Grunderna i Customer Lifetime Value (CLV)

Maskininlärning för marknadsföring i Python

Karolis Urbonas

Head of Analytics & Science, Amazon

Vad är CLV?

  • Mäter kundvärde
  • Kan vara historisk eller förutsagd
  • Flera metoder – beror på affärstyp
  • Vissa metoder är formelbaserade, andra prediktiva och distributionsbaserade
Maskininlärning för marknadsföring i Python

Historisk CLV

  • Summera intäkterna från alla tidigare transaktioner
  • Multiplicera med vinstmarginalen
  • Alternativt – summera vinsten från alla tidigare transaktioner, om tillgänglig
  • Utmaning 1 – tar inte hänsyn till kundlivslängd, retention och churn
  • Utmaning 2 – tar inte hänsyn till nya kunder och deras framtida intäkter

Historisk CLV

Maskininlärning för marknadsföring i Python

Grundläggande CLV-formel

  • Multiplicera genomsnittlig intäkt med vinstmarginalen för att få genomsnittlig vinst
  • Multiplicera med genomsnittlig kundlivslängd

Grundläggande CLV

Maskininlärning för marknadsföring i Python

Granulär CLV-formel

  • Multiplicera genomsnittlig intäkt per köp med genomsnittlig frekvens och vinstmarginal
  • Multiplicera med genomsnittlig kundlivslängd
  • Tar hänsyn till både genomsnittlig intäkt per transaktion och genomsnittlig frekvens per period

Granulär CLV

Maskininlärning för marknadsföring i Python

Traditionell CLV-formel

  • Multiplicera genomsnittlig intäkt med vinstmarginalen
  • Multiplicera genomsnittlig vinst med kvoten mellan retention och churn
  • Churn härleds från retention och är lika med 1 minus retentionsgraden
  • Tar hänsyn till kundlojalitet – den vanligaste metoden

Traditionell CLV

Maskininlärning för marknadsföring i Python

Introduktion till transaktionsdatamängden

  • Datamängd från näthandel
  • Transaktioner med belopp, kvantitet och andra värden

Näthandel

Maskininlärning för marknadsföring i Python

Introduktion till kohortdatamängden

  • Härledd från näthandelsdatamängden
  • Tilldelad förvärvsmånad
  • Pivottabell med kundantal i efterföljande månader efter förvärv
  • Används för att beräkna retentionsgraden

Kohortantal

Maskininlärning för marknadsföring i Python

Beräkna månadsvis retention

Använd värdena från den första månaden för att beräkna kohortstorlekar

cohort_sizes = cohort_counts.iloc[:,0]

Beräkna retention genom att dividera månatliga aktiva användare med deras ursprungliga storlekar, och härledd churnen

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

Visualisera retentionsvärdena i en heatmap

sns.heatmap(retention, annot=True, vmin=0, vmax=0.5, cmap="YlGn")
Maskininlärning för marknadsföring i Python

Retentionstabell

Retentionstabell

Maskininlärning för marknadsföring i Python

Nu kör vi en övning!

Maskininlärning för marknadsföring i Python

Preparing Video For Download...