Nuspėkite kliento gyvavimo ciklo reikšmę (CLV)

Prognozuojama potenciali reikšmė (pajamos), kurią atskiri aktyvūs klientai įves į jūsų verslą per apibrėžtą būsimą laikotarpį. Ši prognozė padės jums:

• Identifikuokite vertingus klientus ir apdorokite šią įžvalgą.
• Kurkite strateginius klientų segmentus pagal jų potencialią vertę, kad galėtumėte vykdyti suasmenintas kampanijas su tikslinėmis pardavimo, rinkodaros ir palaikymo pastangomis.
• Vadovaukitės produkto kūrimu sutelkdami dėmesį į funkcijas, kurios padidina vertę klientui.
• Optimizuokite pardavimų ar rinkodaros strategiją ir tiksliau paskirstykite biudžetą klientų informavimui.
• Atpažinkite ir apdovanokite vertingus klientus per lojalumo ar atlygio programas.

Nustatykite, ką CLV reiškia jūsų verslui. Mes palaikome operacijomis pagrįstą CLV prognozė. Prognozuojama kliento vertė yra pagrįsta verslo operacijų istorija. Apsvarstykite galimybę sukurti kelis modelius su skirtingomis įvesties nuostatomis ir palyginkite modelio rezultatus, kad sužinotumėte, kuris modelio scenarijus geriausiai atitinka jūsų verslo poreikius.

Arbatpinigiai

Išbandykite CLV prognozė naudodami duomenų pavyzdžius: Kliento viso laikotarpio reikšmė (CLV) prognozė vadovo pavyzdį.

Būtinosios sąlygos

• Bent bendraautoriaus leidimai
• Bent 1 000 klientų profilių norimame prognozė lange
• Kliento identifikatorius – unikalusis identifikatorius operacijoms su atskiru klientu sugretinti
• Bent vienerių metų sandorių istorija, pageidautina nuo dvejų iki trejų metų. Idealiu atveju bent dvi ar trys operacijos vienam kliento ID, pageidautina kelioms datoms. Į operacijų istoriją turi būti įtraukta:
  • Operacijos ID: kiekvienos operacijos unikalus identifikatorius
  • Sandorio data: kiekvienos operacijos data arba laiko žyma
  • Sandorio suma: kiekvieno sandorio piniginė vertė (pavyzdžiui, pajamos arba pelno marža)
  • Grąžinimams priskirta etiketė: bulio logikos teisinga / klaidinga reikšmė, nurodanti, ar operacija yra grąža
  • Produkto ID: operacijoje dalyvaujančio produkto ID
• Duomenys apie klientų veiklą:
  • Pirminis raktas: unikalus veiklos identifikatorius
  • Laiko žyma: įvykio data ir laikas, identifikuojami pagal pirminį raktą
  • Įvykis (veiklos pavadinimas): norimo naudoti įvykio pavadinimas
  • Išsami informacija (suma arba vertė): išsami informacija apie kliento veiklą
• Papildomi duomenys, pvz.:
  • Veikla žiniatinklyje: apsilankymų svetainėje istorija arba el. pašto istorija
  • Lojalumo veiklos: lojalumo atlygio taškų kaupimo ir panaudojimo istorija
  • Klientų aptarnavimas žurnalas: aptarnavimo skambutis, skundas arba grąžinimo istorija
  • Kliento profilio informacija
• Mažiau nei 20 % trūkstamų reikšmių būtinuose laukuose

Pastaba.

Galima konfigūruoti tik vieną operacijų istorijos lentelę. Jei yra kelios pirkimo ar operacijų lentelės, prieš įsisavindami duomenis sujunkite jas Power Query .

Kurti kliento gyvavimo ciklo vertės prognozę

Pasirinkite Įrašyti juodraštį bet kuriuo metu, kad įrašytumėte prognozė kaip juodraštį. Juodraštis prognozė rodomas skirtuke Mano prognozės .

1. Eikite į Įžvalgų>numatymai.

2. Skirtuke Kurti pasirinkite Naudoti modelį plytelėje Kliento viso laikotarpio reikšmė .

3. Pasirinkite Pradėti.

4. Pavadinkite šį modelį ir lentelės Išvestis pavadinimą , kad atskirtumėte juos nuo kitų modelių ar lentelių.

5. Pasirinkite Toliau.

Nustatyti modelio nuostatas

1. Nustatykite laikotarpį prognozė kad apibrėžtumėte, kaip toli į ateitį norite numatyti CLV. Pagal numatytuosius nustatymus vienetas nustatomas kaip mėnesiai.

   Arbatpinigiai

   Norint tiksliai prognozuoti CLV nustatytam laikotarpiui, reikia palyginamų istorinių duomenų. Pavyzdžiui, jei norite prognozuoti CLV ateinantiems 12 mėnesių, turėkite bent 18–24 mėnesių istorinius duomenis.

2. Nustatykite laiką, per kurį klientas turi turėti bent vieną operaciją, kuri bus laikoma aktyvia. Modelis prognozuoja tik aktyvių klientų CLV.

   • Leiskite modeliui apskaičiuoti pirkimo intervalą (rekomenduojama): modelis analizuoja jūsų duomenis ir nustato laikotarpį pagal istorinius pirkinius.
   • Nustatykite intervalą rankiniu būdu: aktyvaus kliento apibrėžimo laikotarpis.

3. Apibrėžkite didelės vertės kliento procentilį.

   • Modelio skaičiavimas (rekomenduojama): modelis naudoja 80/20 taisyklę. Klientų, kurie per istorinį laikotarpį sudaro 80 % sukauptų pajamų, procentinė dalis laikoma didelės vertės klientais. Paprastai mažiau nei 30–40 % klientų sudaro 80 % sukauptų pajamų. Tačiau šis skaičius gali skirtis atsižvelgiant į jūsų verslą ir pramonės šaką.
   • Populiariausių aktyvių klientų procentinė dalis: konkretus didelės vertės kliento procentilis. Pavyzdžiui, įveskite 25 , kad apibrėžtumėte vertingus klientus kaip 25 proc. geriausių būsimų mokančių klientų.

   Jei jūsų įmonė kitaip apibrėžia didelės vertės klientus, praneškite mums, kaip norėtume išgirsti.

4. Pasirinkite Toliau.

Įtraukti būtinus duomenis

1. Pasirinkite Įtraukti kliento operacijų istorijos duomenis .

2. Pasirinkite semantinės veiklos tipą, SalesOrder arba SalesOrderLine, kuriame yra operacijų istorija. Jei veikla nebuvo nustatyta, pasirinkite čia ir sukurkite ją.

3. Jei dalyje Veikla veiklos atributai buvo semantiškai susieti kuriant veiklą, pasirinkite konkrečius atributus arba lentelę, į kurią norite sutelkti dėmesį atliekant skaičiavimą. Jei semantinis susiejimas neįvyko, pasirinkite Redaguoti ir susiekite duomenis.

   

4. Pasirinkite Pirmyn ir peržiūrėkite šiam modeliui reikalingus atributus.

5. Pasirinkite Įrašyti.

6. Įtraukite daugiau veiklų arba pasirinkite Pirmyn.

Pasirinktinių veiklos duomenų įtraukimas

Pagrindiniai duomenų sąveikos su klientais veiksmai (pvz., žiniatinklis, klientų aptarnavimas ir įvykių žurnalai) įtraukia kontekstą į operacijų įrašus. Daugiau klientų veiklos duomenų modelių gali padidinti prognozių tikslumą.

1. Pasirinkite Pridėti duomenų dalyje Padidinti modelio įžvalgas su papildomais veiklos duomenimis.

2. Pažymėkite veiklos tipą, atitinkantį kliento veiklos, kurią pridedate, tipą. Jei veikla nebuvo nustatyta, pasirinkite čia ir sukurkite ją.

3. Jei dalyje Veikla veiklos atributai buvo susieti kuriant veiklą, pasirinkite konkrečius atributus arba lentelę, į kurią norite sutelkti dėmesį atliekant skaičiavimą. Jei susiejimas neįvyko, pasirinkite Redaguoti ir susiekite duomenis.

4. Pasirinkite Pirmyn ir peržiūrėkite šiam modeliui reikalingus atributus.

5. Pasirinkite Įrašyti.

6. Pasirinkite Toliau.

7. Įtraukite pasirinktinius kliento duomenis arba pasirinkite Pirmyn ir eikite į Nustatyti naujinimo tvarkaraštį.

Pasirinktinių klientų duomenų įtraukimas

Pasirinkite iš 18 dažniausiai naudojamų kliento profilio atributų, kuriuos norite įtraukti kaip modelio įvestį. Šie atributai gali padėti gauti labiau suasmenintus, aktualesnius ir praktiškesnius modelio rezultatus jūsų verslo naudojimo atvejams.

Pavyzdžiui: "Contoso Coffee" nori numatyti kliento viso gyvenimo vertę, kad nukreiptų didelės vertės klientus į suasmenintą pasiūlymą, susijusį su jų naujo espreso kavos aparato pristatymu. "Contoso" naudoja CLV modelį ir prideda visus 18 kliento profilio atributų, kad pamatytų, kurie veiksniai daro įtaką jų didžiausią vertę turintiems klientams. Jie mano, kad klientų vieta yra įtakingiausias veiksnys šiems klientams. Turėdami šią informaciją, jie organizuoja vietinį renginį espreso aparato pristatymui ir bendradarbiauja su vietiniais pardavėjais, kad gautų asmeninius pasiūlymus ir ypatingą patirtį renginyje. Be šios informacijos "Contoso" galėjo siųsti tik bendruosius rinkodaros el. laiškus ir praleisti galimybę pritaikyti asmeniniams poreikiams šį vietinį savo didelės vertės klientų segmentą.

1. Pasirinkite Pridėti duomenų dalyje Padidinti modelio įžvalgas dar toliau naudodami papildomus klientų duomenis.

2. Lentelėje pasirinkite Klientas: CustomerInsights , kad pasirinktumėte vieningą kliento profilį, susiejantį su kliento atributų duomenimis. Dalyje Kliento ID pasirinkite System.Customer.CustomerId.

3. Susiekite daugiau laukų, jei duomenys pasiekiami jūsų vieninguose klientų profiliuose.

   

4. Pasirinkite Įrašyti.

5. Pasirinkite Toliau.

Nustatyti grafiko naujinimą

1. Pasirinkite dažnį, kuriuo norite perkvalifikuoti savo modelį, remdamiesi naujausiais duomenimis. Šie nustatymai yra svarbūs siekiant atnaujinti prognozių tikslumą, kaip naujų duomenų naudojimą. Dauguma įmonių gali apmokyti iš naujo kartą per mėnesį, kad prognozių tikslumas būtų geras.

2. Pasirinkite Toliau.

Modelio konfigūracijos peržiūra ir paleidimas

Atliekant peržiūros ir vykdymo veiksmą rodoma konfigūracijos suvestinė ir suteikiama galimybė atlikti pakeitimus prieš kuriant prognozė.

1. Pasirinkite Redaguoti bet kuriame iš veiksmų, kuriuos norite peržiūrėti ir atlikti pakeitimus.

2. Jei esate patenkinti savo pasirinkimais, pasirinkite Įrašyti ir paleiskite , kad pradėtumėte paleisti modelį. Pasirinkite Atlikta. Skirtukas Mano prognozės rodomas, kol kuriamas prognozė. Atsižvelgiant į prognozavimui naudojamų duomenų kiekį, procesas gali užtrukti kelias valandas.

Arbatpinigiai

Yra užduočių ir procesų būsenos . Dauguma procesų priklauso nuo kitų pirminių procesų, pvz., duomenų šaltinių ir duomenų profiliavimo atnaujinimų.

Pasirinkite būseną, kad atidarytumėte sritį Eigos informacija ir peržiūrėtumėte užduočių eigą. Norėdami atšaukti užduotį, srities apačioje pasirinkite Atšaukti užduotį .

Po kiekviena užduotimi galite pasirinkti Peržiūrėti išsamią informaciją , kad gautumėte daugiau informacijos apie eigą, pvz., apdorojimo laiką, paskutinę apdorojimo datą ir visas taikomas klaidas bei įspėjimus, susijusius su užduotimi ar procesu. Pasirinkite Peržiūrėti sistemos būseną skydelio apačioje, kad pamatytumėte kitus sistemos procesus.

Peržiūrėti prognozė rezultatus

1. Eikite į Įžvalgų>numatymai.

2. Skirtuke Mano prognozės pasirinkite prognozė, kurią norite peržiūrėti.

Rezultatų puslapyje yra trys pagrindinės duomenų dalys.

• Mokymo modelio našumas: A, B arba C laipsniai rodo prognozė našumą ir gali padėti priimti sprendimą naudoti išvesties lentelėje saugomus rezultatus.

  

  Sistema įvertina, kaip dirbtinio intelekto modelis veikė prognozuodamas didelės vertės klientus, palyginti su baziniu modeliu.

  Laipsniai nustatomi pagal šias taisykles:

  • A, kai modelis tiksliai numatė bent 5 % daugiau didelės vertės klientų, palyginti su baziniu modeliu.
  • B , kai modelis tiksliai prognozavo 0–5 % daugiau didelės vertės klientų, palyginti su baziniu modeliu.
  • C , kai modelis tiksliai numatė mažiau didelės vertės klientų, palyginti su baziniu modeliu.

  Pasirinkite Sužinokite apie šį įvertinimą , kad atidarytumėte sritį Modelio įvertinimas , kurioje pateikiama daugiau informacijos apie DI modelio našumą ir bazinį modelį. Tai padės geriau suprasti pagrindinę modelio našumo metriką ir tai, kaip buvo gautas galutinis modelio našumo įvertinimas. Pagal pradinį modelį ne AI pagrįstas metodas klientų pasverti vertei apskaičiuoti, visų pirma remiantis klientų įsigytais istoriniais tikslais.

• Klientų vertė pagal procentilį: mažos vertės ir didelės vertės klientai rodomi diagramoje. Užveskite pelės žymeklį virš histogramos juostų, kad pamatytumėte kiekvienos grupės klientų skaičių ir vidutinį tos grupės CLV. Pasirinktinai kurkite klientų segmentus pagal jų CLV prognozes.

  

• Įtakingiausi veiksniai: kuriant CLV prognozė atsižvelgiama į įvairius veiksnius, remiantis AI modeliui pateiktais įvesties duomenimis. Kiekvienas iš veiksnių turi savo svarbą, apskaičiuojamą bendroms modelio prognozėms. Naudokite šiuos veiksnius, kad padėtumėte patvirtinti prognozė rezultatus. Šie faktoriai taip pat suteikia daugiau įžvalgų apie svarbiausius faktorius, kurie labiausiai pranašesni visiems jūsų klientams prognozuojant CLV.

  

Sužinokite apie rezultatą

Standartinė formulė, naudojama CLV apskaičiuoti pagal pradinį modelį:

Kiekvieno kliento CLV = Vidutinis mėnesinis pirkinys, kurį klientas atlieka aktyvaus kliento lange * CLV prognozė laikotarpio mėnesių skaičius * Bendras visų klientų išlaikymo lygis

AI modelis lyginamas su pradiniu modeliu pagal dvi modelio efektyvumo metrikas.

• Sėkmės rodiklis prognozuojant didelės vertės klientus

  Žr. skirtumą tarp prognozuojamų didelės vertės klientų, kurie naudoja AI modelį, palyginti su pradiniu modeliu. Pavyzdžiui, 84 % sėkmingų klientų skaičius reiškia, kad iš visų vertingų klientų mokymo duomenyse AI modelis galėjo tiksliai užfiksuoti 84 %. Tada palyginsime šį sėkmės koeficientą su pradinio modelio sėkmingų duomenų koeficientu ir pranešame apie santykinį pakeitimą. Ši reikšmė naudojama modeliui priskirti.

• Klaidų metrika

  Peržiūrėkite bendrą modelio našumą pagal klaidas prognozuojant būsimas vertes. Šią klaidą įvertinti naudojame bendrą šakninio vidurkio kvadratinės klaidos (RMSE) metriką. RMSE yra standartinis būdas įvertinti modelio klaidą prognozuojant kiekybinius duomenis. AI modelio RMSE lyginamas su pradinės linijos modelio RMSE ir pranešama apie santykinį skirtumą.

AI modelis pagal prioritetus suteikia tikslaus klientų rango pagal vertę, kuri juos suteikia jūsų verslui. Todėl galutinis modelio įvertinimas susekimas naudojamas tik prognozuojamų didelės vertės klientų sėkmės koeficientui. RMSE metrika yra opi prie išorinių objektų. Scenarijų, kai klientų, kurių pirkimo vertės yra itin didelės, procentinė dalis, bendra RMSE metrika gali ne visiškai pavaizduoti modelio efektyvumą.