What is the BG/NBD model?

The Beta-Geometric/Negative Binomial Distribution (BG/NBD) model, published by Fader, Hardie and Lee in 2005, describes repeat-purchase behaviour for non-contractual businesses. While active, each customer makes purchases as a Poisson process with their own hidden transaction rate lambda, drawn from a Gamma distribution across the customer base. After each purchase the customer becomes permanently inactive with their own hidden probability p, drawn from a Beta distribution across the customer base. Combining just a customer's recency (time of last purchase), frequency (number of repeat purchases) and the length of the observation window lets the model compute a closed-form probability that the customer is still active, and a conditional expectation of how many purchases they will make in a future period.

How does the model turn recency and frequency into a lifetime value estimate?

BG/NBD produces an expected number of future transactions, E[Y(t)], conditional on the customer's observed history. Multiplying that count by an estimate of the customer's average order value — typically from a Gamma-Gamma spend model or, as a simplification, a shrinkage-weighted blend of the customer's own historical average and the population average — converts a pure purchase-count forecast into a monetary customer lifetime value figure.

Why do customers with identical frequency get different predicted values?

Two customers with the same number of past purchases can have very different recency: one whose last purchase was yesterday looks far more likely to still be active than one whose last purchase was months ago, given the same observation window. Since the BG/NBD probability of still being alive depends explicitly on recency relative to the window length, and the expected future purchase count depends on that survival probability, recency alone can swing two same-frequency customers to very different predicted lifetime values.

Accueil▸IA & Machine Learning▸Prédicteur de Valeur Vie Client — BG/NBD en Direct

💰 Prédicteur de Valeur Vie Client — BG/NBD en Direct

Observez un véritable modèle probabiliste BG/NBD estimer le nombre d'achats futurs et la valeur vie de chaque client simulé à partir de l'historique de récence et de fréquence de leurs transactions, se mettant à jour en direct à mesure que de nouveaux achats arrivent.

IA & Machine Learning3DAvancé60 IPS

À propos de cette simulation

Ce visualiseur exécute un véritable modèle probabiliste d'analyse de base clients — BG/NBD (Beta-Geometric/Negative Binomial Distribution) — contre un flux continu et en direct de transactions simulées. Chacun de dizaines de clients synthétiques a son propre taux d'achat caché et sa propre probabilité d'abandon cachée, tirés de distributions Gamma et Beta au niveau de la population. À mesure que des achats réels affluent, le modèle ne voit jamais que la récence de chaque client (temps depuis son dernier achat), sa fréquence (nombre d'achats répétés) et la longueur de la fenêtre d'observation — pourtant à partir de ces trois seuls nombres, il calcule une probabilité en forme close que le client soit encore actif, et une espérance conditionnelle du nombre d'achats qu'il fera ensuite.

🔬 Ce que ça montre

Chaque client est tracé dans un véritable espace 3D récence/fréquence/valeur prédite : la récence sur un axe, la fréquence sur un autre, et leur valeur vie future estimée par le modèle comme hauteur et couleur. À mesure que les achats se produisent en direct, les points changent de position et de couleur en temps réel. Un panneau de détail par client montre la véritable chronologie de transactions simulée aux côtés du P(vivant) en direct du modèle, du nombre d'achats futurs attendu et de la CLV prédite.

🎮 Comment utiliser

Ajustez la vitesse de simulation pour avancer rapidement à travers des semaines de comportement d'achat, ajoutez de nouvelles cohortes de clients, changez la durée de la fenêtre de calibration ou la valeur moyenne de commande, et cliquez sur n'importe quel point du nuage 3D pour inspecter l'historique de transactions réel et l'estimation BG/NBD en direct de ce client. Le panneau de validité compare la prédiction instantanée du modèle avec ce que les clients ont réellement fini par acheter, une fois qu'assez de temps simulé s'est écoulé pour vérifier.

💡 Le saviez-vous ?

L'hypothèse d'abandon « beta-géométrique » de BG/NBD signifie que l'attrition n'est pas du tout liée à une date calendaire — elle est décidée à nouveau après chaque achat, comme un tirage à pile ou face avec la propre probabilité cachée p du client. C'est pourquoi deux clients avec un nombre d'achats identique mais une récence différente peuvent obtenir des probabilités de survie très différentes : le modèle demande en réalité « étant donné le temps écoulé depuis leur dernier achat par rapport à la fréquence à laquelle ils achetaient auparavant, quelle est la probabilité qu'ils aient simplement arrêté ? »

Questions fréquentes

Qu'est-ce que le modèle BG/NBD ?

Le modèle Beta-Geometric/Negative Binomial Distribution (BG/NBD), publié par Fader, Hardie et Lee en 2005, décrit le comportement d'achat répété pour les entreprises non contractuelles. Tant qu'il est actif, chaque client effectue des achats selon un processus de Poisson avec son propre taux de transaction caché λ, tiré d'une distribution Gamma à l'échelle de la base de clients. Après chaque achat, le client devient définitivement inactif avec sa propre probabilité cachée p, tirée d'une distribution Beta à l'échelle de la base de clients. Combiner simplement la récence, la fréquence et la longueur de la fenêtre d'observation d'un client permet au modèle de calculer une probabilité en forme close que le client soit encore actif, et une espérance conditionnelle du nombre d'achats qu'il fera dans une période future.

Comment le modèle transforme-t-il récence et fréquence en une estimation de valeur vie ?

BG/NBD produit un nombre attendu de transactions futures, E[Y(t)], conditionnel à l'historique observé du client. Multiplier ce nombre par une estimation de la valeur moyenne de commande du client — ici un mélange pondéré par rétrécissement de la moyenne historique propre du client et de la moyenne de la population, tenant lieu d'un modèle complet de dépense Gamma-Gamma — convertit une pure prévision de nombre d'achats en un chiffre monétaire de valeur vie client.

Pourquoi des clients avec une fréquence identique obtiennent-ils des valeurs prédites différentes ?

Deux clients avec le même nombre d'achats passés peuvent avoir une récence très différente : celui dont le dernier achat date d'hier semble bien plus susceptible d'être encore actif que celui dont le dernier achat date de plusieurs mois, pour la même fenêtre d'observation. Comme la probabilité BG/NBD d'être encore vivant dépend explicitement de la récence par rapport à la longueur de la fenêtre, et que le nombre d'achats futurs attendu dépend de cette probabilité de survie, la récence seule peut faire basculer deux clients de même fréquence vers des valeurs vie prédites très différentes.

Les mathématiques de cette simulation sont-elles du vrai BG/NBD, ou juste une approximation visuelle ?

Ce sont les équations BG/NBD en forme close publiées : la formule de probabilité d'être vivant et la formule d'espérance conditionnelle de transactions de Fader, Hardie & Lee (2005), y compris la fonction hypergéométrique de Gauss évaluée par série de puissance directe. La seule simplification délibérée se situe du côté monétaire — une moyenne pondérée par rétrécissement tenant lieu d'un modèle complet et séparé de dépense Gamma-Gamma — ce qui est documenté directement dans le code source de la simulation.

Comment la vérification de précision « réel vs prédit » est-elle calculée ?

L'historique de transactions de chaque client a une fenêtre de calibration de longueur T (utilisée pour calculer x, la récence et la prédiction instantanée du modèle) suivie d'une fenêtre de retenue de la même longueur T, sur laquelle leurs vrais achats simulés continuent de s'accumuler. Une fois cette fenêtre de retenue entièrement écoulée, le nombre d'achats réellement survenus est comparé à la prédiction figée à la fin de la calibration — une véritable vérification de validité hors échantillon, pas une comparaison avec soi-même.

⚙ Sous le capot

Un véritable modèle probabiliste BG/NBD estime en direct le nombre d'achats futurs et la valeur vie de chaque client simulé, à partir de l'historique de transactions récence/fréquence, avec un véritable modèle génératif caché de processus de Poisson plus abandon sous-jacent.

BG/NBDCLVProbabilistic ModelChurnRFM

3D · Three.js / WebGL renderer · 60 FPS target · runs fully client-side, no install