Základy celoživotní hodnoty zákazníka (CLV)

Machine Learning for Marketing in Python

Karolis Urbonas

Head of Analytics & Science, Amazon

Co je CLV?

  • Měření hodnoty zákazníka
  • Může být historická nebo prediktivní
  • Více přístupů v závislosti na typu podnikání
  • Některé metody jsou vzorcové, jiné prediktivní a distribuční
Machine Learning for Marketing in Python

Historické CLV

  • Součet tržeb všech minulých transakcí
  • Vynásobte ziskovou marží
  • Alternativně – součet zisku všech minulých transakcí, pokud je k dispozici
  • Výzva 1 – nezohledňuje dobu trvání, retenci a churn
  • Výzva 2 – nezohledňuje nové zákazníky a jejich budoucí tržby

Historické CLV

Machine Learning for Marketing in Python

Základní vzorec CLV

  • Průměrné tržby vynásobte ziskovou marží pro získání průměrného zisku
  • Vynásobte průměrnou dobou trvání zákaznického vztahu

Základní CLV

Machine Learning for Marketing in Python

Podrobný vzorec CLV

  • Průměrné tržby za nákup vynásobte průměrnou frekvencí a ziskovou marží
  • Vynásobte průměrnou dobou trvání zákaznického vztahu
  • Zohledňuje průměrné tržby za transakci i průměrnou frekvenci za období

Podrobné CLV

Machine Learning for Marketing in Python

Tradiční vzorec CLV

  • Průměrné tržby vynásobte ziskovou marží
  • Průměrný zisk vynásobte poměrem retence k churn
  • Churn je odvozen z retence a rovná se 1 minus míra retence
  • Zohledňuje loajalitu zákazníků, nejpopulárnější přístup

Tradiční CLV

Machine Learning for Marketing in Python

Úvod do datasetu transakcí

  • Dataset online maloobchodu
  • Transakce s hodnotami útrat, množství a dalšími

Online Retail

Machine Learning for Marketing in Python

Úvod do datasetu kohort

  • Odvozeno z datasetu online maloobchodu
  • Přiřazen měsíc akvizice
  • Kontingenční tabulka s počty zákazníků v následujících měsících po akvizici
  • Bude použito pro výpočet míry retence

Počty kohort

Machine Learning for Marketing in Python

Výpočet měsíční retence

Použijte hodnoty prvního měsíce pro výpočet velikostí kohort

cohort_sizes = cohort_counts.iloc[:,0]

Vypočítejte retenci vydělením měsíčně aktivních uživatelů jejich počáteční velikostí a odvozením hodnot churn

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

Zobrazujte hodnoty retence v heatmapě

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

Tabulka retence

Tabulka retence

Machine Learning for Marketing in Python

Vypočítejme některé metriky CLV!

Machine Learning for Marketing in Python

Preparing Video For Download...