Il calcolo più comune del valore di un cliente nel tempo — margine medio per acquisto, moltiplicato per la frequenza d’acquisto media, moltiplicato per la durata media della relazione — funziona ragionevolmente bene come stima aggregata, ma tratta ogni cliente come se si comportasse esattamente come la media della propria base clienti. Nella realtà, due clienti con la stessa frequenza d’acquisto storica hanno probabilità molto diverse di continuare ad acquistare in futuro, a seconda di quanto tempo sia passato dal loro ultimo ordine — un’informazione che una media semplice ignora completamente. I modelli BG/NBD e Gamma-Gamma, sviluppati da Peter Fader, Bruce Hardie e Ka Lok Lee e pubblicati nel 2005 sulla rivista Marketing Science, affrontano questo limite calcolando, per ciascun singolo cliente, una probabilità individuale di acquisto futuro basata sul proprio pattern comportamentale specifico.
Il contesto in cui questi modelli si applicano. Sono pensati specificamente per contesti non contrattuali — un e-commerce, un negozio al dettaglio — dove un cliente può smettere di acquistare in qualunque momento, senza alcuna azione esplicita di cancellazione che segnali il momento preciso in cui la relazione finisce. È una differenza sostanziale rispetto a un contesto in abbonamento, dove il momento del churn è osservabile direttamente attraverso la cancellazione. Nel commercio non contrattuale, l’azienda non sa mai con certezza se un cliente silente ha semplicemente rallentato i propri acquisti o se ha smesso di essere cliente in modo definitivo — un’incertezza che questi modelli affrontano esplicitamente, invece di ignorarla.
BG/NBD: modellare simultaneamente l’acquisto e l’abbandono. Il nome — Beta-Geometric/Negative Binomial Distribution — descrive la combinazione di distribuzioni statistiche su cui il modello si fonda. Da un lato, il comportamento d’acquisto di ciascun cliente attivo viene modellato come un processo di Poisson, con un tasso di transazione individuale λ che varia da cliente a cliente secondo una distribuzione Gamma stimata sull’intera base clienti. Dall’altro, il momento in cui un cliente smette definitivamente di acquistare — la componente che dà al modello il soprannome informale di “Buy Till You Die”, compra finché non muore — viene modellato come un processo geometrico, con una probabilità individuale di abbandono p che varia anch’essa da cliente a cliente secondo una distribuzione Beta. Gli input richiesti per ciascun cliente sono relativamente semplici da estrarre da qualunque database transazionale: la recency (il tempo trascorso tra il primo e l’ultimo acquisto osservato), la frequenza delle transazioni, e il tempo trascorso dall’ultimo acquisto fino al momento della previsione. Da questi dati, combinati con i parametri di popolazione stimati sull’intera base clienti, il modello restituisce due output distinti per ciascun cliente: il numero atteso di transazioni future in un dato intervallo di tempo, e la probabilità che quel cliente sia ancora effettivamente “vivo” — cioè un cliente attivo, non uno che ha semplicemente smesso senza dirlo a nessuno.
Gamma-Gamma: quanto vale, in media, ciascuna transazione futura. Il BG/NBD risolve solo metà del problema — quante transazioni aspettarsi — lasciando aperta la domanda su quanto varrà, in media, ciascuna di quelle transazioni. Il modello Gamma-Gamma, sviluppato dagli stessi autori come componente complementare, stima il valore monetario medio atteso per transazione futura di ciascun cliente, basandosi sul valore medio delle sue transazioni passate. Il modello poggia su un’assunzione esplicita, che va conosciuta prima di applicarlo: il valore monetario delle transazioni di un cliente è statisticamente indipendente dalla frequenza con cui quel cliente acquista — un’assunzione che semplifica notevolmente il calcolo, ma che la letteratura tecnica stessa segnala come non sempre valida nella pratica: in alcuni settori, i clienti più frequenti tendono anche a spendere meno per transazione, o viceversa, violando l’indipendenza che il modello presuppone, con un effetto di distorsione sulla stima finale che va verificato caso per caso, non dato per scontato.
Come i due modelli si combinano. Il Customer Lifetime Value finale si ottiene moltiplicando l’output del BG/NBD — il numero atteso di transazioni future, già corretto per la probabilità che il cliente sia ancora attivo — per l’output del Gamma-Gamma — il valore monetario medio atteso per ciascuna di quelle transazioni. Il risultato non è un singolo numero aggregato per l’intera base clienti, ma una stima specifica per ciascun cliente individuale, che riflette il suo pattern comportamentale reale invece di una media indistinta applicata a tutti allo stesso modo.
Applicazioni reali documentate. Questi modelli non restano confinati alla ricerca accademica: uno studio pubblicato su IEEE ne descrive l’applicazione su dati transazionali reali di un istituto bancario retail in Azerbaigian, con risultati giudicati soddisfacenti sia per la previsione del numero sia del valore delle transazioni future dei clienti. Casi analoghi sono documentati nel settore della moda, dei giochi free-to-play e, più recentemente, in contesti legati agli asset digitali — un segnale che l’applicabilità del modello va oltre il commercio al dettaglio tradizionale per cui è stato originariamente pensato, purché il contesto resti non contrattuale nella sua natura di fondo.
Cosa serve per implementarli, in pratica. A differenza di molte tecniche statistiche più sofisticate, questi modelli non richiedono di costruire l’infrastruttura di calcolo da zero: esistono librerie open source dedicate, come i pacchetti Python Lifetimes e BTYD, che implementano direttamente le classi necessarie per stimare sia il BG/NBD sia il Gamma-Gamma a partire da un semplice storico di transazioni con data e importo — riducendo la barriera tecnica di ingresso a un livello ragionevole per un analista con competenze base di programmazione statistica, senza bisogno di ricostruire manualmente le equazioni sottostanti.
Il vantaggio pratico più concreto di questo approccio, rispetto al calcolo aggregato più comune, emerge proprio nella segmentazione: identificare non genericamente “i clienti ad alto valore” sulla base dello storico di spesa passato, ma i clienti con la più alta probabilità stimata di generare valore futuro — una distinzione che può separare clienti apparentemente simili sulla carta, ma con traiettorie future radicalmente diverse una volta che il modello tiene conto, in modo esplicito e individuale, di quanto tempo sia effettivamente passato dal loro ultimo contatto con il brand.