Exponenciális eloszlás

"Penny automatizálni akarjuk a retargeting e-maileket, de ne zaklassuk az ügyfeleket. Használd az átlagos két vásárlás között eltelt időt, és időzítsük az első emlékeztetőt optimálisan!"

Penny összeexcelezi a két vásárlás között eltelt adatokat, exponenciális eloszlást illeszt (λ = 1/átlag), és 15 napra állítja be az első e-mailt. A visszatérő vásárlók aránya 22%-kal emelkedik.

Nézzük, mi az exponenciális eloszlás és mikor használhatod a marketingben.

0. Az exponenciális disztribúció fogalma

Memóriamentes, egyszerű folytonos eloszlás az események közti várakozási idők modellezésére, paramétere λ.

1. Miért jó?

• Memóriamentes: a jövőbeli esemény bekövetkezésének esélye nem függ a múlttól („ha már régóta várunk, ugyanakkora eséllyel történik meg most").
• Egyszerű paraméterezés: csak egyetlen paramétere van (λ(lambda)), az esemény rátája), könnyen becsülhető.
• Gyakori modell: időközök, élettartamok és reakcióidők modellezésére ideális, ha az esemény folyamatos, és „véletlenszerű" előfordulások jellemzik.

2. Hogyan számíthatod ki?

• Paraméter: λ > 0 (átlagos eseményszám egységnyi idő alatt).
• Sűrűségfüggvény (PDF): f(x) = λ * exp(–λ * x), x ≥ 0
• Eloszlásfüggvény (CDF): F(x) = 1 – exp(–λ * x)
• Várható érték: E(X) = 1 / λ
• Szórás: SD(X) = 1 / λ

3. Mikor használd?

• Időközök modellezése: események közti várakozási idők (pl. következő vásárlásig eltelt idő).
• Churn-elemzés: ügyfél lemorzsolódásaig eltelt idő becslése egyszerű esetben.
• Üzemi megbízhatóság: készülékek meghibásodásáig tartó idő modellezése.
• Sorban állási teória: kiszolgálási idők és érkezési időközök vizsgálata.

4. Marketing-példák

• Time-to-First-Purchase: új regisztrált felhasználó első vásárlásáig eltelt napok.
• Interpurchase Time: visszatérő vásárlók között eltelt idő.
• Customer Lifetime (rövid távú): ha a churn „véletlenszerű", exponenciális idővel.
• E-mail resend interval: mennyi idő után érdemes újraküldeni az e-mailt a válasz nélküli címzetteknek.

5. Case Study: Vásárlások között eltelt idő szimuláció

1. Adatok Történelmi vásárlások alapján a vásárlások közti átlagos idő E(X)=30 nap. Tehát λ = 1/30 ≈ 0.0333.
2. Számítás
3. PDF: f(x) = 0.0333 * exp(–0.0333 * x)
4. Valószínűség, hogy a következő vásárlás 15 napon belül történik: P(X ≤ 15) = 1 – exp(–0.0333 * 15) ≈ 0.3935 (39.4%)
5. 90%-os kvantilis (mikortól érkezik 90%-ban a következő vásárlás): x90 = –ln(1–0.9) / 0.0333 ≈ 69 nap
6. Üzleti következtetés
7. Ha 15 napon belüli visszatérés a cél, új retargeting e-mailt 15 nap után küldjünk.
8. A 90%-os küszöb (69 nap) környékén érdemes speciális ajánlatot adni, hogy a későn visszatérőket is aktiváljuk.

6. Mikor ne használd?

• Nem memóriamentes folyamatoknál (ha a korábbi várakozás befolyásolja a jövőt).
• Több csúcs vagy multimodális időközök esetén (ha van rövid, közepes és hosszú intervallum is).
• Ha az események időközei fix időhöz köthetők vagy determinisztikusak.
• Ha a variancia nem egyenlő az átlaggal (exponenciálisnál SD = átlag), de az adatoknál ez nem áll fenn.

7. Milyen üzleti kérdésekre kaphatsz választ?

• A churn-elemzésnél mennyi az esélye, hogy egy új előfizető 30 napon belül kilép, ha átlagosan 60 nap?
• Ha 15 nap után retargeting e-mailt szeretnél küldeni, hogyan segít a memóriamentes modell?
• A support azt kérdezi tőled, mekkora eséllyel zárnak le egy ticketet 2 órán belül – exponenciálissal modellezzük?
• Milyen marketingautomatizálási várakozási időket állítasz be a következő e-mailre?
• A CRM-be beállított churn-küszöb (x nap) hogyan jön ki az exponenciális 90%-os kvantilisből?