Examining Selected Theoretical Distributions of Life Expectancy to Analyse Customer Loyalty Durability. The Case of a European Retail Bank

One of the key elements related to calculating Customer Lifetime Value is to estimate the duration of a client’s relationship with a bank in the future. This can be done using survival analysis. The aim of the article is to examine which of the known distributions used in survival analysis (Weibull, Exponential, Gamma, Log‑normal) best describes the churn phenomenon of a bank’s clients. If the aim is to estimate the distribution according to which certain units (bank customers) survive and the factors that cause this are not so important, then parametric models can be used. Estimation of survival function parameters is faster than estimating a full Cox model with a properly selected set of explanatory variables. The authors used censored data from a retail bank for the study. The article also draws attention to the most common problems related to preparing data for survival analysis.

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.