Nozioni di base sul Customer Lifetime Value (CLV)

Machine Learning per il marketing con Python

Karolis Urbonas

Head of Analytics & Science, Amazon

Cos’è il CLV?

  • Misura del valore del cliente
  • Può essere storico o predetto
  • Più approcci, dipende dal business
  • Alcuni metodi sono a formula, altri predittivi e basati su distribuzioni
Machine Learning per il marketing con Python

CLV storico

  • Somma i ricavi di tutte le transazioni passate
  • Moltiplica per il margine di profitto
  • In alternativa: somma i profitti di tutte le transazioni passate, se disponibili
  • Sfida 1: non considera anzianità, retention e churn
  • Sfida 2: non considera nuovi clienti e ricavi futuri

CLV storico

Machine Learning per il marketing con Python

Formula CLV di base

  • Moltiplica il ricavo medio per il margine per ottenere il profitto medio
  • Moltiplicalo per la durata media del cliente

CLV base

Machine Learning per il marketing con Python

Formula CLV granulare

  • Moltiplica il ricavo medio per acquisto per la frequenza media e per il margine
  • Moltiplicalo per la durata media del cliente
  • Considera sia ricavo medio per transazione sia frequenza media per periodo

CLV granulare

Machine Learning per il marketing con Python

Formula CLV tradizionale

  • Moltiplica il ricavo medio per il margine
  • Moltiplica il profitto medio per il rapporto retention/churn
  • Il churn si ricava dalla retention: 1 meno tasso di retention
  • Considera la fedeltà cliente, approccio più usato

CLV tradizionale

Machine Learning per il marketing con Python

Introduzione al dataset delle transazioni

  • Dataset di e-commerce
  • Transazioni con spesa, quantità e altri valori

E-commerce online

Machine Learning per il marketing con Python

Introduzione al dataset delle coorti

  • Derivato dal dataset di e-commerce
  • Mese di acquisizione assegnato
  • Tabella pivot con conteggi clienti nei mesi successivi all’acquisizione
  • Lo useremo per calcolare il tasso di retention

Conteggi per coorte

Machine Learning per il marketing con Python

Calcolare la retention mensile

Usa i valori del primo mese per calcolare le dimensioni di coorte

cohort_sizes = cohort_counts.iloc[:,0]

Calcola la retention dividendo gli utenti attivi mensili per la dimensione iniziale e ricava il churn

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

Traccia i valori di retention con una heatmap

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

Tabella di retention

Tabella di retention

Machine Learning per il marketing con Python

Calcoliamo alcune metriche di CLV!

Machine Learning per il marketing con Python

Preparing Video For Download...