Разбор 8. Модели ценности гостя: от RFM к вероятностным моделям¶
Статус: ревизия №2 по итогам аудита корпуса · 10.10.2026. Числовые факты сопровождаются ссылками; канонические перечисления — в «Модели данных», §0.
Академическая серия, выпуск 8. «Кто наш ценный гость и сколько он принесёт» — вопрос, на который аналитический контур лояльности должен отвечать не интуицией, а моделью.
1. Определение и виды оценки¶
Ценность гостя (CLV/LTV) — дисконтированная прибыль, которую гость принесёт за всё время отношений.
| Вид | Суть | Когда применяется |
|---|---|---|
| Историческая | Прибыль по уже совершённым покупкам | Отчёты и сегментация «по факту» |
| Прогнозная | Математическое ожидание будущей прибыли | Кампании, бюджеты реактивации, оценка каналов |
Базовая упрощённая формула:
Прогнозный CLV ≈ Средний чек × Частота покупок × «Время жизни» × Маржа
2. Сегментация: от когорт к RFM¶
- Когортный анализ — поведение групп гостей по месяцу первого заказа (удержание, частота) — базовая диагностика продукта.
- Модель Парето в клиентской базе — эмпирическая закономерность «20% гостей дают ~80% выручки» (в общепите выражена ярко).
- RFM-сегментация — ранжирование по давности (Recency), частоте (Frequency), деньгам (Monetary); практична, прозрачна, объяснима.
3. Вероятностные модели (академический стандарт)¶
Для транзакционных покупок без подписки (наш случай — еда) классика стохастического моделирования:
| Модель | Авторы | Что моделирует |
|---|---|---|
| Парето/НБД | Шмитлейн и др. (1987) | Частоту повторных покупок живых клиентов + вероятность оттока |
| Гамма-Гамма | Фадер, Хардти, Ли (2005) | Среднюю сумму покупки при условии количества покупок |
| БГ/НБД | Фадер, Хардти, Ли (2005) | Вычислительно удобная версия Парето/НБД — фактический стандарт практики |
| БГ/ББ | Фадер, Хардти, Шанг (2010) | Неконтрактные отношения с дискретными транзакциями — гостевые визиты ресторанов, наш основной случай |
| сБГ (sBG) | Фадер, Хардти (2007) | Договорные (контрактные) отношения с оттоком в дату продления — подписки, корпоративный кейтеринг |
Модели дают: вероятность «живости» гостя, ожидаемое число будущих покупок, прогнозную частоту — и, в связке с маржой, прогнозный CLV на гостя. Входные данные — история заказов из единой базы платформы (поэтому склейка гостя через каналы — не «фича», а источник данных модели).
4. Практическая связка для платформы¶
- Сегментация и триггеры: реактивация «спящих» (порог определяется моделью, а не произвольным числом дней).
- Бюджет возврата: допустимая стоимость реактивации = доля прогнозного CLV.
- Оценка каналов: сравнение агрегаторов и собственных каналов по CLV приведённых гостей (а не по первому чеку) — экономический аргумент в пользу прямого канала.
- Программа лояльности: бонусные ставки дифференцируются по сегментам ценности (дорогим гостям — сервис, а не скидка).
5. Ограничения¶
- Модели требуют достаточно длинной истории (для новых точек — сначала когорты и RFM).
- Сезонность и локальные события искажают «время жизни» — нужны поправки.
- Прогноз чувствителен к качеству склейки гостя (дубли завышают частоту).
6. Соответствие платформе¶
Аналитический контур гостя (../components/06-crm-loyalty-feedback.md); единый профиль гостя как источник данных (../components/12-data-model.md, сущности Guest, LoyaltyTx).
7. Источники¶
- Fader P., Hardie B., Lee K. (2005) «Counting Your Customers» the Easy Way; Gamma-Gamma (2005); Fader P., Hardie B. (2007) — контрактная модель sBG; Fader P., Hardie B., Shang K. (2010), Marketing Science — BG/BB для неконтрактных дискретных транзакций.
- Райхельд Ф. Эффект лояльности (экономика удержания).
- Собственный гостевой контур:
../components/06-crm-loyalty-feedback.md.