Ocena wybranych rozkładów teoretycznych trwania życia do analizy lojalności klientów na przykładzie europejskiego banku detalicznego
DOI:
https://doi.org/10.18778/0208-6018.349.05Słowa kluczowe:
analiza przeżycia, wartość życiowa klienta, bankowość, modele parametryczne, estymator Kaplana–MeieraAbstrakt
Jednym z kluczowych elementów związanych z wyliczaniem wartości klienta w czasie (Customer Life Time Value) jest oszacowanie długości trwania relacji klienta z bankiem w przyszłości. Można ją oszacować z wykorzystaniem metod analizy przeżycia. Celem artykułu jest sprawdzenie, który ze znanych rozkładów wykorzystywanych w analizie przeżycia (Weibulla, wykładniczy, gamma, logarytmicznie normalny) najlepiej opisuje zjawisko odejść klientów z banku. Jeśli celem jest oszacowanie rozkładu, według którego „przeżywają” określone jednostki (klienci banku), a czynniki, które to powodują, nie są aż tak istotne, to modele parametryczne mogą być wykorzystane. Oszacowanie parametrów funkcji przeżycia jest szybsze niż oszacowanie pełnego modelu Coxa z odpowiednio dobranym zestawem zmiennych objaśniających. Do badania wykorzystano dane cenzurowane banku detalicznego. W artykule zwrócono uwagę na najczęstsze problemy związane z przygotowaniem danych do analizy przeżycia.
Pobrania
Bibliografia
Akaike H. (1974), A New Look at the Statistical Model Identification, “IEEE. Transactions on Automatic Control”, vol. Ac–19, no. 6, pp. 716–723.
Google Scholar
DOI: https://doi.org/10.1109/TAC.1974.1100705
Balicki A. (2006), Analiza przeżycia i tablice wymieralności, Polskie Wydawnictwo Ekonomiczne, Warszawa.
Google Scholar
Erişoğlu Ü., Erişoğlu M., Erol H. (2011), A Mixture Model of Two Different Distributions Approach to the Analysis of Heterogeneous Survival Data, “World Academy of Science, Engineering and Technology International Journal of Computer and Information Engineering”, vol. 5, no. 6, pp. 544–548.
Google Scholar
Jackson C. (2016), flexsurv: A Platform for Parametric Survival Modeling in R, “Journal of Statistical Software”, vol. 70, no. 8, pp. 1–33.
Google Scholar
DOI: https://doi.org/10.18637/jss.v070.i08
Jajuga K., Walesiak M. (1999), Standaridisation of data set under different measurement scales, [in]: Classification and Information Processing at the Turn of the Millennium: Proceedings of the 23rd Annual Conference of the Gesellschaftfür Klassifikatione.V., University of Bielefeld, Bielefeld, pp. 105–112.
Google Scholar
DOI: https://doi.org/10.1007/978-3-642-57280-7_11
Jeffery M. (2010), Data‑Driven Marketing. The 15 Metrics Everyone in Marketing Should Know, John Wiley & Sons, Hoboken.
Google Scholar
Kaplan E. L., Meier P. (1958), Nonparametric Estimation from Incomplete Observations, “Journal of the American Statistical Association”, vol. 53, no. 282, pp. 457–481.
Google Scholar
DOI: https://doi.org/10.1080/01621459.1958.10501452
The Comprehensive R Archive Network, https://cran.r-project.org/ (accessed: 23.03.2019).
Google Scholar
Pobrania
Opublikowane
Jak cytować
Numer
Dział
