Research & Evidence

Rechercher une méthode

Recherchez parmi les titres, les questions, les territoires et les identifiants MSC.

    ← Toutes les méthodes
    FICHE MÉTHODEMSC-P-028Science clientDossier scientifique vérifié

    Comment estimer la CLV avec BG/NBD et Gamma-Gamma ?

    BG/NBD prévoit les transactions futures dans un contexte non contractuel ; Gamma-Gamma peut modéliser leur valeur moyenne sous des hypothèses supplémentaires. La CLV actualise ensuite ces flux attendus.

    Rédaction scientifique : Marketing Science Center

    Réponse directe

    Classer des clients par valeur future attendue avec validation temporelle.

    BG/NBD prévoit les transactions futures dans un contexte non contractuel ; Gamma-Gamma peut modéliser leur valeur moyenne sous des hypothèses supplémentaires. La CLV actualise ensuite ces flux attendus.

    Fader, Hardie & Lee, RFM and CLV, 2005Fader, Hardie & Lee, BG/NBD, 2005

    01

    Résumé opérationnel

    Question scientifique et périmètre

    Comment estimer la CLV avec BG/NBD et Gamma-Gamma ?

    Recevable

    Classer des clients par valeur future attendue avec validation temporelle.

    Interdit

    Interpréter la CLV prédite comme le gain causal d’une action de fidélisation.

    02

    Trois niveaux de lecture

    1. 01

      Décideur — Relier le résultat à une décision, un seuil utile et un coût d’erreur déclarés.

    2. 02

      Praticien — Fixer population, unité, horizon, variables disponibles et règle d’analyse avant le calcul.

    3. 03

      Analyste — Reproduire le calcul, quantifier l’incertitude et documenter diagnostics, échecs et sensibilités.

    03

    Situation marketing concrète

    BG/NBD prévoit les transactions futures dans un contexte non contractuel ; Gamma-Gamma peut modéliser leur valeur moyenne sous des hypothèses supplémentaires. La CLV actualise ensuite ces flux attendus.

    04

    Question scientifique et périmètre

    Comment estimer la CLV avec BG/NBD et Gamma-Gamma ?

    Contribution future actualisée attendue sous un modèle transactionnel BG/NBD déclaré et un modèle de valeur validé séparément

    Données nécessaires

    Client × fenêtre de calibration × horizon de holdout ou de prévision

    La population, l’unité d’analyse, la date d’origine et l’horizon doivent être déclarés dans le livrable. Sans eux, l’estimand change silencieusement.

    05

    Pourquoi une analyse simple peut échouer

    • Interpréter la CLV prédite comme le gain causal d’une action de fidélisation.
    • Cadre non contractuel
    • Calibration et holdout BG/NBD
    • Test de dépendance fréquence-valeur

    06

    Intuition de la méthode

    La méthode ne transforme pas automatiquement une association en preuve. Elle relie une question déclarée à un estimand, une spécification, des données compatibles et une règle d’interprétation limitée.

    Contribution future actualisée attendue sous un modèle transactionnel BG/NBD déclaré et un modèle de valeur validé séparément

    07

    Données nécessaires

    Dictionnaire des symboles scientifiques

    predicted_transactions_t
    Nombre attendu de transactions pendant la période future t selon le modèle transactionnel déclaré. Unité : transaction · Type : nombre positif ou nul · Rôle : entrée
    mean_value
    Valeur monétaire moyenne étalonnée par transaction selon le modèle monétaire déclaré. Unité : euro par transaction · Type : nombre positif ou nul · Rôle : entrée
    margin_rate
    Taux de marge sur contribution appliqué de manière cohérente à la valeur de transaction. Unité : proportion · Type : nombre dans [0, 1] · Rôle : entrée
    discount_rate
    Taux d’actualisation par période, aligné sur la période de prévision. Unité : taux par période · Type : nombre strictement supérieur à −1 · Rôle : entrée
    t
    Indice de période future mesuré depuis l’origine de prévision déclarée. Unité : période · Type : entier strictement positif · Rôle : indice
    CLV
    Contribution actualisée attendue sur l’horizon fini déclaré, conditionnelle aux deux modèles étalonnés et aux hypothèses d’agrégation. Unité : euro · Type : nombre · Rôle : sortie

    Entrées exactes et scellées du moteur

    predicted_transactions_period_1
    Valeur : 0.8 · Unité : transaction · Type : nombre · Statut des données : synthétique
    predicted_transactions_period_2
    Valeur : 0.7 · Unité : transaction · Type : nombre · Statut des données : synthétique
    predicted_transactions_period_3
    Valeur : 0.6 · Unité : transaction · Type : nombre · Statut des données : synthétique
    mean_transaction_value_eur
    Valeur : 60 · Unité : EUR_par_transaction · Type : nombre · Statut des données : synthétique
    contribution_margin_rate
    Valeur : 0.40 · Unité : proportion · Type : nombre · Statut des données : paramètre déclaré
    discount_rate_per_period
    Valeur : 0.02 · Unité : taux par période · Type : nombre · Statut des données : paramètre déclaré
    frequency_value_correlation
    Valeur : 0.06 · Unité : sans dimension · Type : nombre · Statut des données : synthétique
    independence_diagnostic_completed
    Valeur : 1 · Unité : binaire · Type : entier · Statut des données : paramètre déclaré
    monetary_model_calibrated
    Valeur : 1 · Unité : binaire · Type : entier · Statut des données : paramètre déclaré

    08

    Modèle formel

    Modèle formel

    Condition : independence_diagnostic_completed = 1 et monetary_model_calibrated = 1 ; frequency_value_correlation est rapportée mais ne prouve pas l’indépendance. CLV = discounted_sum(predicted_transactions_t × mean_transaction_value_eur × contribution_margin_rate / (1 + discount_rate_per_period)^t)

    Affirmations étayées : MSC-P028-C01 · MSC-P028-C02 · MSC-P028-C03 · MSC-P028-C04 · MSC-P028-C05 · MSC-P028-C06

    Question scientifique et périmètre

    Contribution future actualisée attendue sous un modèle transactionnel BG/NBD déclaré et un modèle de valeur validé séparément

    09

    Calcul déclaré

    1. 01

      Exiger un diagnostic de dépendance terminé et un étalonnage du modèle monétaire avant de multiplier les composantes de fréquence et de valeur.

    2. 02

      Convertir la valeur moyenne de transaction en contribution, la multiplier par chaque nombre attendu de transactions et actualiser chaque période séparément.

    3. 03

      Additionner les flux actualisés uniquement après validation des deux contrôles et préciser qu’une faible corrélation d’échantillon ne prouve pas l’indépendance.

    10

    Exemple numérique ou cas d’application

    Exemple calculé — données synthétiques ou paramètres déclarés ; aucune observation réelle

    Entrées scellées

    • predicted_transactions_period_1=0.8 [transaction]
    • predicted_transactions_period_2=0.7 [transaction]
    • predicted_transactions_period_3=0.6 [transaction]
    • mean_transaction_value_eur=60 [EUR_par_transaction]
    • contribution_margin_rate=0.40 [proportion]
    • discount_rate_per_period=0.02 [taux par période]
    • frequency_value_correlation=0.06 [sans dimension]
    • independence_diagnostic_completed=1 [binaire]
    • monetary_model_calibrated=1 [binaire]

    Résultats reproductibles

    • mean_contribution=€24
    • discounted_flows=[18.823529;16.147636;13.569442]
    • expected_discounted_CLV=€48.540607

    Dossier vérifié : affirmations reliées à des sources au niveau du passage, calcul Python/R reproduit, limites explicites et revue scientifique indépendante achevée.

    11

    Hypothèses de validité

    • Les modèles de fréquence transactionnelle et de valeur monétaire ont-ils été étalonnés sur un échantillon de contrôle approprié ?
    • La dépendance entre le nombre et la valeur des transactions est-elle évaluée substantiellement plutôt que déduite d’une seule petite corrélation ?
    • L’horizon, la marge et la période d’actualisation sont-ils alignés sur la décision ?

    12

    Diagnostics et incertitude

    Diagnostics et incertitude

    Cadre non contractuel · Calibration et holdout BG/NBD · Test de dépendance fréquence-valeur · Éligibilité Gamma-Gamma · Conventions de marge et de période d’actualisation

    Diagnostic borné

    L’agrégation n’est permise qu’après les diagnostics d’indépendance et l’étalonnage du modèle monétaire déclarés ; une faible corrélation d’échantillon ne prouve pas l’indépendance.

    Contrat explicite d’incertitude · not_estimable_from_sealed_inputs

    Méthode : Évaluation explicite de la non-estimabilité au regard du schéma d’entrées scellé.

    Cible : Incertitude de la valeur client actualisée sur horizon fini.

    Preuve du moteur : diagnostic=aggregation_only_after_declared_independence_diagnostic_and_monetary_calibration_low_correlation_is_not_proof

    Interprétation : Des prévisions ponctuelles et des contrôles binaires d’étalonnage ne fournissent pas de distribution prédictive ; une faible corrélation ne prouve pas l’indépendance.

    Arrêter si

    Interpréter la CLV prédite comme le gain causal d’une action de fidélisation.

    13

    Interprétation du résultat

    • Classer des clients par valeur future attendue avec validation temporelle.
    • Le résultat est conditionnel à la population, à l’horizon, à la spécification et aux contrôles déclarés. Il ne doit pas être étendu à une autre décision sans nouvelle justification.

    14

    Conclusion recevable et conclusion interdite

    Recevable

    Classer des clients par valeur future attendue avec validation temporelle.

    Interdit

    Interpréter la CLV prédite comme le gain causal d’une action de fidélisation.

    15

    Décision marketing possible

    1. 01

      Classer des clients par valeur future attendue avec validation temporelle.

    2. 02

      Le résultat est conditionnel à la population, à l’horizon, à la spécification et aux contrôles déclarés. Il ne doit pas être étendu à une autre décision sans nouvelle justification.

    16

    Quand utiliser — quand s’arrêter

    Utiliser si

    Classer des clients par valeur future attendue avec validation temporelle.

    Client × fenêtre de calibration × horizon de holdout ou de prévision

    Arrêter si

    Interpréter la CLV prédite comme le gain causal d’une action de fidélisation.

    Alternatives méthodologiques

    • Ajuster un modèle conjoint fréquence-valeur lorsque la dépendance est substantielle.
    • Employer la valeur non paramétrique par client sur l’échantillon de contrôle lorsque les hypothèses du modèle sont faibles.
    • Rapporter une distribution de valeur sur horizon fini plutôt qu’une estimation ponctuelle lorsque l’incertitude importe pour la décision.

    17

    Contrat de reproductibilité

    Python et R servent de références exécutables. SPSS et SAS restent des syntaxes secondaires jusqu’à vérification sur les mêmes données, la même spécification et les mêmes contrôles.

    Le moteur sélectionne uniquement le slice et la branche explicite de cette page. Son hash, ses sorties et ses diagnostics restent scellés dans le dossier atomique ; aucune branche générique de repli n’est autorisée.

    Empreinte du slice : a2f01105b3c5d241542a4a19ae1afc63bc39cddd8c5ac4fb926e84d214895d42

    Actif disponible · MSC-004

    CLV non contractuelle synthétique

    Modèle formel

    Condition : independence_diagnostic_completed = 1 et monetary_model_calibrated = 1 ; frequency_value_correlation est rapportée mais ne prouve pas l’indépendance. CLV = discounted_sum(predicted_transactions_t × mean_transaction_value_eur × contribution_margin_rate / (1 + discount_rate_per_period)^t)

    Dossier vérifié : affirmations reliées à des sources au niveau du passage, calcul Python/R reproduit, limites explicites et revue scientifique indépendante achevée.

    18

    Livrable final attendu

    1. 01

      Comment estimer la CLV avec BG/NBD et Gamma-Gamma ? — Client × fenêtre de calibration × horizon de holdout ou de prévision

    2. 02

      predicted_transactions_t · mean_value · margin_rate · discount_rate · t · CLV

    3. 03

      Condition : independence_diagnostic_completed = 1 et monetary_model_calibrated = 1 ; frequency_value_correlation est rapportée mais ne prouve pas l’indépendance. CLV = discounted_sum(predicted_transactions_t × mean_transaction_value_eur × contribution_margin_rate / (1 + discount_rate_per_period)^t)

    4. 04

      Cadre non contractuel · Calibration et holdout BG/NBD · Test de dépendance fréquence-valeur · Éligibilité Gamma-Gamma · Conventions de marge et de période d’actualisation

    5. 05

      Classer des clients par valeur future attendue avec validation temporelle. / Interpréter la CLV prédite comme le gain causal d’une action de fidélisation.

    19

    Sources scientifiques et statut de preuve

    Dossier vérifié : affirmations reliées à des sources au niveau du passage, calcul Python/R reproduit, limites explicites et revue scientifique indépendante achevée.

    1. MSC-P028-C01 — Le modèle monétaire suppose une valeur individuelle de transaction stable.
    2. MSC-P028-C02 — Les processus de valeur monétaire et de transaction exigent une hypothèse d’indépendance.
    3. MSC-P028-C03 — Les composantes du modèle sont contrôlées par des tests sur échantillon de contrôle.
    4. MSC-P028-C04 — La valeur vie client est exprimée comme une valeur attendue actualisée pour une base de clients définie.
    5. MSC-P028-C05 — BG/NBD est le modèle déclaré d’achats répétés.
    6. MSC-P028-C06 — La comparaison citée est empirique et limitée aux environnements d’achat étudiés.
    1. Fader, Hardie & Lee, RFM and CLV, 2005
    2. Fader, Hardie & Lee, BG/NBD, 2005

    Dataset · Outil

    Dataset · MSC-004CLV non contractuelle synthétique→

    Connexions méthodologiques

    Territoire parentScience client et choix : comportement, valeur et hétérogénéitéComparer avecComment analyser la rétention avec un modèle de survie ?Comparer avecQuels clients présentent la probabilité de churn la plus élevée ?Comparer avecCombien un client dépensera-t-il par achat ? Le modèle Gamma-Gamma

    À lire ensuite

    MSC-H-004Science client et choix : comportement, valeur et hétérogénéité→MSC-P-029Quels clients présentent la probabilité de churn la plus élevée ?→MSC-P-030Comment analyser la rétention avec un modèle de survie ?→MSC-P-003Comment exprimer l’incertitude d’un résultat marketing ?→