PyMC-Marketing：贝叶斯营销组合建模（MMM）& 客户终身价值（CLV）

来自PyMC Labs的营销分析工具

利用PyMC-Marketing解锁营销组合建模（MMM）和客户终身价值（CLV）分析的强大功能。这款开源营销分析工具使企业能够做出更明智、数据驱动的决策，以最大化营销活动的投资回报率。

本仓库由 PyMC Labs 支持。

对于希望将 PyMC-Marketing 集成到其运营框架中的企业，PyMC Labs 提供专家咨询和培训。我们的团队精通最先进的贝叶斯建模技术，重点关注营销组合模型（MMMs）和客户终身价值（CLV）。更多信息请见 此处。

通过观看我们关于 贝叶斯营销组合模型：最先进技术 的视频来进一步了解这些主题。

社区资源

• PyMC-Marketing 讨论区
• PyMC 论坛
• 贝叶斯 discord 服务器
• MMM Hub Slack

营销组合建模（MMM）& CLV 快速安装指南

要深入了解 MMM 和 CLV 分析，请通过 conda-forge 设置专门的 Python 环境 marketing_env

conda create -c conda-forge -n marketing_env pymc-marketing
conda activate marketing_env

有关全面安装指南，请参阅 官方 PyMC 安装文档。

Docker

我们提供了一个 Dockerfile 来构建 PyMC-Marketing 的 Docker 镜像，以便从 Jupyter Notebook 访问。更多详情请见 此处。

PyMC 中的深入贝叶斯营销组合建模（MMM）

利用我们的贝叶斯 MMM API，有效调整您的营销策略。基于研究文章 Jin, Yuxue, 等人。“带有累积和形状效应的媒体组合建模的贝叶斯方法。”（2017） 并整合核心 PyMC 开发者的专业知识，我们的 API 提供以下功能

MMM 快速入门

import pandas as pd

from pymc_marketing.mmm import (
    GeometricAdstock,
    LogisticSaturation,
    MMM,
)

data_url = "https://raw.githubusercontent.com/pymc-labs/pymc-marketing/main/data/mmm_example.csv"
data = pd.read_csv(data_url, parse_dates=["date_week"])

mmm = MMM(
    adstock=GeometricAdstock(l_max=8),
    saturation=LogisticSaturation(),
    date_column="date_week",
    channel_columns=["x1", "x2"],
    control_columns=[
        "event_1",
        "event_2",
        "t",
    ],
    yearly_seasonality=2,
)

使用以下内容启动拟合并获得一些输出的可视化

X = data.drop("y",axis=1)
y = data["y"]
mmm.fit(X,y)
mmm.plot_components_contributions();

一旦模型拟合完成，我们可以进一步优化我们的预算分配，因为我们包括递减回报和累积效应。

通过动手实践探索模拟示例，深入了解PyMC-Marketing中的MMM。

市场组合建模（MMM）的必读材料

• 贝叶斯媒体组合建模：营销优化
• 提高贝叶斯营销组合模型的速度和精度
• Johns, Michael 和 Wang, Zhenyu. "一种贝叶斯媒体组合建模方法"
• Orduz, Juan. "使用PyMC进行媒体效果估计：Adstock，饱和度和递减回报"
• 贝叶斯营销组合建模全面指南

使用PyMC解锁客户终身价值（CLV）

通过我们的CLV模型了解和优化客户价值。我们的API支持各种类型的CLV模型，适用于合同和非合同环境，以及连续和离散交易模式。

使用lifetimes包中的数据探索我们详细的CLV示例

• CLV快速入门
• BG/NBD模型
• Pareto/NBD模型
• Gamma-Gamma模型

示例

CLV快速入门

import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns
from pymc_marketing import clv

data_url = "https://raw.githubusercontent.com/pymc-labs/pymc-marketing/main/data/clv_quickstart.csv"
data = pd.read_csv(data_url)
data["customer_id"] = data.index

beta_geo_model = clv.BetaGeoModel(data=data)

beta_geo_model.fit()

一旦模型拟合成功，我们可以使用模型来预测已知客户的未来购买数量，他们仍然存活的概率，并获得各种可视化图表。

请参阅示例部分以了解更多信息。

为什么选择PyMC-Marketing而非其他解决方案？

PyMC-Marketing将始终免费用于商业用途，并受Apache 2.0许可。它由PyMC包的主要开发者以及营销专家共同开发，为营销团队提供最先进的测量和分析。

由于其开源性质和活跃的贡献者群体，新功能不断被添加。您是否缺少某个功能或想要贡献？Fork我们的仓库并提交拉取请求。如果您有任何问题，请随时打开一个问题。

感谢我们的贡献者！

营销AI助手：MMM-GPT与PyMC-Marketing

不确定如何开始或有问题？MMM-GPT是一个AI，它通过PyMC-Marketing回答问题并提供营销分析方面的专业建议。

在此尝试MMM-GPT。

📞 预约免费的MMM & CLV策略咨询

通过我们PyMC-Marketing专家的30分钟免费策略会议，最大化您的营销投资回报率。了解如何通过更智能、基于数据驱动的决策来提升您的组织。

我们提供以下专业服务

• 定制模型：我们量身定制特定市场分析模型以满足您组织的独特需求。
• 在PyMC-Marketing中构建：我们的团队成员是利用PyMC-Marketing能力创建强大营销模型的专家，以获得精确见解。
• SLA & 培训：获得保证的支持级别和个性化培训，以确保您的团队能够熟练且自信地使用我们的工具和方法。
• SaaS解决方案：利用我们最先进的软件解决方案的力量，简化您的数据驱动营销活动。