Notions de base sur la Customer Lifetime Value (CLV)

Machine Learning pour le marketing en Python

Karolis Urbonas

Head of Analytics & Science, Amazon

Qu'est-ce que la CLV ?

  • Mesure de la valeur client
  • Peut être historique ou prédite
  • Plusieurs approches, selon le type d'activité
  • Certaines méthodes sont basées sur des formules, d'autres sur des modèles prédictifs et des distributions
Machine Learning pour le marketing en Python

CLV historique

  • Additionner les revenus de toutes les transactions passées
  • Multiplier par la marge bénéficiaire
  • Ou additionner directement les profits de toutes les transactions passées, si disponible
  • Défi 1 : n'intègre pas l'ancienneté, la rétention ni l'attrition
  • Défi 2 : n'intègre pas les nouveaux clients ni leurs revenus futurs

CLV historique

Machine Learning pour le marketing en Python

Formule CLV de base

  • Multiplier le revenu moyen par la marge pour obtenir le profit moyen
  • Multiplier par la durée de vie moyenne client

CLV de base

Machine Learning pour le marketing en Python

Formule CLV granulaire

  • Multiplier le revenu moyen par achat par la fréquence moyenne et par la marge
  • Multiplier par la durée de vie moyenne client
  • Prend en compte à la fois le revenu moyen par transaction et la fréquence moyenne par période

CLV granulaire

Machine Learning pour le marketing en Python

Formule CLV traditionnelle

  • Multiplier le revenu moyen par la marge bénéficiaire
  • Multiplier le profit moyen par le ratio rétention/attrition
  • L'attrition dérive de la rétention et vaut 1 moins le taux de rétention
  • Intègre la fidélité client, approche la plus courante

CLV traditionnelle

Machine Learning pour le marketing en Python

Introduction au jeu de transactions

  • Jeu de données de vente en ligne
  • Transactions avec montant dépensé, quantité et autres valeurs

Vente en ligne

Machine Learning pour le marketing en Python

Introduction au jeu de données de cohortes

  • Dérivé du jeu de données de vente en ligne
  • Mois d'acquisition attribué
  • Tableau croisé avec le nombre de clients par mois après l'acquisition
  • Servira à calculer le taux de rétention

Comptes de cohortes

Machine Learning pour le marketing en Python

Calculer la rétention mensuelle

Utiliser les valeurs du premier mois pour calculer la taille des cohortes

cohort_sizes = cohort_counts.iloc[:,0]

Calculer la rétention en divisant les utilisateurs actifs mensuels par leur taille initiale, puis en déduire l'attrition

retention = cohort_counts.divide(cohort_sizes, axis=0)
churn = 1 - retention

Tracer les valeurs de rétention en carte thermique

sns.heatmap(retention, annot=True, vmin=0, vmax=0.5, cmap="YlGn")
Machine Learning pour le marketing en Python

Table de rétention

Table de rétention

Machine Learning pour le marketing en Python

Calculons quelques métriques de CLV !

Machine Learning pour le marketing en Python

Preparing Video For Download...