На клиентоориентированном рынке, в котором мы живем сегодня, очень важно знать пожизненную ценность клиента (CLV). Почему? Это помогает предприятиям сосредоточить свою деятельность на своих наиболее «прибыльных» клиентах. Чем лучше бизнес понимает CLV, тем лучше будет создавать стратегии для их удержания.
Но многие предприятия продолжают игнорировать этот важный вклад.
Любые дебаты вокруг CLV неизменно вызывают принцип Парето, а именно: 20% ваших клиентов представляют 80% ваших продаж. Легко определить пожизненную ценность клиента — дисконтированную стоимость будущей прибыли, полученной клиентом. Проще говоря, это вся сумма дохода, которую вы получаете от клиента на протяжении всего его покупательского цикла.
Однако расчет CLV требует некоторой работы.
Чтобы получить пожизненную ценность, требуется моделирование CLV. Для этого вам потребуются три входа, которые обычно называют RFM или недавностью, частотой и денежной стоимостью.
Сколько моделей CLV?
Согласно этому сообщению Google, вы можете использовать модели CLV, чтобы получить ответы на следующие вопросы:
- Количество покупок: количество покупок, которые клиент может совершить в будущем.
- Lifetime: сколько времени пройдет, прежде чем клиент станет постоянно неактивным
- Денежная стоимость: какую денежную стоимость клиент будет генерировать в будущем.
Два метода моделирования для CLV
Есть два способа взглянуть на CLV — исторический и прогнозный. Исторический метод анализирует прошлые данные, чтобы оценить ценность клиента.
Здесь нет никакой попытки предсказать, что этот клиент может захотеть в будущем.
Итак, вот в чем дело: что, если бы вы могли классифицировать, кто из ваших клиентов составляет эти 20%, не только исторически, но и в будущем? Вот тут-то и начинается прогнозирование CLV.
Это можно сделать, чтобы:
- Прогнозировать будущую стоимость существующих клиентов с историей транзакций
- Прогнозировать будущую ценность новых клиентов
В этом сообщении блога давайте сосредоточимся на прогнозируемой ценности жизненного цикла клиента. Он направлен на моделирование покупательского поведения клиентов, чтобы сделать вывод о том, каковы будут их будущие действия. Но помните, что не всем предприятиям нужна эта модель — прежде чем приступить к работе, вам нужно сначала понять, подходит ли прогностическая модель CLV для вашего предприятия.
Если вы ответите «да» на этот вопрос, вы можете использовать как историческое, так и прогнозное моделирование.
В этом посте мы сосредоточимся на вероятностных моделях. Они вырабатываются путем подгонки вероятностного сценария к значениям RFM, полученным из предыдущих транзакций. Такие модели основаны на модели покупки, определяемой транзакцией каждого клиента. Каждая вероятностная модель, использующая значения RFM, содержит идентификатор клиента, дату заказа и стоимость заказа.
Именно здесь сегодня развертывается искусственный интеллект (ИИ). Людям не нужно вычислять или вводить результаты таких вычислений — искусственный интеллект всегда готов помочь.
Машинное обучение (ML), подмножество ИИ, объединяет алгоритмы и статистику и используется компьютерами для выполнения конкретной работы без какого-либо вмешательства человека в целом. Он делает это, находя закономерности внутри больших наборов данных. ML сегодня является огромным преимуществом при прогнозировании CLV.
Автор: Team Express Analytics
Если вы хотите узнать больше об этом, посетите нас по адресу https://expressanalytics.com/blog/
