Dasar-dasar Customer Lifetime Value (CLV)

Machine Learning untuk Pemasaran dengan Python

Karolis Urbonas

Head of Analytics & Science, Amazon

Apa itu CLV?

  • Ukuran nilai pelanggan
  • Dapat historis atau prediktif
  • Banyak pendekatan, tergantung jenis bisnis
  • Ada yang berbasis rumus, ada yang prediktif dan berbasis distribusi
Machine Learning untuk Pemasaran dengan Python

CLV historis

  • Jumlahkan pendapatan dari semua transaksi lampau
  • Kalikan dengan margin laba
  • Atau jumlahkan laba semua transaksi lampau, jika tersedia
  • Tantangan 1: tidak memperhitungkan masa aktif, retensi, dan churn
  • Tantangan 2: tidak memperhitungkan pelanggan baru dan pendapatan masa depan

CLV historis

Machine Learning untuk Pemasaran dengan Python

Rumus CLV dasar

  • Kalikan pendapatan rata-rata dengan margin laba untuk mendapat laba rata-rata
  • Kalikan dengan rata-rata masa hidup pelanggan

CLV dasar

Machine Learning untuk Pemasaran dengan Python

Rumus CLV terperinci

  • Kalikan pendapatan rata-rata per pembelian dengan frekuensi rata-rata dan margin laba
  • Kalikan dengan rata-rata masa hidup pelanggan
  • Memperhitungkan pendapatan per transaksi dan frekuensi per periode

CLV terperinci

Machine Learning untuk Pemasaran dengan Python

Rumus CLV tradisional

  • Kalikan pendapatan rata-rata dengan margin laba
  • Kalikan laba rata-rata dengan rasio retensi-ke-churn
  • Churn diturunkan dari retensi: 1 dikurangi tingkat retensi
  • Memperhitungkan loyalitas; pendekatan paling umum

CLV tradisional

Machine Learning untuk Pemasaran dengan Python

Pengantar dataset transaksi

  • Dataset ritel online
  • Transaksi dengan nilai belanja, kuantitas, dan lainnya

Ritel Online

Machine Learning untuk Pemasaran dengan Python

Pengantar dataset kohort

  • Diturunkan dari dataset ritel online
  • Ditetapkan bulan akuisisi
  • Pivot tabel dengan jumlah pelanggan per bulan setelah akuisisi
  • Digunakan untuk menghitung retensi

Jumlah kohort

Machine Learning untuk Pemasaran dengan Python

Hitung retensi bulanan

Gunakan nilai bulan pertama untuk menghitung ukuran kohort

cohort_sizes = cohort_counts.iloc[:,0]

Hitung retensi dengan membagi pengguna aktif bulanan dengan ukuran awal, lalu turunkan churn

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

Plot nilai retensi dalam heatmap

sns.heatmap(retention, annot=True, vmin=0, vmax=0.5, cmap="YlGn")
Machine Learning untuk Pemasaran dengan Python

Tabel retensi

Tabel retensi

Machine Learning untuk Pemasaran dengan Python

Mari hitung beberapa metrik CLV!

Machine Learning untuk Pemasaran dengan Python

Preparing Video For Download...