Ügyfél élettartamra vetített értékének előrejelzése (CLV)

Olyan potenciális érték (bevétel) előrejelzése, amit az egyes aktív ügyfelek egy megadott jövőbeli időszak során behoznak a vállalatba. Ez a előrejelzés a következőkben nyújt segítséget:

• Azonosítsa a nagy értékű ügyfeleket, és dolgozza fel ezt a betekintést.
• Hozzon létre stratégiai ügyfélszegmenseket potenciális értékük alapján, hogy személyre szabott kampányokat futtasson célzott értékesítési, marketing és támogatási erőfeszítésekkel.
• Irányítsa a termékfejlesztést azáltal, hogy azokra a funkciókra összpontosít, amelyek növelik az ügyfelek értékét.
• Optimalizálja az értékesítési vagy marketingstratégiát, és pontosabban ossza fel a költségvetést az ügyfelek eléréséhez.
• Ismerje fel és jutalmazza meg a nagy értékű ügyfeleket hűség- vagy jutalomprogramokkal.

Határozza meg, mit jelent a CLV az Ön vállalkozása számára. Támogatjuk a tranzakció alapú CLV előrejelzés. Az ügyfél előrejelzett értéke az üzleti tranzakciók előzményein alapul. Érdemes lehet több modellt létrehozni különböző bemeneti preferenciákkal, és összehasonlítani a modell eredményeit, hogy megtudja, melyik modellforgatókönyv felel meg legjobban az üzleti igényeinek.

Tipp.

Próbálja ki a CLV előrejelzés mintaadatok: Ügyfél élettartam-értéke (CLV) előrejelzés mintaútmutató.

Előfeltételek

• Legalább közreműködő engedélyek
• Legalább 1 000 ügyfélprofil a kívánt előrejelzés ablakon belül
• Az ügyfél-azonosító egy egyedi azonosító, amelyet arra használnak, hogy egy adott ügyfélhez tranzakciókat egyeztessenek
• Legalább egy éves tranzakciós előzmények, lehetőleg két-három év. Ideális esetben ügyfél-azonosítónként legalább két-három tranzakció, lehetőleg több dátumon keresztül. A tranzakciós előzményeknek tartalmazniuk kell a következőket:
  • Tranzakcióazonosító: Az egyes tranzakciók egyedi azonosítója
  • Tranzakció dátuma: Az egyes tranzakciók dátuma vagy időbélyegzője
  • Tranzakció összege: Az egyes tranzakciók pénzbeli értéke (például bevétel vagy haszonkulcs)
  • Visszáruhoz rendelt címke: Logikai igaz/hamis érték, amely azt jelzi, hogy a tranzakció visszáru-e
  • Termékazonosító: A tranzakcióban érintett termék termékazonosítója
• Adatok az ügyfelek tevékenységéről:
  • Elsődleges kulcs: Egy tevékenység egyedi azonosítója
  • Időbélyeg: Az elsődleges kulccsal azonosított esemény dátuma és időpontja
  • Esemény (tevékenység neve): A használni kívánt esemény neve
  • Részletek (összeg vagy érték): Az ügyféltevékenység részletei
• További adatok, mint például:
  • Internetes tevékenységek: Webhelylátogatási előzmények vagy e-mail előzmények
  • Hűségtevékenységek: Hűségpontok gyűjtési és beváltási előzményei
  • ügyfélszolgálat napló: Szervizhívás, panasz vagy visszaküldési előzmények
  • Ügyfélprofil-információk
• Kevesebb, mint 20% hiányzó érték a kötelezően kitöltendő mezőkben

Feljegyzés

Csak egy tranzakcióelőzmény-tábla konfigurálható. Ha több vásárlási vagy tranzakciós tábla van, kombinálja őket az Power Query adatbetöltés előtt.

Ügyfélélettartam-érték előrejelzésének létrehozása

Válassza a Piszkozat mentése lehetőséget bármikor, ha a előrejelzés piszkozatként szeretné menteni. A piszkozat előrejelzés megjelenik a Saját előrejelzések lapon.

1. Ugrás az Elemzések előrejelzései> oldalra.

2. A Létrehozás lapon válassza a Modell használata lehetőséget az Ügyfél élettartamra vetített értéke csempén.

3. Válassza az Első lépések lehetőséget.

4. Nevezze el ezt a modellt és a kimeneti tábla nevét , hogy megkülönböztesse őket más modellektől vagy tábláktól.

5. Válassza a Következő lehetőséget.

Modellbeállítások definiálása

1. Állítson be egy előrejelzés időszakot annak meghatározásához, hogy milyen messzire szeretné előre jelezni a CLV-t. Az egység alapértelmezés szerint hónapként van beállítva.

   Tipp.

   A CLV pontos előrejelzéséhez a megadott időszakra összehasonlítható történeti adatokra van szükség. Ha például a CLV-t a következő 12 hónapra szeretné előre jelezni, legalább 18–24 hónapnyi előzményadattal kell rendelkeznie.

2. Állítsa be időkeretet amelyben az ügyfélnek legalább egy tranzakcióval kell rendelkeznie, hogy aktívnak minősüljön. A modell csak az aktív ügyfelek CLV-jétjelzi előre.

   • Hagyja, hogy a modell kiszámítsa a vásárlási intervallumot (ajánlott): A modell elemzi az adatokat, és meghatározza az időszakot az előzményvásárlások alapján.
   • Intervallum manuális beállítása: Az aktív ügyfél meghatározásának időtartama.

3. Adja meg a Nagy értékű ügyfél percentilisét.

   • Modellszámítás (ajánlott): A modell 80/20 szabályt használ. Az ügyfelek százalékos értéke, amely hozzájárult a vállalat korábbi időszakban az összbevétel 80 %-ához nagy értékű ügyfélnek számít. Jellemzően 30-40%-nál kevesebb ügyfél járul hozzá az összbevétel 80%-ához. Ez a szám azonban a vállalattól és az iparágtól függően változhat.
   • A legaktívabb ügyfelek százalékos aránya: Adott percentilis egy nagy értékű ügyfélhez. Írja be például a 25 értéket , ha a nagy értékű ügyfeleket a jövőbeli fizető ügyfelek felső 25%-aként szeretné meghatározni.

   Ha vállalkozása más módon határozza meg a nagy értékű ügyfeleket, tudassa velünk, ahogy szeretnénk hallani.

4. Válassza a Következő lehetőséget.

Szükséges adatok hozzáadása

1. Válassza az Adatok hozzáadása az Ügyfél tranzakciós előzményeihez lehetőséget.

2. Válassza ki a szemantikai tevékenységtípust ( SalesOrder vagy SalesOrderLine), amely a tranzakciós előzményeket tartalmazza. Ha a tevékenység még nincs beállítva, válassza ki itt , és hozza létre.

3. Ha a tevékenység létrehozásakor a tevékenységattribútumok szemantikailag le voltak képezve, a Tevékenységek alattválassza ki azokat az attribútumokat vagy táblákat, amelyekre a számítást összpontosítani szeretné. Ha a szemantikai leképezés nem történt meg, válassza a Szerkesztés lehetőséget, és képezze le az adatokat.

   

4. Válassza a Tovább gombot , és tekintse át a modellhez szükséges attribútumokat.

5. Válassza a Mentés parancsot.

6. Adjon hozzá további tevékenységeket, vagy válassza a Tovább lehetőséget .

Opcionális tevékenységadatok hozzáadása

A fő ügyfélinterakciókat tükröző adatok (pl. a web, ügyfélszolgálat és eseménynaplók) környezeteti adatokat ad a tranzakciós bejegyzésekhez. Az ügyféltevékenységi adatokban talált további minták javíthatják az előrejelzések pontosságát.

1. Válassza az Adatok hozzáadása lehetőséget a Modellelemzések növelése további tevékenységadatokkal alatt .

2. Válassza ki a hozzáadni kívánt ügyféltevékenység típusának megfelelő tevékenységtípust. Ha a tevékenység még nincs beállítva, válassza ki itt , és hozza létre.

3. Ha a tevékenység létrehozásakor a tevékenységattribútumok le lettek képezve, a Tevékenységek alattválassza ki azokat az attribútumokat vagy táblákat, amelyekre a számítást összpontosítani szeretné. Ha a leképezés nem történt meg, válassza a Szerkesztés lehetőséget , és képezze le az adatokat.

4. Válassza a Tovább gombot , és tekintse át a modellhez szükséges attribútumokat.

5. Válassza a Mentés parancsot.

6. Válassza a Következő lehetőséget.

7. Adja hozzá az opcionális ügyféladatokat , vagy válassza a Tovább lehetőséget , és lépjen a Frissítési ütemezés beállítása elemre.

Opcionális ügyféladatok hozzáadása

Válasszon a 18 gyakran használt ügyfélprofil-attribútum közül, amelyeket fel szeretne venni a modell bemeneteként. Ezek az attribútumok személyre szabottabb, relevánsabb és gyakorlatban hasznosítható modelleredményekhez vezethetnek az üzleti használati esetekben.

Például: A Contoso Coffee előre szeretné jelezni az ügyfelek élettartamra vetített értékét, hogy az új eszpresszógépük bevezetésével kapcsolatos személyre szabott ajánlattal célozza meg a nagy értékű ügyfeleket. A Contoso a CLV-modellt használja, és hozzáadja mind a 18 ügyfélprofil-attribútumot, hogy lássa, mely tényezők befolyásolják a legnagyobb értékű ügyfeleket. Úgy találják, hogy az ügyfelek elhelyezkedése a legbefolyásosabb tényező ezen ügyfelek számára. Ezzel az információval helyi rendezvényt szerveznek az eszpresszógép bevezetésére, és együttműködnek a helyi árusokkal a személyre szabott ajánlatok és az esemény különleges élménye érdekében. Ezen információk nélkül előfordulhat, hogy a Contoso csak általános marketinges e-maileket küldött, és elmulasztotta a lehetőséget, hogy személyre szabja a nagy értékű ügyfelek ezen helyi szegmensét.

1. Válassza az Adatok hozzáadása lehetőséget a Modellelemzések további növelése további ügyféladatokkal alatt.

2. A Tábla mezőbenválassza az Ügyfél: CustomerInsights lehetőséget az ügyfélattribútum-adatokra leképezett egyesített ügyfélprofil kiválasztásához. Az Ügyfél-azonosító mezőbenválassza a System.Customer.CustomerId lehetőséget.

3. Rendeljen hozzá további mezőket, ha az adatok elérhetők az egyesített ügyfélprofilokban.

   

4. Válassza a Mentés parancsot.

5. Válassza a Következő lehetőséget.

Frissítési ütemezés beállítása

1. Válassza ki a modell újratanításának gyakoriságát a legújabb adatok alapján. Ez a beállítás fontos, hogy frissíthesse az előrejelzéseinek pontosságát, ahogy új adat kerül betöltésre. A legtöbb cég havonta egyszer végez újratanítást, és pontos előrejelzésekhez tud jutni.

2. Válassza a Következő lehetőséget.

A modellkonfiguráció áttekintése és futtatása

Az Áttekintés és futtatás lépés a konfiguráció összegzését jeleníti meg, és lehetőséget biztosít a módosítások elvégzésére a előrejelzés létrehozása előtt.

1. Válassza a Szerkesztés lehetőséget bármelyik lépésben az áttekintéshez és a módosítások elvégzéséhez.

2. Ha elégedett a választásokkal, válassza a Mentés és futtatás lehetőséget a modell futtatásának megkezdéséhez. Válassza a Kész lehetőséget. A Saját előrejelzések lap a előrejelzés létrehozása közben jelenik meg. A folyamat – az előrejelzésben használt adatok mennyiségétől függően – több óráig is tarthat.

Tipp.

A feladatoknak és folyamatoknak vannak állapotai . A legtöbb folyamat más felsőbb rétegbeli folyamatoktól, például az adatforrásoktól és az adatprofil-készítés frissítéseitől függ.

Válassza ki az állapotot a Folyamat részletei ablaktábla megnyitásához és a tevékenységek előrehaladásának megtekintéséhez. A feladat megszakításához válassza a panel alján található Feladat megszakítása lehetőséget .

Az egyes feladatok alatt kiválaszthatja a Részletek megtekintése lehetőséget további előrehaladási információkért, például a feldolgozási időért, az utolsó feldolgozási dátumért, valamint a feladathoz vagy folyamathoz kapcsolódó hibákért és figyelmeztetésekért. Válassza a panel alján található Rendszerállapot megtekintése lehetőséget a rendszer egyéb folyamatainak megtekintéséhez.

Előrejelzés eredmények megtekintése

1. Ugrás az Elemzések előrejelzései> oldalra.

2. A Saját várható kifejezések lapon válassza ki a megtekinteni kívánt előrejelzés.

Az eredményoldalon lévő adatok három fő részben jelennek meg.

• Betanítási modell teljesítménye: Az A, B vagy C fokozatok jelzik a előrejelzés teljesítményét, és segíthetnek a kimeneti táblában tárolt eredmények használatában.

  

  A rendszer felméri, hogy az AI-modell hogyan teljesített a nagy értékű ügyfelek előrejelzésében az alapmodellhez képest.

  Az osztályzatot a következő szabályok határozzák meg:

  • A , ha a modell legalább 5%-kal több nagy értékű ügyfelet jelzett előre pontosan az alapmodellhez képest.
  • B , ha a modell 0–5%-kal több nagy értékű ügyfelet jelzett előre pontosan az alapmodellhez képest.
  • C , ha a modell pontosan kevesebb nagy értékű ügyfelet jósolt előre az alapmodellhez képest.

  Válassza a Tudnivalók erről a pontszámról lehetőséget a Modell minősítése panel megnyitásához, amely további részleteket jelenít meg az AI-modell teljesítményéről és az alapmodellről. Ez segít jobban megérteni a mögöttes modell teljesítménymetrikáit és a végső modell teljesítményosztályzatának származtatását. Az alapmodell nem AI-alapú megközelítést alkalmaz az ügyfelek élettartamának elsődlegesen az ügyfelek által történt korábbi vásárlások alapján történő kiszámításához.

• Ügyfelek értéke percentilis szerint: Az alacsony és nagy értékű ügyfelek diagramon jelennek meg. Vigye az egérmutatót a hisztogram sávjai fölé az egyes csoportokban lévő ügyfelek számának és az adott csoport átlagos CLV-jének megtekintéséhez. Opcionálisan létrehozhat ügyfélszegmenseket a CLV-előrejelzéseik alapján.

  

• Legbefolyásosabb tényezők: A CLV-előrejelzés létrehozásakor különböző tényezőket veszünk figyelembe az AI-modellnek megadott bemeneti adatok alapján. Az egyes tényezők fontosságát a rendszer kiszámítja a modell által létrehozott összesített előrejelzésekhez. Ezekkel a tényezőkkel ellenőrizheti a előrejelzés eredményeit. Ezek a tényezők további képet adnak a legbefolyásosabb tényezőkről is, amelyek hozzájárultak a CLV minden ügyfélre való előrejelzése során.

  

További információ a pontszámról

A CLV-értéknek az alapmodellel való kiszámításához használt szabványos képlet:

CLV minden ügyfélhez = Az ügyfél által az aktív ügyfélablakban végrehajtott átlagos havi vásárlások * A CLV előrejelzés időszak hónapjainak száma * Az összes ügyfél általános megtartási aránya

Az AI-modellt az alapmodellhez hasonlítják két teljesítménymérőszám-modell alapján.

• Sikerességi arány a nagy értékű ügyfelek előrejelzésében

  Megtekintheti a különbséget a nagy értékű ügyfelek előrejelzését az az AI modell használatával alapmodellhez képest. A 84%-os sikeresség például azt jelenti, hogy a képzési adatokban lévő értékes ügyfelekből az AI-modellnek sikerült pontosan rögzítenie a 84%-ot. Ezután összehasonlítjuk ezt az alapmodell sikerességi arányával a relatív változás jelentéséhez. Ez az érték egy osztályzatot rendel a modellhez.

• Hibamutatók

  Tekintse meg a modell általános teljesítményét a jövőbeli értékek előrejelzésének hibája szempontjából. A hiba felmérésére a gyök átlagos négyezetes eltérés (RMSE) mérőszámot használjuk. Az RMSE egy szabványos módja annak, hogy lemérje egy modell hibáját a kvantitatív adatok előrejelzésében. Összehasonlítják az AI modell RMSE-értékét az alapmodell RMSE-értékével, és a relatív különbség lesz jelentve.

Az AI modell előnyben részesíti ad az ügyfeleknek a vállalat számára behozott értéknek megfelelő pontos rangsorolásában. Az utolsó modellminőség származtatáshoz tehát csak a nagy értékű ügyfeleket jóslásának sikerességi aránya használható. Az RMSE mérőszám érzékeny a kiesőkre. Olyan helyzetekben, amikor az ügyfelek kis hányadánál nagyon magas a vásárlási érték, előfordulhat, hogy az általános RMSE metrika nem ad teljes képet a modell teljesítményével kapcsolatosan.