Модель BG/NBD (Бета-Геометрик / Отрицательное биномиальное распределение), предложенная американскими исследователями в 2005 году, решает практическую задачу: предсказать, сколько раз пациент придёт в клинику в будущем и не ушёл ли он уже навсегда. В отличие от более сложной модели Парето/NBD, BG/NBD требует минимум усилий при калибровке и идеально подходит для российских частных клиник, работающих в среде без договорных обязательств.
Почему амбулаторные клиники живут в бездоговорной среде
Когда пациент подписывает контракт на годовое обслуживание, момент его ухода очевиден – достаточно просроченного продления. Частная стоматология, многопрофильный медицинский центр или диагностическая лаборатория в России так не работают. Пациент может записаться на приём, пройти курс лечения и исчезнуть на полгода или навсегда — без какого-либо уведомления. Это и есть бездоговорная среда общения с клиентами.
Единственным сигналом становится «молчание» пациента. Типовая сегментация по давности последнего визита даёт лишь статичный снимок. Модель BG/NBD идёт дальше: она оценивает персональную вероятность того, что пациент ещё «жив» (продолжает быть клиентом), опираясь на всю историю частоты и давности обращений.
Как устроена модель BG/NBD: два параллельных процесса
Модель комбинирует два предположения о поведении пациента.
- Процесс совершения визитов. Пока пациент «жив», количество его посещений за заданный период подчиняется отрицательному биномиальному распределению. Это математически описывает простой факт: одни люди ходят к врачу часто, другие — редко, а интенсивность визитов варьируется от человека к человеку.
- Процесс ухода (оттока). После каждого визита пациент с некоторой вероятностью может стать неактивным («умереть» для клиники). Эта вероятность не постоянна для всех, а подчиняется бета-геометрическому распределению. Иными словами, у разных пациентов разная склонность к оттоку.
Благодаря такой двусоставной архитектуре BG/NBD разделяет два сценария: пациент здоров и просто не нуждается в услуге сейчас, или он уже переключился на другое медучреждение. Традиционные отчёты этого не показывают.
Сравнение с моделью Парето/NBD: быстрее, проще, та же точность
Классическая модель Парето/NBD (1985) положила начало вероятностному прогнозированию оттока, но имела серьёзный недостаток — чрезвычайно сложную математическую функцию для оценки параметров. Её вычисление требовало трудоёмких численных методов и часто давало сбои при неудачных начальных приближениях.
BG/NBD создавалась как прямое упрощение. Формулы удалось свести к замкнутой форме — без необходимости численного интегрирования. Результат: калибровка модели ускоряется в десятки раз, а точность прогнозов по числу будущих визитов почти не страдает.
| Характеристика | Парето/NBD | BG/NBD |
|---|---|---|
| Процесс визитов | Смесь Парето и экспонент | Отрицательное биномиальное распределение |
| Процесс ухода | Парето-распределение времени жизни | Бета-геометрическое распределение вероятности оттока |
| Оценка параметров | Требует численного интегрирования | Аналитическая формула (быстрое максимальное правдоподобие) |
| Сложность внедрения | Высокая, нужен дата-сайентист | Умеренная, реализуется в несколько строк кода |
| Статус «жив/мёртв» | Выводится косвенно | Прямая оценка вероятности P(alive) |
Для клиники без выделенной команды аналитиков BG/NBD становится очевидным выбором: модель стабильно сходится, требует меньше вычислительных ресурсов и отлично интерпретируется.
Какие прогнозы даёт BG/NBD для управления клиникой
На вход модели подаются элементарные данные о пациенте: дата первого визита, дата последнего визита и общее число визитов за всё время наблюдения. После подбора четырёх глобальных параметров модель для каждого человека рассчитывает:
- Ожидаемое количество визитов в будущем периоде (например, за следующие 6 или 12 месяцев). Это основа для расчёта пожизненной ценности клиента (CLV) – сколько прибыли он принесёт в перспективе.
- Вероятность того, что пациент всё ещё «жив» (P_alive). Если она падает ниже 20–30%, любые массовые напоминания или акции с высокой вероятностью не принесут результата: человек уже ушёл безвозвратно.
Такая детализация позволяет руководителю маркетинга точечно распределять бюджет. Для активных пациентов с низкой частотой – запустить программу лояльности. Для «почти мёртвых» – либо предпринять последнюю попытку с весомой скидкой, либо исключить из дорогих каналов коммуникации (например, отключить от СМС-рассылок).
Инструменты: Python-библиотека lifetimes и готовые решения
Самая доступная реализация модели – открытая Python-библиотека `lifetimes`, которая содержит класс `BetaGeoFitter`. Полный цикл от таблицы с историей посещений до прогнозов и визуализаций занимает всего несколько строк кода.
Порядок действий:
- Подготовить сводку с колонками: `frequency` (число визитов), `recency` (время от первого до последнего визита), `T` (время от первого визита до конца наблюдения). Взять эти данные можно из медицинской информационной системы (МИС) или CRM-системы клиники.
- Создать экземпляр `BetaGeoFitter` с заданным коэффициентом регуляризации.
- Вызвать метод `.fit()` – на выходе параметры r, α, a, b.
- Методом `.conditional_expected_number_of_purchases_up_to_time(t)` получить прогноз числа визитов.
- Метод `.probability_of_alive()` вернёт искомую вероятность «жизни» пациента.
Для клиник, у которых нет собственной IT-команды, существуют специализированные аналитические платформы, разработанные для медицинского рынка. Такие сервисы берут на себя сбор и очистку данных из МИС и CRM, автоматический расчёт BG/NBD и визуализацию отчётов. При выборе подрядчика важно убедиться, что он соблюдает требования Федерального закона «О персональных данных» (152-ФЗ) и работает с обезличенной статистикой в рамках заявленных целей обработки.
Ограничения модели в медицинском контексте
При всей математической элегантности BG/NBD опирается на допущения, которые в медицинской практике нужно проверять:
- Модель считает каждый визит независимым событием с постоянной частотой, пока пациент «жив». Это может нарушаться при плановых лечебных курсах (например, 10 сеансов физиотерапии с фиксированным интервалом), где визиты жёстко коррелированы.
- Вероятность ухода одинакова после каждого посещения – неважно, пришёл ли человек на профилактический осмотр или после сложной операции. В реальности уход может быть предопределён завершением лечения.
- Не учитываются внешние факторы: сезонность (спад летом), эпидемиологическая обстановка, возрастные категории. Для более глубокой сегментации потребуется расширенная версия модели с дополнительными переменными.
- Оценки становятся ненадёжными при сверхкороткой истории (всего 1–2 визита за весь период).
Несмотря на эти ограничения, базовая BG/NBD остаётся отличной отправной точкой для прогнозирования поведения пациентов и превосходит классические отчёты по датам последнего приёма.
Как внедрить BG/NBD в российской частной клинике
Сам вероятностный аппарат BG/NBD не зависит от географической специфики – модель одинаково корректно обрабатывает историю визитов как в Нью-Йорке, так и в Екатеринбурге. Практические сложности связаны с подготовкой данных.
Многие российские МИС не хранят историю обращений в единой мастер-записи пациента. Данные могут быть разбросаны по отделениям, филиалам или даже разным юридическим лицам. Перед запуском модели необходимо объединить записи, вычистить дубликаты и сформировать единую временную шкалу визитов.
Второе важное условие – соблюдение 152-ФЗ. Для построения модели можно использовать обезличенные идентификаторы пациентов, но как только вы собираетесь запускать реактивационную кампанию (телефонный обзвон, email-рассылка), необходимо убедиться, что у клиники есть актуальное согласие субъекта на обработку персональных данных и на коммуникацию по конкретному каналу. Пациент, не дававший согласия или отозвавший его, должен быть исключён из списка контактов, даже если модель считает его «живым».
Наконец, инфраструктурно самый простой путь – использовать не «голую» библиотеку, а встроенный модуль предиктивной аналитики в медицинской CRM или аналитической платформе, адаптированной под российский рынок. Такие решения сами подтягивают данные из МИС и сайта (через интеграцию с Яндекс Метрикой и коллтрекингом), соблюдают требования закона и выдают менеджеру готовый перечень пациентов с пометкой P_alive и прогнозом числа будущих приёмов.
FAQ
Какие минимальные данные о пациенте нужны для расчёта по модели BG/NBD? Идентификатор пациента, дата первого визита, дата последнего визита и общее число визитов за период наблюдения (хотя бы один визит).
Чем BG/NBD отличается от модели Парето/NBD для практического применения? Функция правдоподобия в BG/NBD имеет замкнутую форму, поэтому калибровка выполняется в разы быстрее и стабильнее, без сложных численных методов. Точность прогнозов при этом практически не снижается.
Как интерпретировать «вероятность того, что пациент уже мёртвый»? Это байесовская оценка P(alive): например, значение 0,15 означает, что с вероятностью 85% пациент больше никогда не вернётся. Такой сигнал позволяет исключить его из дорогостоящих кампаний реактивации.
Существуют ли готовые программы для расчёта BG/NBD без глубоких знаний в аналитике? Да, свободная Python-библиотека lifetimes даёт весь функционал в несколько строк кода. Также есть специализированные медицинские аналитические платформы, где модель уже встроена и подключается к вашей МИС.
Насколько модель пригодна для стоматологических или узкопрофильных клиник? Модель применима, если визиты можно считать независимыми повторными событиями. Для процедур с жёсткой периодичностью (курс лечения) интерпретацию нужно проводить аккуратнее, но общая логика оценки вероятности сохранения пациента как клиента сохраняется.