Noções básicas de Customer Lifetime Value (CLV)

Machine Learning para Marketing em Python

Karolis Urbonas

Head of Analytics & Science, Amazon

O que é CLV?

  • Medição do valor do cliente
  • Pode ser histórico ou previsto
  • Várias abordagens, depende do tipo de negócio
  • Alguns métodos usam fórmulas; outros, previsão e distribuições
Machine Learning para Marketing em Python

CLV histórico

  • Some a receita de todas as transações passadas
  • Multiplique pela margem de lucro
  • Alternativa: some o lucro de todas as transações passadas, se houver
  • Desafio 1: não considera tempo de relacionamento, retenção e churn
  • Desafio 2: não considera novos clientes e sua receita futura

CLV histórico

Machine Learning para Marketing em Python

Fórmula básica de CLV

  • Multiplique a receita média pela margem de lucro para obter o lucro médio
  • Multiplique pelo tempo médio de vida do cliente

CLV básico

Machine Learning para Marketing em Python

Fórmula de CLV granular

  • Multiplique a receita média por compra pela frequência média e pela margem de lucro
  • Multiplique pelo tempo médio de vida do cliente
  • Considera a receita média por transação e a frequência média por período

CLV granular

Machine Learning para Marketing em Python

Fórmula tradicional de CLV

  • Multiplique a receita média pela margem de lucro
  • Multiplique o lucro médio pela razão retenção/churn
  • O churn pode ser derivado da retenção e é 1 menos a taxa de retenção
  • Considera a lealdade do cliente; abordagem mais popular

CLV tradicional

Machine Learning para Marketing em Python

Introdução ao conjunto de transações

  • Conjunto de dados de varejo online
  • Transações com gasto, quantidade e outros valores

Varejo online

Machine Learning para Marketing em Python

Introdução ao conjunto de coortes

  • Derivado do conjunto de varejo online
  • Mês de aquisição atribuído
  • Tabela dinâmica com contagem de clientes nos meses após a aquisição
  • Usaremos para calcular a taxa de retenção

Contagens por coorte

Machine Learning para Marketing em Python

Calcular a retenção mensal

Use os valores do primeiro mês para calcular o tamanho das coortes

cohort_sizes = cohort_counts.iloc[:,0]

Calcule a retenção dividindo usuários ativos mensais pelo tamanho inicial e derive o churn

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

Exiba os valores de retenção em um mapa de calor

sns.heatmap(retention, annot=True, vmin=0, vmax=0.5, cmap="YlGn")
Machine Learning para Marketing em Python

Tabela de retenção

Tabela de retenção

Machine Learning para Marketing em Python

Vamos calcular algumas métricas de CLV!

Machine Learning para Marketing em Python

Preparing Video For Download...