Bases du Customer Lifetime Value (CLV)

Machine Learning pour le marketing en Python

Karolis Urbonas

Head of Analytics & Science, Amazon

Qu'est-ce que le CLV ?

  • Mesure de la valeur client
  • Historique ou prévisionnelle
  • Plusieurs approches selon le type d'entreprise
  • Certaines méthodes sont formulaires, d'autres prédictives et fondées sur des distributions
Machine Learning pour le marketing en Python

CLV historique

  • Additionner les revenus de toutes les transactions passées
  • Multiplier par la marge bénéficiaire
  • Autrement : additionner le profit de toutes les transactions passées, si disponible
  • Défi 1 : n'intègre pas l'ancienneté, la rétention ni l'attrition
  • Défi 2 : n'intègre pas les nouveaux clients ni leurs revenus futurs

CLV historique

Machine Learning pour le marketing en Python

Formule de CLV de base

  • Multiplier le revenu moyen par la marge pour obtenir le profit moyen
  • Multiplier par la durée de vie moyenne des clients

CLV de base

Machine Learning pour le marketing en Python

Formule de CLV granulaire

  • Multiplier le revenu moyen par achat par la fréquence moyenne et par la marge
  • Multiplier par la durée de vie moyenne des clients
  • Prend en compte à la fois le revenu moyen par transaction et la fréquence moyenne par période

CLV granulaire

Machine Learning pour le marketing en Python

Formule de CLV traditionnelle

  • Multiplier le revenu moyen par la marge bénéficiaire
  • Multiplier le profit moyen par le ratio rétention/attrition
  • L'attrition découle de la rétention : 1 moins le taux de rétention
  • Intègre la loyauté client, approche la plus courante

CLV traditionnel

Machine Learning pour le marketing en Python

Présentation de l'ensemble de transactions

  • Ensemble de données de vente en ligne
  • Transactions avec dépenses, quantités et autres valeurs

Vente en ligne

Machine Learning pour le marketing en Python

Présentation de l'ensemble de cohortes

  • Dérivé de l'ensemble de vente en ligne
  • Mois d'acquisition attribué
  • Tableau croisé avec le nombre de clients par mois suivant l'acquisition
  • Servira à calculer le taux de rétention

Comptes de cohortes

Machine Learning pour le marketing en Python

Calculer la rétention mensuelle

Utiliser les valeurs du premier mois pour calculer la taille des cohortes

cohort_sizes = cohort_counts.iloc[:,0]

Calculer la rétention en divisant les utilisateurs actifs mensuels par leur taille initiale et en déduire l'attrition

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

Tracer la rétention en carte thermique

sns.heatmap(retention, annot=True, vmin=0, vmax=0.5, cmap="YlGn")
Machine Learning pour le marketing en Python

Table de rétention

Table de rétention

Machine Learning pour le marketing en Python

Calculons quelques mesures de CLV !

Machine Learning pour le marketing en Python

Preparing Video For Download...