Noțiuni de bază despre valoarea pe durata vieții clientului (CLV)

Machine Learning pentru Marketing în Python

Karolis Urbonas

Head of Analytics & Science, Amazon

Ce este CLV?

  • Măsurarea valorii clientului
  • Poate fi istorică sau predictivă
  • Mai multe abordări, în funcție de tipul de afacere
  • Unele metode sunt bazate pe formule, altele sunt predictive și bazate pe distribuție
Machine Learning pentru Marketing în Python

CLV istoric

  • Suma veniturilor din toate tranzacțiile anterioare
  • Înmulțiți cu marja de profit
  • Alternativ – suma profitului din toate tranzacțiile anterioare, dacă este disponibil
  • Provocarea 1 – nu ține cont de vechime, retenție și abandon
  • Provocarea 2 – nu ține cont de clienții noi și veniturile lor viitoare

CLV istoric

Machine Learning pentru Marketing în Python

Formula CLV de bază

  • Înmulțiți venitul mediu cu marja de profit pentru a obține profitul mediu
  • Înmulțiți cu durata medie de viață a clientului

CLV de bază

Machine Learning pentru Marketing în Python

Formula CLV granulară

  • Înmulțiți venitul mediu per achiziție cu frecvența medie și cu marja de profit
  • Înmulțiți cu durata medie de viață a clientului
  • Ține cont atât de venitul mediu per tranzacție, cât și de frecvența medie per perioadă

CLV granular

Machine Learning pentru Marketing în Python

Formula CLV tradițională

  • Înmulțiți venitul mediu cu marja de profit
  • Înmulțiți profitul mediu cu raportul retenție/abandon
  • Abandonul se derivă din retenție și este egal cu 1 minus rata de retenție
  • Ține cont de loialitatea clienților; cea mai populară abordare

CLV tradițional

Machine Learning pentru Marketing în Python

Introducere în setul de date cu tranzacții

  • Set de date retail online
  • Tranzacții cu valori de cheltuieli, cantitate și altele

Set de date retail online

Machine Learning pentru Marketing în Python

Introducere în setul de date cu cohorte

  • Derivat din setul de date retail online
  • Lună de achiziție atribuită
  • Tabel pivot cu numărul de clienți în lunile ulterioare achiziției
  • Utilizat pentru calcularea ratei de retenție

Număr cohorte

Machine Learning pentru Marketing în Python

Calcularea retenției lunare

Utilizați valorile din prima lună pentru a calcula dimensiunile cohortelor

cohort_sizes = cohort_counts.iloc[:,0]

Calculați retenția împărțind utilizatorii activi lunar la dimensiunile inițiale și derivați valorile de abandon

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

Reprezentați grafic valorile de retenție într-o hartă de căldură

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

Tabel de retenție

Tabel de retenție

Machine Learning pentru Marketing în Python

Să calculăm câteva metrici CLV!

Machine Learning pentru Marketing în Python

Preparing Video For Download...