Bagikan melalui

Prediksikan nilai selama hubungan dengan pelanggan (CLV)

  • Artikel

Perkipkan nilai potensial (pendapatan) yang akan diberikan pelanggan aktif individual ke bisnis Anda hingga periode waktu mendatang yang ditentukan. Prediksi ini membantu Anda:

  • Identifikasi pelanggan bernilai tinggi dan proses wawasan ini.
  • Buat segmen pelanggan strategis berdasarkan nilai potensial mereka untuk menjalankan kampanye yang dipersonalisasi dengan upaya penjualan, pemasaran, dan dukungan yang ditargetkan.
  • Pandu pengembangan produk dengan berfokus pada fitur yang meningkatkan nilai pelanggan.
  • Optimalkan strategi penjualan atau pemasaran dan alokasikan anggaran secara lebih akurat untuk jangkauan pelanggan.
  • Kenali dan beri penghargaan kepada pelanggan bernilai tinggi melalui program loyalitas atau hadiah.

Tentukan apa arti CLV bagi bisnis Anda. Kami mendukung prediksi CLV berbasis transaksi. Nilai prediksi pelanggan didasarkan pada riwayat transaksi bisnis. Pertimbangkan untuk membuat beberapa model dengan berbagai preferensi input dan bandingkan hasil model untuk melihat skenario model mana yang paling sesuai dengan kebutuhan bisnis Anda.

Tip

Coba prediksi CLV menggunakan data sampel: Nilai umur pelanggan (CLV) prediksi panduan sampel.

Prasyarat

  • Setidaknya kontributor izin
  • Setidaknya 1.000 profil pelanggan dalam jendela prediksi yang diinginkan
  • Pengidentifikasi Pelanggan, sebuah pengidentifikasi unik untuk mencocokkan transaksi dengan pelanggan individu
  • Setidaknya satu tahun riwayat transaksi, sebaiknya dua hingga tiga tahun. Idealnya, setidaknya dua hingga tiga transaksi per ID pelanggan, sebaiknya di beberapa tanggal. Riwayat transaksi harus mencakup:
    • ID Transaksi: Pengenal unik dari setiap transaksi
    • Tanggal transaksi: Tanggal atau stempel waktu setiap transaksi
    • Jumlah transaksi: Nilai moneter (misalnya, pendapatan atau margin keuntungan) dari setiap transaksi
    • Label yang ditetapkan untuk pengembalian: Nilai true/false Boolean yang menandakan apakah transaksi tersebut merupakan pengembalian
    • ID Produk: ID Produk produk yang terlibat dalam transaksi
  • Data tentang aktivitas pelanggan:
    • Kunci utama: Pengenal unik untuk aktivitas
    • Stempel waktu: Tanggal dan waktu peristiwa diidentifikasi oleh kunci utama
    • Acara (nama aktivitas): Nama acara yang ingin Anda gunakan
    • Detail (jumlah atau nilai): Detail tentang aktivitas pelanggan
  • Data tambahan seperti:
    • Aktivitas web: Riwayat kunjungan situs web atau riwayat email
    • Aktivitas loyalitas: Riwayat perolehan dan penukaran poin reward loyalitas
    • Layanan pelanggan log: Panggilan layanan, keluhan, atau riwayat pengembalian
    • Informasi profil pelanggan
  • Ada kurang dari 20% nilai yang tidak ada di bidang yang wajib diisi

Catatan

Hanya satu tabel riwayat transaksi yang dapat dikonfigurasi. Jika ada beberapa tabel pembelian atau transaksi, gabungkan tabel tersebut Power Query sebelum penyerapan data.

Buat Prediksi nilai selama hubungan dengan pelanggan

Pilih Simpan draf kapan saja untuk menyimpan prediksi sebagai draf. Draf prediksi ditampilkan di tab Prediksi saya.

  1. Buka Prediksi Insight>.

  2. Pada tab Buat , pilih Gunakan model pada petak nilai sepanjang masa promosi Pelanggan.

  3. Pilih Mulai.

  4. Beri nama model ini dan nama tabel Output untuk membedakannya dari model atau tabel lain.

  5. Pilih Selanjutnya.

Definisikan Preferensi model

  1. Tetapkan periode waktu prediksi untuk menentukan seberapa jauh ke masa depan Anda ingin memprediksi CLV. Secara default, unit diatur sebagai bulan.

    Tip

    Untuk memprediksi CLV secara akurat untuk periode waktu yang ditetapkan, diperlukan periode data historis yang sebanding. Misalnya, jika Anda ingin memprediksi CLV untuk 12 bulan ke depan, miliki setidaknya 18 – 24 bulan data historis.

  2. Atur jangka waktu pelanggan harus memiliki minimal satu transaksi untuk dianggap aktif. Model ini hanya memprediksi CLV untuk pelanggan Aktif.

    • Biarkan model menghitung interval pembelian (disarankan): Model menganalisis data Anda dan menentukan periode waktu berdasarkan pembelian historis.
    • Atur interval secara manual: Periode waktu untuk definisi Anda tentang pelanggan aktif.

  3. Tentukan persentil pelanggan bernilai tinggi.

    • Perhitungan model (disarankan): Model menggunakan aturan 80/20. Persentase pelanggan yang berkontribusi pada pendapatan kumulatif 80% untuk bisnis Anda dalam periode historis dianggap pelanggan bernilai tinggi. Biasanya, kurang dari 30-40% pelanggan berkontribusi pada pendapatan kumulatif 80%. Namun, jumlah ini dapat berbeda, tergantung pada bisnis dan industri Anda.
    • Persentase pelanggan aktif teratas: Persentil spesifik untuk pelanggan bernilai tinggi. Misalnya, masukkan 25 untuk menentukan pelanggan bernilai tinggi sebagai 25% teratas dari pelanggan yang membayar di masa depan.

    Jika bisnis Anda mendefinisikan pelanggan bernilai tinggi dengan cara yang berbeda, beri tahu kami karena kami ingin mendengarnya.

  4. Pilih Selanjutnya.

Tambahkan data wajib

  1. Pilih Tambahkan data untuk riwayat transaksi Nasabah.

  2. Pilih jenis aktivitas semantik, SalesOrder atau SalesOrderLine, yang berisi riwayat transaksi. Jika aktivitas belum disiapkan, pilih di sini dan buat.

  3. Di bawah Aktivitas, jika atribut aktivitas dipetakan secara semantik saat aktivitas dibuat, pilih atribut atau tabel tertentu yang ingin Anda fokuskan perhitungannya. Jika pemetaan semantik tidak terjadi, pilih Edit dan petakan data Anda.

    Menambahkan data yang diperlukan untuk model CLV

  4. Pilih Berikutnya dan tinjau atribut yang diperlukan untuk model ini.

  5. Pilih Simpan.

  6. Tambahkan aktivitas lainnya atau pilih Berikutnya.

Menambahkan data aktivitas opsional

Data yang mencerminkan interaksi pelanggan utama (seperti web, layanan pelanggan, dan log aktivitas) menambahkan konteks ke rekaman transaksi. Pola lainnya yang ditemukan dalam data aktivitas pelanggan Anda dapat meningkatkan keakuratan prediksi.

  1. Pilih Tambahkan data di bawah Tingkatkan wawasan model dengan data aktivitas tambahan.

  2. Pilih jenis aktivitas yang sesuai dengan jenis aktivitas pelanggan yang Anda tambahkan. Jika aktivitas belum disiapkan, pilih di sini dan buat.

  3. Di bawah Aktivitas, jika atribut aktivitas dipetakan saat aktivitas dibuat, pilih atribut atau tabel tertentu yang ingin Anda fokuskan perhitungannya. Jika pemetaan tidak terjadi, pilih Edit dan petakan data Anda.

  4. Pilih Berikutnya dan tinjau atribut yang diperlukan untuk model ini.

  5. Pilih Simpan.

  6. Pilih Selanjutnya.

  7. Tambahkan data pelanggan opsional atau pilih Berikutnya dan buka Tetapkan jadwal pembaruan.

Menambahkan data pelanggan opsional

Pilih dari 18 atribut profil pelanggan yang umum digunakan untuk disertakan sebagai input ke model. Atribut ini dapat menghasilkan hasil model yang lebih personal, relevan, dan dapat ditindaklanjuti untuk kasus penggunaan bisnis Anda.

Misalnya: Contoso Coffee ingin memprediksi nilai seumur hidup pelanggan untuk menargetkan pelanggan bernilai tinggi dengan penawaran yang dipersonalisasi terkait dengan peluncuran mesin espresso baru mereka. Contoso menggunakan model CLV dan menambahkan semua 18 atribut profil pelanggan untuk melihat faktor mana yang mempengaruhi pelanggan bernilai tertinggi mereka. Mereka menemukan lokasi pelanggan adalah faktor yang paling berpengaruh bagi pelanggan ini. Dengan informasi ini, mereka menyelenggarakan acara lokal untuk peluncuran mesin espresso dan bermitra dengan vendor lokal untuk penawaran yang dipersonalisasi dan pengalaman khusus di acara tersebut. Tanpa informasi ini, Contoso mungkin hanya mengirim email pemasaran generik dan melewatkan kesempatan untuk mempersonalisasi segmen lokal pelanggan bernilai tinggi ini.

  1. Pilih Tambahkan data di bawah Tingkatkan wawasan model lebih jauh dengan data pelanggan tambahan.

  2. Untuk Tabel, pilih Customer Insights untuk memilih profil pelanggan terpadu yang memetakan ke data atribut pelanggan. Untuk ID Pelanggan, pilih System.Customer.CustomerId.

  3. Petakan bidang lainnya jika data tersedia di profil pelanggan terpadu Anda.

    Contoh kolom yang dipetakan untuk data profil pelanggan.

  4. Pilih Simpan.

  5. Pilih Selanjutnya.

Atur Jadwal pembaruan

  1. Pilih frekuensi untuk melatih ulang model Anda berdasarkan data terbaru. Pengaturan ini penting untuk memperbarui keakuratan prediksi karena data baru terserap. Sebagian besar bisnis dapat melatih sekali per bulan dan mendapatkan akurasi yang baik untuk prediksi mereka.

  2. Pilih Selanjutnya.

Memeriksa dan menjalankan konfigurasi model

Langkah Tinjau dan jalankan menampilkan ringkasan konfigurasi dan memberikan kesempatan untuk membuat perubahan sebelum Anda membuat prediksi.

  1. Pilih Edit pada salah satu langkah untuk meninjau dan membuat perubahan.

  2. Jika Anda puas dengan pilihan Anda, pilih Simpan dan jalankan untuk mulai menjalankan model. Pilih Selesai. Tab Prediksi saya ditampilkan saat prediksi sedang dibuat. Proses dapat berlangsung selama beberapa jam hingga selesai, tergantung pada jumlah data yang digunakan dalam prediksi.

Tip

Ada status untuk tugas dan proses. Sebagian besar proses bergantung pada proses hulu lainnya, seperti sumber data dan refresh pembuatanprofil data.

Pilih status untuk membuka panel Detail kemajuan dan melihat kemajuan tugas. Untuk membatalkan pekerjaan, pilih Batalkan pekerjaan di bagian bawah panel.

Di bawah setiap tugas, Anda dapat memilih Lihat detail untuk informasi kemajuan selengkapnya, seperti waktu pemrosesan, tanggal pemrosesan terakhir, serta kesalahan dan peringatan yang berlaku terkait dengan tugas atau proses. Pilih Lihat status sistem di bagian bawah panel untuk melihat proses lain dalam sistem.

Lihat hasil prediksi

  1. Buka Prediksi Insight>.

  2. Di tab Prediksi saya, pilih prediksi yang ingin Anda lihat.

Terdapat tiga bagian utama data dalam halaman hasil.

  • Kinerja model pelatihan: Nilai A, B, atau C menunjukkan kinerja prediksi dan dapat membantu Anda membuat keputusan untuk menggunakan hasil yang disimpan dalam tabel output.

    Gambar kotak informasi skor model dengan nilai A.

    Sistem menilai bagaimana kinerja model AI dalam memprediksi pelanggan bernilai tinggi dibandingkan dengan model dasar.

    Peringkat ditentukan berdasarkan aturan berikut:

    • J : ketika model secara akurat memprediksi setidaknya 5% lebih banyak pelanggan bernilai tinggi dibandingkan dengan model dasar.
    • B ketika model secara akurat memprediksi antara 0-5% lebih banyak pelanggan bernilai tinggi dibandingkan dengan model dasar.
    • C ketika model secara akurat memprediksi lebih sedikit pelanggan bernilai tinggi dibandingkan dengan model dasar.

    Pilih Pelajari tentang skor ini untuk membuka panel Peringkat model yang memperlihatkan detail lebih lanjut tentang performa model AI dan model dasar. Ini akan membantu Anda lebih memahami metrik performa model yang mendasarinya dan bagaimana nilai performa model akhir diturunkan. Model dasar menggunakan pendekatan berbasis non-AI untuk menghitung nilai selama hubungan dengan pelanggan terutama berdasarkan pembelian historis yang dilakukan pelanggan.

  • Nilai pelanggan menurut persentil: Pelanggan bernilai rendah dan bernilai tinggi ditampilkan dalam bagan. Arahkan kursor ke bilah di histogram untuk melihat jumlah pelanggan di setiap grup dan CLV rata-rata grup tersebut. Secara opsional, buat segmen pelanggan berdasarkan prediksi CLV mereka.

    Nilai pelanggan berdasarkan persentil untuk model CLV

  • Faktor yang paling berpengaruh: Berbagai faktor dipertimbangkan saat membuat prediksi CLV Anda berdasarkan data input yang diberikan ke model AI. Masing-masing faktor memiliki kepentingan yang diperhitungkan untuk prediksi gabungan yang dibuat model. Gunakan faktor-faktor ini untuk membantu memvalidasi hasil prediksi Anda. Faktor-faktor ini juga memberikan wawasan lebih lanjut tentang faktor paling berpengaruh yang berkontribusi terhadap perkiraan CLV di seluruh pelanggan.

    Faktor yang paling berpengaruh untuk model CLV

Pelajari tentang skor

Rumus standar yang digunakan untuk menghitung CLV berdasarkan model dasar:

CLV untuk setiap pelanggan = Rata-rata pembelian bulanan yang dilakukan oleh pelanggan di jendela pelanggan aktif * Jumlah bulan dalam periode prediksi CLV * Tingkat retensi keseluruhan semua pelanggan

Model AI dibandingkan dengan model dasar berdasarkan dua metrik performa model.

  • Tingkat keberhasilan dalam memprediksi pelanggan bernilai tinggi

    Lihat perbedaan dalam memperkirakan pelanggan bernilai tinggi menggunakan model AI dibandingkan model dasar. Contohnya, tingkat keberhasilan 84% berarti dari semua pelanggan bernilai tinggi dalam data pelatihan, model AI mampu menangkap secara akurat 84%. Selanjutnya kita akan membandingkan tingkat keberhasilan ini dengan tingkat keberhasilan model dasar untuk melaporkan perubahan relatif. Nilai ini digunakan untuk menetapkan peringkat ke model.

  • Metrik kesalahan

    Lihat kinerja keseluruhan model dalam hal kesalahan dalam memprediksi nilai masa depan. Kita menggunakan metrik RMSE (Root Mean Squared Error) secara keseluruhan untuk menilai kesalahan ini. RMSE adalah cara standar untuk mengukur kesalahan model dalam memperkirakan data kuantitatif. RMSE model AI dibandingkan RMSE dari model dasar dan perbedaan relatifnya dilaporkan.

Model AI memprioritaskan peringkat pelanggan yang akurat sesuai dengan nilai yang mereka bawa untuk bisnis Anda. Jadi hanya tingkat keberhasilan yang memperkirakan pelanggan bernilai tinggi yang digunakan untuk memperoleh peringkat model final. Metrik RMSE peka terhadap nilai luar. Dalam skenario bila Anda memiliki persentase kecil pelanggan dengan nilai pembelian yang luar biasa tinggi, metrik RMSE secara keseluruhan mungkin tidak memberikan gambaran lengkap performa model.