BetaGeoBetaBinomModel.p compras esperadas

BetaGeoBetaBinomModel.expected_purchases(data=None, *, future_t=None)

Predecir el número esperado de compras futuras.

Dada la recencia, la frecuencia y T para un cliente individual, este método estima el número esperado de futuras compras a lo largo de future_t períodos de tiempo.

Adaptado de la ecuación (13) en las notas de Bruce Hardie [1], y la biblioteca heredada lifetimes: CamDavidsonPilon/lifetimes

Parámetros:

datos : DataFrame, opcionalDataFrame, opcional

Dataframe que contiene las siguientes columnas:

* `customer_id`: Identificador único del cliente

* `frecuencia`: Número de compras repetidas

* `recency`: Oportunidades de compra entre la primera y la última compra

* `T`: Oportunidades de compra totales.

Las suposiciones del modelo requieren T >= actualidad y todos los clientes comparten el mismo valor para *T.

* `future_t`: Columna opcional para la parametrización de *future_t*.

Si no se proporciona, las predicciones se realizarán con los datos utilizados para ajustar el modelo.

future_tnumpy:similar_a_array

Número de períodos de tiempo para predecir las compras esperadas. No es necesario si el DataFrame data contiene una columna future_t.

Referencias

[1]

Peter Fader, Bruce Hardie y Jen Shang. «Análisis de la Base de Clientes en un Entorno No Contractual de Tiempo Discreto». Marketing Science, Vol. 29, No. 6 (Nov-Dic, 2010), pp. 1086-1108. https://www.brucehardie.com/papers/020/fader_et_al_mksc_10.pdf