Bagikan melalui

Contoh panduan prediksi nilai seumur hidup pelanggan (CLV)

  • Artikel

Panduan ini memandu Anda melalui contoh menyeluruh nilai umur Pelanggan (CLV) yang prediksi dalam Dynamics 365 Customer Insights - Data menggunakan data sampel. Kami menyarankan Anda mencoba ini prediksi di lingkungan baru.

Skenario

Contoso adalah perusahaan yang memproduksi kopi dan mesin kopi berkualitas tinggi. Mereka menjual produk melalui situs web Contoso Coffee mereka. Perusahaan ingin memahami nilai (pendapatan) yang dapat dihasilkan pelanggan mereka dalam 12 bulan ke depan. Mengetahui nilai yang diharapkan dari pelanggan mereka dalam 12 bulan ke depan akan membantu mereka mengarahkan upaya pemasaran mereka pada pelanggan bernilai tinggi.

Prasyarat

Tugas 1- Serap Data

Tinjau artikel tentang penyerapan data dan menghubungkan ke a Power Query sumber data. Informasi berikut mengasumsikan Anda terbiasa menyerap data secara umum.

Menyerap data pelanggan dari platform eCommerce

  1. Buat Power Query sumber data bernama eCommerce dan pilih konektor Teks / CSV .

  2. Masukkan URL untuk kontak https://aka.ms/ciadclasscontacts eCommerce.

  3. Saat mengedit data, pilih Transformasi lalu Gunakan baris pertama sebagai header.

  4. Perbarui DataType untuk kolom yang tercantum di bawah ini:

    • Tanggal Lahir: Tanggal
    • CreatedOn: Tanggal/Waktu/Zona

    Ubah tanggal lahir menjadi tanggal.

  5. Di bidang Nama di panel sebelah kanan, ganti nama sumber data Anda menjadi eCommerceContacts

  6. Simpan sumber data.

Menyerap Data pembelian online

  1. Tambahkan himpunan data lain ke sumber data eCommerce yang sama . Pilih konektor Teks/CSV lagi.

  2. Masukkan URL untuk data Pembelian Online https://aka.ms/ciadclassonline.

  3. Saat mengedit data, pilih Transformasi lalu Gunakan baris pertama sebagai header.

  4. Perbarui DataType untuk kolom yang tercantum di bawah ini:

    • DibeliPada : Tanggal/Waktu
    • TotalPrice: Mata uang

  5. Di bidang Nama di panel samping, ganti nama sumber data Anda menjadi eCommercePurchases.

  6. Simpan sumber data.

Menyerap data pelanggan dari skema kesetiaan

  1. Buat sumber data bernama LoyaltyScheme dan pilih konektor Text/CSV .

  2. Masukkan URL untuk pelanggan https://aka.ms/ciadclasscustomerloyalty loyalitas.

  3. Saat mengedit data, pilih Transformasi lalu Gunakan baris pertama sebagai header.

  4. Perbarui DataType untuk kolom yang tercantum di bawah ini:

    • Tanggal Lahir: Tanggal
    • Poin Imbalan: Bilangan bulat
    • CreatedOn: Tanggal/Waktu

  5. Di bidang Nama di panel sebelah kanan, ganti nama sumber data Anda menjadi loyCustomers.

  6. Simpan sumber data.

Serap data pelanggan dari ulasan situs

  1. Buat Situs Web bernama sumber data dan pilih konektor Teks/CSV .

  2. Masukkan URL untuk ulasan https://aka.ms/CI-ILT/WebReviews situs web.

  3. Saat mengedit data, pilih Transformasi lalu Gunakan baris pertama sebagai header.

  4. Perbarui DataType untuk kolom yang tercantum di bawah ini:

    • ReviewRating: Angka desimal
    • ReviewDate: Tanggal

  5. Di bidang Nama di panel sebelah kanan, ganti nama sumber data Anda menjadi Ulasan.

  6. Simpan sumber data.

Tugas 2-penyatuan data

Tinjau artikel tentang penyatuan data. Informasi berikut mengasumsikan Anda terbiasa dengan penyatuan data secara umum.

Setelah menyerap data, mulailah proses penyatuan data untuk membuat profil pelanggan terpadu. Untuk informasi selengkapnya, lihat Penyatuan data.

Deskripsikan data pelanggan yang akan dipadukan

  1. Setelah menyerap data, Petakan kontak dari eCommerce dan data kesetiaan ke jenis data umum. Buka Data>Unify.

  2. Pilih tabel yang mewakili profil pelanggan – eCommerceContacts dan loyCustomers.

    menyatukan sumber data eCommerce dan kesetiaan.

  3. Pilih ContactId sebagai kunci utama untuk eCommerceContacts dan LoyaltyID sebagai kunci utama untuk loyCustomers.

  4. Pilih Selanjutnya. Lewati rekaman duplikat dan pilih Berikutnya.

Tentukan aturan kecocokan

  1. Pilih eCommerceContacts: eCommerce sebagai tabel utama dan sertakan semua catatan.

  2. Pilih loyCustomers: LoyaltyScheme dan sertakan semua catatan.

  3. Menambahkan aturan:

    • Pilih FullName untuk eCommerceContacts dan loyCustomers.
    • Pilih Jenis (Telepon, Nama, Alamat, ...) untuk Normalisasi.
    • Atur tingkat presisi: Dasar dan nilai: Tinggi.

  4. Tambahkan kondisi kedua untuk alamat email:

    • Pilih Email untuk eCommerceContacts dan loyCustomers.
    • Biarkan Normalkan kosong.
    • Atur tingkat presisi: Dasar dan nilai: Tinggi.
    • Masukkan FullName, Email untuk nama.

    Satukan aturan kecocokan untuk nama dan email.

  5. Pilih Selesai.

  6. Pilih Selanjutnya.

Menampilkan data terpadu

  1. Ubah nama tabel ContactId for loyCustomers menjadi ContactIdLOYALTY untuk membedakannya dari ID lain yang diserap.

  2. Pilih Berikutnya untuk meninjau, lalu pilih Buat profil pelanggan.

Tugas 3 - Membuat aktivitas riwayat transaksi

Tinjau artikel tentang aktivitas pelanggan. Informasi berikut mengasumsikan Anda terbiasa dengan membuat aktivitas secara umum.

  1. Buat aktivitas dengan tabel eCommercePurchases:eCommerce dan tabel Ulasan:Situs Web .

  2. Untuk eCommercePurchases:eCommerce, pilih SalesOrderLine untuk Jenis Aktivitas dan PurchaseId untuk kunci Utama.

  3. Untuk Ulasan:Situs web, pilih Tinjau untuk Jenis Aktivitas dan ReviewID untuk Kunci utama.

  4. Masukkan informasi berikut untuk aktivitas pembelian:

    • Nama aktivitas: eCommercePurchases
    • TimeStamp: DibeliPada
    • EventActivity: TotalPrice
    • ID baris pesanan: PurchaseId
    • Tanggal pemesanan: DibeliPada
    • Jumlah: TotalPrice

  5. Masukkan informasi berikut untuk aktivitas peninjauan web:

    • Nama aktivitas: WebReviews
    • Stempel waktu: ReviewDate
    • Aktivitas peristiwa: ActivityTypeDisplay
    • Detail tambahan: ReviewRating

  6. Tambahkan hubungan antara eCommercePurchases:eCommerce dan eCommerceContacts:eCommerce dengan ContactID sebagai kunci asing untuk menghubungkan kedua tabel.

  7. Tambahkan hubungan antara Website dan eCommerceContacts dengan UserId sebagai foreign key.

  8. Tinjau perubahan Anda, lalu pilih Buat aktivitas.

Tugas 4 - Mengonfigurasi prediksi nilai seumur hidup pelanggan

Dengan profil pelanggan terpadu di tempat dan aktivitas yang dibuat, jalankan nilai umur pelanggan (CLV) prediksi. Untuk langkah-langkah mendetail, lihat Nilai Sepanjang Masa Promosi Pelanggan prediksi.

  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 OOB eCommerce CLV prediksi dan tabel output OOBeCommerceCLVPrediction.

  5. Tentukan preferensi model:

    • prediksi periode waktu: 12 bulan atau 1 tahun untuk menentukan seberapa jauh ke masa depan untuk memprediksi CLV.
    • Pelanggan aktif: Biarkan model menghitung interval pembelian yang merupakan jangka waktu di mana pelanggan harus memiliki setidaknya satu transaksi untuk dianggap aktif.
    • Pelanggan bernilai tinggi: secara manual mendefinisikan pelanggan bernilai tinggi sebagai 30% pelanggan aktif teratas.

    Langkah preferensi dalam pengalaman terpandu untuk model CLV.

  6. Pilih Selanjutnya.

  7. Pada langkah Data yang Diperlukan, pilih Tambahkan data untuk memberikan data riwayat transaksi.

    Tambahkan langkah data yang diperlukan dalam pengalaman terpandu untuk model CLV.

  8. Pilih SalesOrderLine dan tabel eCommercePurchases dan pilih Berikutnya. Data yang diperlukan secara otomatis diisi dari aktivitas. Pilih Simpan lalu Berikutnya.

  9. Langkah Data tambahan (opsional) memungkinkan Anda menambahkan lebih banyak data aktivitas pelanggan untuk mendapatkan lebih banyak wawasan untuk interaksi pelanggan. Untuk contoh ini, pilih Tambahkan data dan tambahkan aktivitas tinjauan web.

  10. Pilih Selanjutnya.

  11. Di langkah Pembaruan data, pilih Bulanan untuk jadwal model.

  12. Pilih Selanjutnya.

  13. Setelah meninjau semua detail, pilih Simpan dan Jalankan.

Tugas 5-TInjau hasil dan penjelasan model

Biarkan model menyelesaikan pelatihan dan penilaian data. Tinjau hasil dan penjelasan model CLV.

Tugas 6 - Buat segmen pelanggan bernilai tinggi

Menjalankan model membuat tabel baru, yang tercantum pada Tabel Data>. Anda dapat membuat segmen pelanggan baru berdasarkan tabel yang dibuat oleh model.

  1. Pada halaman hasil, pilih Buat segmen.

  2. Buat aturan menggunakan tabel OOBeCommerceCLVPrediction dan tentukan segmennya:

    • Bidang: CLVScore
    • Operator: lebih besar dari
    • Nilai: 1500

  3. Pilih Simpan dan Jalankan segmen.

Anda sekarang memiliki segmen yang mengidentifikasi pelanggan yang diprediksi akan menghasilkan pendapatan lebih dari $1500 dalam 12 bulan ke depan. Segmen ini diperbarui secara dinamis jika lebih banyak data yang diserap. Untuk informasi selengkapnya, lihat Membuat dan mengelola segmen.

Tip

Anda juga dapat membuat segmen untuk model prediksi dari halaman Segmen Insight> dengan memilih Baru dan memilih Buat dari>Insight. Untuk informasi selengkapnya, lihat Membuat segmen baru dengan segmen cepat.

Langkah berikutnya