Basis van Customer Lifetime Value (CLV)

Machine Learning voor marketing in Python

Karolis Urbonas

Head of Analytics & Science, Amazon

Wat is CLV?

  • Maatstaf voor klantwaarde
  • Historisch of voorspeld
  • Meerdere aanpakken, afhankelijk van business
  • Sommige formule-based, andere voorspellend en distributiegebaseerd
Machine Learning voor marketing in Python

Historische CLV

  • Sommeer omzet van alle eerdere transacties
  • Vermenigvuldig met winstmarge
  • Of: sommeer winst per transactie, indien beschikbaar
  • Uitdaging 1: houdt geen rekening met looptijd, retentie en churn
  • Uitdaging 2: negeert nieuwe klanten en hun toekomstige omzet

Historische CLV

Machine Learning voor marketing in Python

Basis CLV-formule

  • Gemiddelde omzet × winstmarge = gemiddelde winst
  • Vermenigvuldig met gemiddelde klantlevensduur

Basis-CLV

Machine Learning voor marketing in Python

Gedeetailleerde CLV-formule

  • Gem. omzet per aankoop × gem. frequentie × winstmarge
  • Vermenigvuldig met gem. klantlevensduur
  • Neemt zowel omzet per transactie als frequentie per periode mee

Granulaire CLV

Machine Learning voor marketing in Python

Traditionele CLV-formule

  • Gemiddelde omzet × winstmarge
  • Vermenigvuldig gem. winst met de ratio retentie/churn
  • Churn = 1 − retentie
  • Houdt rekening met loyaliteit; meest gebruikt

Traditionele CLV

Machine Learning voor marketing in Python

Introductie transactiedataset

  • Online retail-dataset
  • Transacties met bedrag, aantal en meer

Online retail

Machine Learning voor marketing in Python

Introductie cohort-dataset

  • Afgeleid van online retail-dataset
  • Toegewezen acquisitiemaand
  • Draaipunt met klantenaantallen in maanden na acquisitie
  • Gebruiken voor retentiegraad

Cohort-aantallen

Machine Learning voor marketing in Python

Maandelijkse retentie berekenen

Gebruik de eerste maand om cohortgroottes te berekenen

cohort_sizes = cohort_counts.iloc[:,0]

Bereken retentie door MAU te delen door de startgroottes en leid churn af

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

Plot de retentiewaarden als heatmap

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

Retentietabel

Retentietabel

Machine Learning voor marketing in Python

Laten we wat CLV-metrics berekenen!

Machine Learning voor marketing in Python

Preparing Video For Download...