답변:
참고로 RFM 분석을 사용한 데이터 마이닝 은 용어 및 추가 참조에 도움이 될 것입니다.
고객 응답 확률을 모델링하는 가장 단순하고 인기있는 방법 중 하나는 RFM을 사용하여 로지스틱 회귀를 설명 변수 (사용 가능한 다른 변수 중 하나)로 사용하는 것입니다.
금전적 가치를 모델링하기 위해, 일반적으로 놀랍도록 잘 작동하는 간단한 선형 모델을 사용하여 RFM에서 직접 수익을 되돌릴 수 있습니다. 랜덤 포레스트 또는 그라디언트 부스팅 머신과 같은 고급 / 비선형 모델은 경험상 선형 모델보다 더 좋습니다.
또 다른 대중적인 접근 방식은 두 가지 하위 모델을 기반으로 금전적 가치를 예측하기위한 약간 더 복잡한 모델을 구축하는 것입니다. 하나는 반응 확률 (예 : RFM의 함수로 로지스틱 회귀 사용)과 다른 하나는 반응 조건에 따른 수입 (다시, RFM의 선형 모델만큼 간단 할 수 있습니다). 예상 금전적 가치는 두 예측의 곱입니다.
무작위 시험 / 제어 데이터가 이용 가능한 경우 , 치료의 점진적인 이점을 모델링하기 위해 향상 / 넷 리프트 기반 기술 이 널리 사용됩니다.
고객 수명주기 값 은 검토 및 추가 참조를 위해 고객 수명 값 모델링을 참조하십시오.
R의 모델링과 관련하여 해당 유형의 모델링에 대한 "기성품"패키지를 알지 못합니다. R은 그에 필요한 모든 구성 요소를 제공합니다 (많은 양의 데이터가 없다면-더 확장 가능한 도구에 의존해야 할 수도 있습니다)