知识卡片
BG/NBD统计模型的分布假设
内容
BG/NBD模型是[[LTV计算方法的五级演进]]中统计学建模路线的代表，建立在四个假设上：用户活跃期内的交易次数服从泊松分布、不同用户间的交易率差异服从gamma分布、每次购买后用户都有一定概率变为不活跃、不同用户的这个概率也服从gamma分布。这套”用已知概率分布刻画个体异质性”的思路，让模型即使在数据量不大的场景下也能给出较可靠的预测，是统计模型相比纯机器学习模型的独特优势。
参考来源
- 位置：《数据科学工程实践》第3章《洞察用户长期价值：基于神经网络的LTV建模》"3.1.5 LTV的计算方法·统计学模型"一节（源文件：_epub-src/OEBPS/Text/part0018.xhtml）
- 结论依据：原文列出BG/NBD模型的四条假设："在活跃状态下，用户在一段时间内的交易次数呈泊松分布。不同用户的交易率之差遵循gamma分布。用户在每次购买后，会以p的概率变为不活跃用户。不同用户p的差别遵循gamma分布"，并说明"在这些假设的基础上，模型能在很大范围内给出比较可靠的预测……对于数据量比较匮乏的场景，模型也能给出相对较好的拟合和分析"。
- 原始内容：较常见的BG/NBD模型就基于以下一些假设。在活跃状态下，用户在一段时间内的交易次数呈泊松分布。不同用户的交易率之差遵循gamma分布。用户在每次购买后，会以p的概率变为不活跃用户。不同用户p的差别遵循gamma分布。在这些假设的基础上，模型能在很大范围内给出比较可靠的预测……对于数据量比较匮乏的场景，模型也能给出相对较好的拟合和分析。