore della base, tetto di acquisizione.
• Non usare per individuare gli abbonati a rischio: per sapere quale abbonato rischia di andarsene il mese prossimo, lo strumento adatto sono i modelli di punteggio di churn, che sfruttano variabili come il numero di chiamate al servizio clienti; si prestano male, invece, alla proiezione della curva di sopravvivenza, perché i valori futuri di queste variabili non sono noti ^[C14]. Si veda la pagina sulla previsione del churn con la regressione logistica.
• Non usare da solo: con un'offerta di lancio o una forte stagionalità ^[C29], o se si sospetta che la fedeltà individuale cambi con l'anzianità ^{[C17, C28]}.
• Alternative: in tempo continuo, il modello esponenziale-gamma ^[C15]; senza abbonamento, i modelli Pareto/NBD o BG/NBD ^[C16] — si veda la pagina sulla stima del CLV non contrattuale; per descrivere la sopravvivenza osservata senza prolungarla, lo stimatore di Kaplan-Meier — si veda la pagina sull'analisi della ritenzione e della sopravvivenza. Per giudicare una proiezione su mesi tenuti da parte, si veda la pagina sulla validazione di una previsione di marketing.

• Python 3.14.5, solo libreria standard: msc-p043-reference.py, da eseguire con python msc-p043-reference.py
• R 4.6.1, solo base: msc-p043-reference.R, da eseguire con Rscript msc-p043-reference.R
• I due programmi stampano esattamente le stesse righe, la cui impronta sha256, dopo normalizzazione dei fine riga, è f98cbaeade192173a375ae7e4290cb24ec7561c498f7fbca17f45811847186fb. Seme dichiarato 20261002. Nessuna libreria di terze parti: il software non convalida il metodo, lo riproduce.
• Controllo esterno: prima di qualsiasi calcolo sui dati sintetici, i due programmi ritrovano le stime pubblicate da Fader e Hardie e le durate residue della loro tabella del 2010, e si arrestano con un errore in caso contrario ^{[C12, C13, C32]}.

La curva di ritenzione proiettata e la sua validazione fuori campione, i parametri α e β con i loro errori standard, il valore di un nuovo abbonato e quello degli abbonati rimasti con i loro intervalli, la quota di questi valori situata oltre l'orizzonte verificato, la loro sensibilità al tasso di attualizzazione, il confronto con il tasso costante, e l'elenco delle ipotesi da verificare prima di decidere.

• Fader, P. S. & Hardie, B. G. S. (2007). How to Project Customer Retention. Journal of Interactive Marketing 21(1), 76–90. ↗ — versione di lavoro degli autori, maggio 2006, testo integrale verificato ^{[C01–C18, C31, C33, C37, C38]}.
• Fader, P. S. & Hardie, B. G. S. (2010). Customer-Base Valuation in a Contractual Setting: The Perils of Ignoring Heterogeneity. Marketing Science 29(1), 85–93. ↗ — versione pubblicata, testo integrale verificato ^{[C19–C30, C32, C34–C36, C39]}.
• Livello di evidenza: dimostrazione su dati sintetici, una simulazione dettagliata, un bootstrap di 200 coorti e 100 simulazioni ripetute, riproducibile in Python e in R; codice controllato sui valori pubblicati dagli autori. Non è un risultato di mercato. Gli autori stessi stabiliscono la sottostima con un'analisi numerica, senza dimostrazione formale ^[C30].