Podstawy Customer Lifetime Value (CLV)

Uczenie maszynowe w marketingu w Pythonie

Karolis Urbonas

Head of Analytics & Science, Amazon

Czym jest CLV?

  • Miara wartości klienta
  • Może być historyczna lub prognozowana
  • Wiele podejść – zależy od rodzaju działalności
  • Metody oparte na formułach, predykcyjne lub rozkładowe
Uczenie maszynowe w marketingu w Pythonie

Historyczny CLV

  • Suma przychodów ze wszystkich dotychczasowych transakcji
  • Pomnożona przez marżę zysku
  • Alternatywnie – suma zysku ze wszystkich transakcji, jeśli dostępna
  • Ograniczenie 1 – nie uwzględnia stażu, retencji ani churnu
  • Ograniczenie 2 – nie uwzględnia nowych klientów i ich przyszłych przychodów

Historyczny CLV

Uczenie maszynowe w marketingu w Pythonie

Podstawowa formuła CLV

  • Pomnóż średni przychód przez marżę zysku, aby uzyskać średni zysk
  • Pomnóż go przez średni czas życia klienta

Podstawowy CLV

Uczenie maszynowe w marketingu w Pythonie

Szczegółowa formuła CLV

  • Pomnóż średni przychód z zakupu przez średnią częstotliwość i marżę zysku
  • Pomnóż przez średni czas życia klienta
  • Uwzględnia zarówno średni przychód na transakcję, jak i średnią częstotliwość w okresie

Szczegółowy CLV

Uczenie maszynowe w marketingu w Pythonie

Tradycyjna formuła CLV

  • Pomnóż średni przychód przez marżę zysku
  • Pomnóż średni zysk przez stosunek retencji do churnu
  • Churn wynika z retencji i wynosi 1 minus wskaźnik retencji
  • Uwzględnia lojalność klientów – najpopularniejsze podejście

Tradycyjny CLV

Uczenie maszynowe w marketingu w Pythonie

Wprowadzenie do zbioru transakcji

  • Zbiór danych ze sprzedaży online
  • Transakcje z wartościami wydatków, ilości i innymi

Online Retail

Uczenie maszynowe w marketingu w Pythonie

Wprowadzenie do zbioru kohort

  • Pochodna zbioru sprzedaży online
  • Przypisany miesiąc pozyskania
  • Tabela przestawna z liczbą klientów w kolejnych miesiącach po pozyskaniu
  • Używana do obliczenia wskaźnika retencji

Liczebności kohort

Uczenie maszynowe w marketingu w Pythonie

Obliczanie miesięcznej retencji

Użyj wartości z pierwszego miesiąca do obliczenia rozmiarów kohort

cohort_sizes = cohort_counts.iloc[:,0]

Oblicz retencję, dzieląc miesięcznych aktywnych użytkowników przez ich początkowe rozmiary, a następnie wyznacz wartości churn

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

Wizualizuj wartości retencji na mapie cieplnej

sns.heatmap(retention, annot=True, vmin=0, vmax=0.5, cmap="YlGn")
Uczenie maszynowe w marketingu w Pythonie

Tabela retencji

Tabela retencji

Uczenie maszynowe w marketingu w Pythonie

Obliczmy wskaźniki CLV!

Uczenie maszynowe w marketingu w Pythonie

Preparing Video For Download...