Quanto vale un cliente che compra al massimo una volta a stagione?

Alcuni clienti possono acquistare solo in occasioni fisse: uno skipass a stagione, una donazione per campagna annuale, un ordine per catalogo ^[C01]. Senza abbonamento, nessuno avvisa quando se ne va: l'azienda vede solo un silenzio, che può essere un abbandono o una semplice pausa ^{[C02, C03]}. Prevalgono due scorciatoie: prolungare il ritmo d'acquisto passato di ogni cliente, oppure dichiarare perso chiunque resti in silenzio per due stagioni. Il modello beta-geometrico/beta-Bernoulli (BG/BB) di Fader, Hardie e Shang risponde alle due domande insieme: il cliente compra ancora, ed è ancora presente?

Su dati sintetici estratti dallo stesso modello BG/BB, che vi è quindi giusto per costruzione, 4.000 clienti sono osservati per sei stagioni; i metodi sono giudicati sulle cinque successive. Prolungare il ritmo passato per sempre, come se nessuno se ne andasse, sovrastima gli acquisti futuri del 43,2% e il valore della base clienti del 74,3%; smorzato al ritmo con cui cala il numero di acquirenti, questo ritmo sottostima il valore del 13,7%. La regola di inattività scarta 2.441 clienti, che però effettuano 707 acquisti nelle cinque stagioni successive. Il BG/BB prevede 5.033,2 acquisti contro 5.099 osservati (−1,3%, uno scarto dell'ordine del caso) e valuta la base 1.227.640 €, contro 1.256.437 € con i parametri veri: è la parte ancora da venire del valore del ciclo di vita del cliente (CLV). Due riserve: il 52,9% di questo valore si colloca oltre le cinque stagioni verificabili, e il tasso di attualizzazione pesa molto.

Una stazione sciistica vende skipass stagionali. Non c'è abbonamento: ogni autunno il cliente riacquista lo skipass oppure no. Se non lo riacquista, la stazione non sa se ha smesso di sciare lì o se si prende una pausa di un anno. Nella stessa stagione, 4.000 clienti hanno acquistato il loro primo skipass. La stazione ha osservato le sei stagioni successive: per ciascuno sa quanti skipass ha riacquistato e a quale stagione risale l'ultimo. Ogni skipass le frutta un margine di 150 €.

La direzione pone due domande: quanto vale questa coorte di clienti, e conviene continuare a ricontattare chi non ha riacquistato nulla da due stagioni — la regola interna li dichiara persi e li toglie dall'elenco della campagna di riattivazione.

I dati della pagina sono sintetici. La probabilità di acquistare in una data stagione, finché il cliente è presente, varia da un cliente all'altro secondo una distribuzione beta (un modo di descrivere come una probabilità si distribuisce tra i clienti) di parametri 1,0 e 0,8, cioè il 55,6% in media; la probabilità di andarsene definitivamente all'inizio di una stagione segue una distribuzione beta di parametri 0,5 e 2,5, cioè il 16,7% in media. Per giudicare i metodi, cinque stagioni aggiuntive, dalla 7 alla 11, sono simulate e poi messe da parte.

Per un cliente di cui si conoscono soltanto il numero di riacquisti su sei stagioni e la stagione del suo ultimo riacquisto, quanti acquisti attendersi nelle stagioni successive, e quanto vale oggi questo flusso di acquisti? Gli autori chiamano DERT (discounted expected residual transactions) il numero di acquisti futuri attesi, ciascuno attualizzato a oggi; moltiplicato per il margine, dà il valore residuo del cliente ^[C14]. La difficoltà sta in una frase: l'unico indizio di un abbandono è un silenzio insolitamente lungo, e bisogna distinguere i clienti andati via da quelli che fanno una lunga pausa ^[C03].

Tre trappole comuni:

• Prolungare il ritmo osservato. Un cliente che ha riacquistato 4 skipass in 6 stagioni «vale» 4/6 di skipass a stagione, per sempre, come se nessuno se ne andasse. Ma un cliente dal percorso perfetto può aver avuto fortuna, e può andarsene ^[C23]; al contrario, un cliente raro ma recente vale più del suo ritmo passato. Smorzare questo ritmo al tasso con cui il numero di acquirenti della coorte si mantiene da una stagione all'altra, qui il 91,5%, avvicina il livello complessivo senza correggere le differenze tra clienti.
• La regola di inattività. Due stagioni senza acquisti, e il cliente è dichiarato perso. La regola guarda la recenza, ma taglia netto dove servirebbe una probabilità: un cliente che comprava una stagione su due non è nella stessa situazione di un cliente che comprava ogni stagione e poi è sparito.
• Un modello a tempo continuo. Il modello Pareto/NBD (Pareto/binomiale negativa), riferimento per gli acquisti in qualsiasi momento, suppone acquisti secondo una distribuzione di Poisson, quella di eventi che avvengono a caso in qualsiasi momento. Quando il numero di acquisti per periodo ha un tetto, un processo di Bernoulli — comprare o no a ogni occasione — è più adatto ^[C04]; su dati di donazioni annuali, il Pareto/NBD si adatta male ^[C33].

Un modello più sofisticato tiene conto delle differenze tra clienti ma non degli abbandoni: il beta-Bernoulli (BB), riferimento naturale quando si suppone che il cliente non se ne vada mai e ripartisca soltanto i suoi acquisti tra più fornitori ^[C37]. Non coglie la «fuga» dei clienti ^[C38]; sui dati degli autori, sovrastima del 20% il numero cumulato di riacquisti alla fine della validazione ^[C20].

Il modello BG/BB racconta la storia seguente ^[C06]:

1. all'inizio di ogni stagione, un cliente ancora «vivo» può andarsene definitivamente, con una probabilità θ che gli è propria ^[C08];
2. se è ancora presente, acquista con una probabilità p che gli è propria, senza memoria degli acquisti passati ^[C07];
3. p e θ variano da un cliente all'altro secondo due distribuzioni beta ^[C09], indipendenti tra loro ^[C10].

Tutto lo storico di un cliente si riassume allora in due numeri, la sua frequenza (il numero di riacquisti) e la sua recenza (la stagione dell'ultimo riacquisto) ^[C11]. La storia spiega due effetti che nessuna scorciatoia riproduce. Un cliente che comprava ogni stagione e tace da tre stagioni se n'è probabilmente andato: il suo silenzio è troppo lungo per il suo ritmo. Un cliente che comprava di rado e tace da altrettanto tempo forse segue semplicemente il suo ritmo lento. A parità di recenza, quando l'ultimo acquisto è lontano, aver comprato molto può quindi essere un cattivo segnale ^[C28].

Per ogni cliente, sulla stessa serie di occasioni: la sua frequenza e la sua recenza, dove la recenza è la stagione dell'ultimo acquisto e non il tempo trascorso da allora — la convenzione differisce da quella del marketing diretto ^[C12]. Basta una tabella di conteggi: con sei stagioni esistono solo 22 combinazioni di frequenza e recenza, qualunque sia il numero di clienti ^[C11]. La stima e i risultati principali si calcolano in un foglio di calcolo ^[C13].

Servono anche il margine per acquisto e un tasso di attualizzazione espresso per occasione: con un'occasione all'anno, il tasso annuo va bene così com'è, qui il 10% ^[C16]. Valorizzare il DERT con un margine unico presuppone che l'importo per acquisto sia indipendente dal ritmo d'acquisto e stabile nel tempo ^[C15]; altrimenti serve un modello separato degli importi ^[C39]. Gli stessi autori modellano solo la presenza di una donazione ogni anno, e ne lasciano da parte l'importo ^[C46].

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.

• n: il numero di occasioni osservate, qui 6 stagioni; h: l'orizzonte di previsione, qui 5 stagioni; k: il rango di una stagione futura, k = 1 per la stagione 7.
• x: il numero di riacquisti nelle n stagioni; tₓ: la stagione dell'ultimo riacquisto, 0 se x = 0 ^[C12]. Yₙ₊ₖ vale 1 se il cliente acquista all'occasione n + k, 0 altrimenti; X è il numero di acquisti sull'orizzonte h; E[·] indica il valore atteso, la media attesa.
• p: la probabilità che un cliente ancora presente acquisti a un'occasione; θ: la probabilità che se ne vada definitivamente all'inizio di un'occasione ^{[C07, C08]}.
• p segue una distribuzione beta di parametri α e β, di media α / (α + β); θ una distribuzione beta di parametri γ e δ, di media γ / (γ + δ) ^[C09]. B(a, b) indica la funzione beta.
• Verosimiglianza di uno storico: 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)], dove i, da 0 a n − tₓ − 1, conta le stagioni trascorse dal cliente dopo il suo ultimo acquisto prima di andarsene. Il primo termine corrisponde a un cliente rimasto presente per tutte le n stagioni.
• Log-verosimiglianza: LL = Σⱼ fⱼ ln L(xⱼ, tₓⱼ), sulle 22 combinazioni j, dove fⱼ è il numero di clienti della combinazione e ln il logaritmo naturale. Si cercano i valori di α, β, γ e δ che la rendono massima.
• E[Yₙ₊ₖ] = [B(α + x + 1, β + n − x) / B(α, β)] × [B(γ, δ + n + k) / B(γ, δ)] / L(x, tₓ): la probabilità che il cliente sia ancora presente all'occasione n + k e vi acquisti, dato il suo storico. Sull'orizzonte: E[X] = E[Yₙ₊₁] + … + E[Yₙ₊ₕ].
• P(vivo) = [B(α + x, β + n − x) / B(α, β)] × [B(γ, δ + n + 1) / B(γ, δ)] / L(x, tₓ): la quota della verosimiglianza dello storico che corrisponde a un cliente ancora presente all'occasione n + 1.
• d: tasso di attualizzazione per occasione. DERT = Σₖ E[Yₙ₊ₖ] / (1 + d)ᵏ, per k ≥ 1: il primo acquisto futuro è attualizzato di una stagione ^{[C14, C51]}. Valore residuo: m × DERT, dove m è il margine per acquisto ^[C15].
• Scorciatoie: il ritmo prolungato vale m × (x / n) / d; il ritmo smorzato prevede (x / n) × gᵏ acquisti all'occasione n + k, dove g è il tasso medio con cui il numero di acquirenti si mantiene da una stagione all'altra, e vale m × (x / n) × g / (1 + d − g).

In parole semplici: ogni cliente conserva il proprio ritmo d'acquisto e il proprio rischio di andarsene; un lungo silenzio fa salire la probabilità che se ne sia andato, tanto più in fretta quanto più il suo ritmo passato era sostenuto.

1. Controllo del codice prima dell'uso. I due programmi ristimano il modello sulla tabella delle 22 combinazioni pubblicata dagli autori — 11.104 primi donatori di un'organizzazione non profit, seguiti per sei anni ^[C17] — e ritrovano le loro stime: α = 1,204, β = 0,750, γ = 0,657, δ = 2,783, log-verosimiglianza −33.225,6; per il BB, α = 0,487 e β = 0,826 ^[C18]. Ritrovano anche i 22 valori della loro tabella 5 ^[C21] e quelli della loro tabella 6 ^[C29], e altrimenti si fermano con un errore.
2. Coorte sintetica, estratta dal modello BG/BB con un generatore di numeri pseudocasuali scritto per esteso (seme 20261005; x ← 1103515245 · x + 12345 mod 2³¹), perché Python e R estraggano gli stessi numeri.
3. Calibrazione sulle prime sei stagioni, riassunte in 22 conteggi; le stagioni dalla 7 alla 11 sono messe da parte.
4. Stima del BG/BB e del BB per massima verosimiglianza (algoritmo del simplesso di Nelder-Mead, che cerca il massimo passo dopo passo, riavviato fino alla stabilità); sui dati degli autori come sulla coorte, un punto di partenza a 0,01 per i quattro parametri porta allo stesso ottimo.
5. Cinque previsioni, cliente per cliente: ritmo prolungato e regola di inattività, entrambi prolungati senza fine e senza abbandono, con la regola che vale zero dopo due stagioni senza acquisti; ritmo smorzato al ritmo con cui cala il numero di acquirenti; BB; BG/BB. Riferimento: il valore atteso calcolato con i parametri veri.
6. Valori: 150 € per skipass, attualizzazione del 10% a stagione, serie di 2.000 termini.
7. Incertezza: bootstrap parametrico — 1.000 coorti simulate a partire dai parametri stimati, ciascuna ristimata; intervallo dal 25° al 975° valore ordinato, cioè 95% circa.
8. Ripetizione su 100 coorti indipendenti estratte dai parametri veri; il ritmo smorzato, che richiede gli acquirenti stagione per stagione, non vi figura.
9. Sensibilità al tasso di attualizzazione, al 5% e al 15%, e quota del valore oltre le stagioni 11, 16 e 26.
10. Invarianti: 15 identità, tra cui l'uguaglianza tra il DERT calcolato come serie e la formula chiusa degli autori; i programmi si fermano se una fallisce.

I dati. Nelle sei stagioni, i 4.000 clienti riacquistano 8.762 skipass. 435 riacquistano ogni stagione; 1.271, cioè il 31,8%, non hanno riacquistato alcuno skipass in queste sei stagioni; 2.441, cioè il 61,0%, non hanno acquistato nulla nelle ultime due, e la regola interna li dichiara persi.

Le stime. Il BG/BB dà α = 0,882, β = 0,744, γ = 0,574 e δ = 3,342, cioè una probabilità media d'acquisto del 54,2% (intervallo al 95% circa: dal 51,8% al 56,8%) e una probabilità media di abbandono del 14,7% a stagione (dall'11,8% al 17,8%), per valori veri del 55,6% e del 16,7%. Si adatta molto meglio del BB: log-verosimiglianza −12.227,6 contro −12.732,6.

La previsione, giudicata sulle stagioni messe da parte.

Il caso da solo fa variare questo totale di circa 71,2 acquisti (una deviazione standard, cioè l'1,4%): lo scarto del BG/BB non se ne distingue. Il totale della regola di inattività sembra accettabile; la sua composizione non lo è. Acquisti medi per cliente nelle stagioni dalla 7 alla 11, secondo la stagione dell'ultimo riacquisto:

La regola azzera clienti che comprano ancora, e sovrastima quelli che hanno appena comprato.

Sei profili di clienti. Acquisti attesi nelle stagioni dalla 7 alla 11 e valore residuo attualizzato per cliente:

La contrazione agisce nei due sensi: un cliente con un solo riacquisto, ma nella stagione 6, vale più del suo ritmo passato.

Il valore della coorte.

Le prime due scorciatoie valorizzano il ritmo passato per sempre, senza abbandoni: è soprattutto questa ipotesi a gonfiarne il valore. Smorzato, il ritmo sottostima il valore: tratta tutti i clienti allo stesso modo e non vede che i fedeli restano. L'ampiezza di questi scarti dipende anche dal tasso di abbandono scelto per la simulazione.

I 2.441 clienti che la regola dichiara persi portano ancora, secondo il BG/BB, 175.833 € di valore atteso se nulla cambia, cioè il 14,3% della coorte; nelle stagioni dalla 7 alla 11, 366 di loro tornano e acquistano 707 skipass, contro 720,9 previsti. I 1.271 clienti senza alcun riacquisto valgono 28,17 € ciascuno, cioè 35.805 € in tutto, il 2,9% del valore.

Ciò che lo storico non verifica. Il valore BG/BB della coorte si colloca per il 52,9% oltre la stagione 11, l'ultima messa da parte, per il 29,1% oltre la stagione 16 e per il 9,4% oltre la stagione 26.

Il tasso di attualizzazione. Al 5% a stagione, il valore BG/BB della coorte sale a 2.087.835 €, contro 2.164.955 € con i parametri veri; al 15%, scende a 881.456 €, contro 897.102 €. Questa scelta, che spetta alla direzione finanziaria, pesa molto più dell'incertezza di stima.

Su 100 coorti indipendenti, gli acquisti previsti per le stagioni dalla 7 alla 11 si discostano dal loro valore atteso calcolato con i parametri veri del +44,2% in media per il ritmo prolungato (deviazione standard 0,8%), del +10,6% per la regola di inattività (0,7%) e del −0,3% per il BG/BB (1,9%). Il ritmo prolungato sovrastima questo valore atteso in 100 estrazioni su 100; lo scarto medio del BG/BB non è distinguibile da zero, essendo il suo errore di simulazione dello 0,2%.

• Occasioni fisse, al massimo un acquisto per occasione ^{[C01, C04]}. Se il cliente può acquistare più volte per periodo, la direzione può scegliere di contare solo la presenza di un acquisto, come per un comportamento raro ^[C05]; si perde allora l'informazione sul numero di acquisti. I vostri clienti acquistano a volte due skipass nella stessa stagione, per un familiare?
• Un abbandono definitivo ^[C06]. Applicare un modello di abbandono definitivo a clienti che non se ne vanno mai del tutto ne sottostima sistematicamente il valore, secondo Rust e colleghi, citati dagli autori ^[C50]. Una parte dei vostri clienti si assenta per qualche stagione, durante un soggiorno all'estero, prima di tornare?
• Un ritmo individuale costante, senza memoria degli acquisti passati ^[C07]. I vostri clienti comprano più spesso man mano che si affezionano alla stazione, o meno spesso man mano che i figli crescono?
• L'indipendenza tra ritmo d'acquisto e rischio di abbandono ^[C10]. Sui dati di donazioni degli autori è violata ^[C34]: la correlazione stimata è 0,361 ^[C35]. Consentire questa correlazione nel modello lascia le previsioni vicine nel complesso, con alcuni scarti notevoli — 3,59 acquisti invece di 3,75 per un donatore dal percorso perfetto ^[C36] — e migliora nettamente l'adattamento, con il χ² che passa da 47,9 a 4,8 ^[C48]; gli autori giudicano incerto il rapporto costi-benefici ^[C49]. I vostri clienti più assidui sono anche i più fedeli?
• Una politica commerciale futura simile a quella passata: il modello ignora l'effetto delle azioni di marketing ^[C40] e suppone che resteranno più o meno le stesse ^[C41]. Avete cambiato prezzi, comprensorio sciistico o canale di vendita durante il periodo osservato?
• Un margine per acquisto costante e indipendente dal ritmo ^{[C15, C39]}. I vostri clienti fedeli godono di una tariffa ridotta?
• Una coorte rappresentativa: gli autori raccomandano di stimare il modello separatamente secondo la data o il canale di acquisizione ^[C44]. Una coorte che ha avuto una sola occasione d'acquisto dal reclutamento non permette di stimare il modello; si possono allora raggruppare le coorti con parametri comuni, al prezzo di un'ipotesi forse restrittiva ^[C32]. I vostri clienti acquisiti online si comportano come quelli acquisiti in biglietteria?
• Ciò che i dati non possono stabilire: il carattere definitivo dell'abbandono, poiché un abbandono e una pausa molto lunga lasciano lo stesso silenzio ^[C03], e la stabilità futura della politica commerciale. Le altre ipotesi si controllano: la validazione fuori campione per il ritmo costante, un modello esteso per l'indipendenza ^[C34], la fatturazione per il margine.

• Validazione fuori campione: su dati reali, mettere da parte le ultime stagioni e confrontare, per recenza e per frequenza, acquisti previsti e osservati. Qui il BG/BB prevede il totale con uno scarto del −1,3%, e 1.667,5 clienti che hanno acquistato almeno una volta nelle stagioni dalla 7 alla 11, contro 1.690 osservati. Sui dati di donazioni, le sue previsioni seguono il numero cumulato di riacquisti durante i sei anni di calibrazione e i cinque di validazione ^[C19]; il loro unico difetto notevole è sottostimare gli acquisti dei donatori la cui ultima donazione era lontana ^[C47], una parte del segmento che la regola di inattività scarta. Questa validazione copre solo cinque stagioni, mentre il 52,9% del valore si colloca oltre.
• Preferire una quantità osservabile: la probabilità di essere ancora presente riguarda uno stato che nessuno osserva; quella di acquistare almeno una volta in un periodo futuro si verifica ^[C31].
• L'errore a livello del singolo cliente: lo scarto assoluto medio tra acquisti previsti e osservati vale 0,747 per cliente per il BG/BB e 0,745 con i parametri veri: domina il caso individuale. La regola di inattività ottiene 0,689, perché questo criterio premia una previsione di zero per i clienti con poche probabilità di acquistare; la mediana prevista dal BG/BB, al posto della sua media, ottiene 0,653. Un valore atteso si giudica per gruppo.
• Adattamento: il χ² (una misura dello scarto tra conteggi previsti e osservati) sulle 22 combinazioni vale 20,98 per 17 gradi di libertà, una probabilità di 0,23: uno scarto che il caso spiega senza difficoltà. Il rapporto di verosimiglianza, che misura di quanto il BG/BB si adatta meglio del BB, vale 1.010,1; poiché il BB si raggiunge solo al limite in cui γ tende a zero, la distribuzione abituale di questo rapporto non si applica, ma uno scarto simile resta schiacciante.
• Incertezza di stima, per bootstrap parametrico: l'intervallo di confidenza al 95% circa degli acquisti attesi nelle stagioni dalla 7 alla 11 va da 4.781,6 a 5.232,2; quello del valore della coorte, da circa 1.091.000 € a 1.327.000 €; quello del valore di un cliente con 6 riacquisti su 6, da 847,92 € a 1.003,04 €. Questi intervalli riguardano il valore atteso, non ciò che i clienti realizzeranno; presuppongono che il modello sia giusto e non coprono né l'errore di modello, né l'incertezza sul margine o sul tasso di attualizzazione.
• Ciò che la simulazione non dimostra: i dati sono estratti da un modello BG/BB, giusto per costruzione. La simulazione misura il costo delle scorciatoie quando questo modello è vero; non dimostra che sia adatto ai vostri clienti.

Il ritmo prolungato e il BB trattano ogni cliente come se fosse ancora presente; ignorano la fuga dei clienti ^[C38]. Dal cliente perfetto, 6 riacquisti su 6, non ci si attendono 5 acquisti nelle cinque stagioni successive ma 3,86 in media: può aver avuto fortuna, e può andarsene ^[C23]. Gli autori trovano la stessa contrazione tra i loro donatori, 3,75 acquisti attesi in cinque anni ^[C22].

La regola di inattività guarda la variabile giusta, la recenza ^[C25], ma la trasforma in una ghigliottina. Confrontate due clienti: 5 riacquisti con un ultimo acquisto nella stagione 5 danno 2,04 acquisti attesi; 4 riacquisti con un ultimo acquisto nella stagione 6, 2,74. Il cliente con un riacquisto in meno, ma più recente, vale di più — gli autori osservano lo stesso ribaltamento tra due donatori, 1,81 contro 2,71 ^[C24]. Al contrario, un cliente con 3 riacquisti di fila seguiti da tre stagioni di silenzio con ogni probabilità ha lasciato la stazione: gli resta solo una probabilità di 0,14 di essere ancora presente, contro 0,94 per tutti coloro che hanno acquistato nella stagione 6, qualunque sia la loro frequenza ^[C30]. Il ritmo prolungato gli attribuisce ancora 2,50 acquisti; il BG/BB, 0,32.

Infine, i clienti senza alcun riacquisto pesano poco uno per uno, senza essere nulli insieme: qui il 2,9% del valore. Tra i donatori degli autori, quelli senza alcuna nuova donazione, oltre il 30% della coorte, dovrebbero fare più di 240 donazioni in cinque anni, più di circa la metà degli altri gruppi ^{[C26, C27]}.

• Ammesso: «Su questa coorte, se il modello BG/BB è giusto e con un'attualizzazione del 10% a stagione, il valore residuo atteso è di circa 1.228.000 € di margine attualizzato, con un intervallo di confidenza al 95% circa da 1.091.000 € a 1.327.000 €.»
• Ammesso: «In questa simulazione, prolungare il ritmo d'acquisto passato sovrastima il valore atteso degli acquisti delle cinque stagioni successive in 100 estrazioni su 100.»
• Ammesso: «I clienti silenziosi da due stagioni non sono persi in blocco: se nulla cambia, portano ancora il 14,3% del valore atteso.»
• Vietato: dire che un dato cliente se n'è andato, o che tornerà. Il modello fornisce probabilità e valori attesi; essere presente ed essere attivo sono due cose diverse ^[C31].
• Vietato: concludere che una campagna di riattivazione farà tornare i clienti silenziosi. Il modello prevede ciò che accadrà se la politica commerciale resta la stessa ^[C41]; non misura l'effetto di un'azione ^[C40].
• Vietato: presentare queste cifre come un risultato di mercato; i dati sono sintetici.

• Non dichiarare persi, in base a una regola, clienti che comprano ancora. Ordinare i clienti per acquisti attesi — l'ordinamento per valore attualizzato è lo stesso ^[C52] — dice dove si trovano, non che cosa farebbe loro fare una campagna di riattivazione: il loro margine atteso è quello di una politica invariata. Per sapere se ricontattare i clienti silenziosi rende più di quanto costa serve un esperimento, con un gruppo di controllo non ricontattato. Se poi si indirizzano azioni in base ai risultati del modello, occorre ristimarlo sui dati aggiornati; le sue previsioni offrono allora una base poco costosa per seguire l'effetto di queste azioni ^[C42], e un modello che integri le azioni di marketing dovrà trattare l'endogeneità della selezione dei destinatari, cioè il fatto che i clienti selezionati differiscono già dagli altri ^[C45].
• Valutare la base con prudenza. Circa 1.228.000 €, ma più della metà di questo valore si colloca oltre l'orizzonte verificabile, e a seconda che il tasso scelto sia del 15% o del 5%, va da 881.456 € a 2.087.835 €, cioè più del doppio. L'importo resta una decisione della direzione finanziaria.
• Monitorare. Ristimare il modello ogni stagione e confrontare le sue previsioni con l'osservato ^[C43]; stimarlo separatamente per ogni coorte di acquisizione e ogni canale ^[C44].

La decisione resta umana e impegna la direzione commerciale e la direzione finanziaria.

• Usare: acquisti legati a occasioni fisse — skipass stagionale, campagna annuale di raccolta fondi, risposta a un catalogo, iscrizione a un evento annuale ^[C01] — o comportamenti rari che si sceglie di contare per periodo ^[C05], senza abbonamento né abbandono dichiarato ^[C02].
• Non usare con un abbonamento, dove l'azienda vede andare via i propri clienti: si veda la pagina sul valore di un abbonato, o quella sull'analisi della ritenzione e della sopravvivenza.
• Non usare quando gli acquisti possono avvenire in qualsiasi momento e in qualsiasi numero: lo strumento adatto è allora il modello BG/NBD — si veda la pagina sulla stima della CLV non contrattuale, che tratta anche gli importi per acquisto.
• Non usare da solo per indirizzare un'azione: il modello ignora l'effetto del marketing ^[C40]; per individuare i clienti a rischio a partire da variabili esplicative, si veda la pagina sulla previsione del churn con la regressione logistica.
• Per giudicare una previsione su stagioni messe da parte, si veda la pagina sulla validazione di una previsione di marketing.

• Python 3.14.5, sola libreria standard: msc-p044-reference.py, da eseguire con python msc-p044-reference.py
• R 4.6.1, sola base: msc-p044-reference.R, da eseguire con Rscript msc-p044-reference.R
• I due programmi stampano esattamente le stesse righe; la loro impronta sha256, dopo normalizzazione dei fine riga, è registrata nel manifesto del dossier. Seme dichiarato 20261005. Nessuna libreria di terze parti: il software non convalida il metodo, lo riproduce.

La tabella delle 22 combinazioni di frequenza e recenza, i quattro parametri stimati, la validazione per recenza e per frequenza sulle stagioni messe da parte, il valore di ogni combinazione e della coorte con il suo intervallo, la sua quota oltre l'orizzonte verificato, la sua sensibilità al tasso di attualizzazione e le ipotesi da verificare prima di decidere.

• 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. ↗ — versione pubblicata, distribuita da INFORMS a beneficio degli autori, testo integrale verificato ^[C01–C52].
• Livello di evidenza: dimostrazione su dati sintetici estratti dallo stesso modello, un'estrazione dettagliata, un bootstrap di 1.000 coorti e 100 estrazioni ripetute, riproducibile in Python e in R; codice controllato sui valori pubblicati dagli autori, a partire dai loro dati di donazioni. Non è un risultato di mercato.