Сколько клиент стоит для вашего бизнеса? Это нетривиальный вопрос, но он имеет большое значение для вашей маркетинговой стратегии, прибыльности и роста. В этой статье я рассмотрю жизненную ценность страхового клиента (CLV), от концепции до практического применения.

Какова пожизненная ценность клиента?

Пожизненная ценность клиента — это основной показатель для понимания клиентов. Это прогноз того, какую ценность отношения с клиентом могут принести компании. Такой подход позволяет организациям продемонстрировать будущую ценность, которую они могут получить от своих маркетинговых кампаний.

Зачем рассчитывать пожизненную ценность клиента?

Одной из ключевых причин измерения пожизненной ценности клиента является удержание клиентов. Marketing Metrics показывает, что вероятность продажи новому клиенту составляет 5–20%, а вероятность продажи существующему клиенту — 60–70%. Это означает, что продажа большего количества повторным клиентам принесет больше прибыли.

Как рассчитывается общая ценность клиента?

Существует несколько способов расчета пожизненной ценности клиента, от коллективного подхода до индивидуального подхода.

Простое определение пожизненной ценности клиента на индивидуальном уровне — это чистая текущая стоимость всех денежных потоков, связанных с отношениями с клиентом.

Входная формула

Как применяется пожизненная ценность клиента?

Рассчитав пожизненную ценность клиента, вы можете использовать эту информацию для выбора стратегий, которым следует следовать:

  • Сегментируйте своих клиентов
  • Оптимизация приобретения
  • Удержание лифта
  • Улучшить прогнозирование
  • Отмечайте лучших клиентов

Есть несколько способов рассчитать пожизненную ценность клиента, и цель этого исследования — распространить прогностическую аналитику на сферу страхового маркетинга. В этом исследовании я использовал данные истории покупок клиентов для построения статистических моделей, которые прогнозируют пожизненную ценность клиента в течение определенного периода. Я использовал набор данных по автострахованию США с коллекцией истории страховых полисов клиентов за 1 год с менее чем 10 000 записей и 24 переменными, такими как ежемесячная автомобильная премия, сумма претензии, код местоположения и типичные функции, используемые в ценообразовании страхования, кроме страхования жизни. . Вы можете следить за шагами, глядя на эту блокнот.

– Исследовательский анализ данных

Из исследовательского анализа данных, помимо информации, поступающей от переменных при одномерном анализе и двумерном анализе, есть возможность получить характеристики типичного клиента. Типичный клиент покупает покрытие в течение первых двух месяцев года, живет в Калифорнии, в пригороде, имеет высшее образование, женат и покупает базовое покрытие на четырехдверный автомобиль средних размеров.

– Моделирование жизненного цикла клиента

На данный момент цель состоит в том, чтобы спрогнозировать CLV за последние 3 месяца года, используя предыдущие месяцы в качестве обучающей части для модели. У меня было сравнение между 4 моделями.

Модель GLM использовалась в качестве эталона, учитывая, что модель используется в актуарной сфере. Затем я использовал современное машинное обучение, чтобы зафиксировать нелинейную связь между функциями и переменными отклика, 2 ансамблевые модели: случайный лес и машину повышения градиента, а затем нейронную сеть в качестве последней.

Подбирая модели, Gradient Boosting достигла наилучших результатов как в поезде, так и в тестовом наборе. GLM — плохая модель, случайный лес немного переоснащает, и нейронные сети тоже подходят. Глядя на форму распределений, GLM имеет совершенно отличное от наблюдаемых значений распределение, в то время как остальные близки к истинным значениям. Хорошее распределение нейронных сетей. Победителем по производительности является Gradient Boosting.

Забегая вперед, я применил модели кластеризации к 8 числовым характеристикам набора данных. Для этого задания я использовал инструменты K-Means, GMM и Hierarchical clustering. Результаты интересны при взгляде на сегментацию переменных с помощью исследовательской визуализации с комбинацией моделей t-SNE и кластеризации.

Интуиция, стоящая за использованием кластеризации в сочетании с t-SNE, заключается в создании инструмента сегментации визуализации, полезного для управления запросами портфолио и обнаружения базовой структуры данных.

В кластеризации K-средних розовый кластер является самым большим, помеченным как один, группируя данные, мы наблюдаем, что более или менее 50% премий и сумм требований сосредоточены в этом кластере.

С помощью прогнозов актуарии могут повысить точность прогнозов, сократить расходы и потери, повысив прибыльность компании. С помощью сегментации актуарии могут помочь обнаружить новые тенденции и помочь маркетологам создавать целевые кампании, ориентированные на разные сегменты клиентов.