Những điều cơ bản về Giá trị vòng đời khách hàng (CLV)

Machine Learning cho Marketing với Python

Karolis Urbonas

Head of Analytics & Science, Amazon

CLV là gì?

  • Đo lường giá trị khách hàng
  • Có thể là lịch sử hoặc dự đoán
  • Nhiều cách tiếp cận, tùy loại hình kinh doanh
  • Một số dựa trên công thức, số khác dự đoán theo phân phối
Machine Learning cho Marketing với Python

CLV lịch sử

  • Cộng doanh thu mọi giao dịch trước đây
  • Nhân với biên lợi nhuận
  • Hoặc cộng lợi nhuận mọi giao dịch trước đây, nếu có
  • Thách thức 1: không tính thời hạn, giữ chân và rời bỏ
  • Thách thức 2: không tính khách hàng mới và doanh thu tương lai

CLV lịch sử

Machine Learning cho Marketing với Python

Công thức CLV cơ bản

  • Nhân doanh thu trung bình với biên lợi nhuận để ra lợi nhuận trung bình
  • Nhân tiếp với vòng đời khách hàng trung bình

CLV cơ bản

Machine Learning cho Marketing với Python

Công thức CLV chi tiết

  • Nhân doanh thu trung bình mỗi lần mua với tần suất trung bình và biên lợi nhuận
  • Nhân tiếp với vòng đời khách hàng trung bình
  • Tính cả doanh thu mỗi giao dịch và tần suất trung bình mỗi kỳ

CLV chi tiết

Machine Learning cho Marketing với Python

Công thức CLV truyền thống

  • Nhân doanh thu trung bình với biên lợi nhuận
  • Nhân lợi nhuận trung bình với tỷ lệ giữ chân trên rời bỏ
  • Rời bỏ suy ra từ giữ chân và bằng 1 trừ tỷ lệ giữ chân
  • Tính lòng trung thành khách hàng, cách phổ biến nhất

CLV truyền thống

Machine Learning cho Marketing với Python

Giới thiệu bộ dữ liệu giao dịch

  • Bộ dữ liệu bán lẻ trực tuyến
  • Giao dịch với số tiền chi tiêu, số lượng và giá trị khác

Bán lẻ trực tuyến

Machine Learning cho Marketing với Python

Giới thiệu bộ dữ liệu cohort

  • Suy ra từ bộ dữ liệu bán lẻ trực tuyến
  • Gán tháng thu nhận khách hàng
  • Bảng pivot với số lượng khách hàng theo các tháng sau thu nhận
  • Dùng để tính tỷ lệ giữ chân

Số lượng theo cohort

Machine Learning cho Marketing với Python

Tính giữ chân theo tháng

Dùng giá trị tháng đầu để tính kích thước cohort

cohort_sizes = cohort_counts.iloc[:,0]

Tính giữ chân bằng MAU chia cho kích thước ban đầu và suy ra churn

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

Vẽ heatmap tỷ lệ giữ chân

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

Bảng giữ chân

Bảng giữ chân

Machine Learning cho Marketing với Python

Hãy tính một số chỉ số CLV!

Machine Learning cho Marketing với Python

Preparing Video For Download...