Prever o valor de permanência do cliente (CLV)

Preveja o valor potencial (receita) que clientes ativos individuais trarão para o seu negócio por um período futuro definido. Essa previsão ajudará você a:

• Identificar clientes de alto valor e processar esse insight.
• Criar segmentos de clientes estratégicos com base em seu valor potencial para executar campanhas personalizadas com vendas direcionadas, marketing e esforços de suporte.
• Orientar o desenvolvimento de produtos com foco em recursos que aumentam o valor do cliente.
• Otimizar as vendas ou estratégia de marketing e alocar o orçamento com mais precisão para alcançar o cliente.
• Reconhecer e recompensar clientes de alto valor por meio de programas de fidelidade ou recompensas.

Determinar o que o CLV significa para o seu negócio. Oferecemos suporte à previsão de CLV com base em transações. O valor previsto de um cliente é baseado no histórico de transações comerciais. Considere a criação de vários modelos com preferências de entrada variadas e compare os resultados do modelo para ver qual cenário do modelo melhor se adapta às suas necessidades de negócios.

Gorjeta

Experimente a previsão de CLV usando dados de exemplo: Guia de amostra de previsão do valor da vida útil do cliente (CLV).

Pré-requisitos

• Pelo menos permissões de Colaborador
• Pelo menos 1.000 perfis de cliente dentro da janela de previsão desejada
• Identificador do cliente: um identificador exclusivo para fazer a correspondência das transações com um cliente individual
• Pelo menos um ano de histórico de transação, de preferência, de dois a três anos. Pelo menos duas a três transações por ID do cliente, de preferência em várias datas. O histórico da transações deve incluir:
  • ID da transação: identificador exclusivo de cada transação
  • Data da transação: data ou carimbo de hora de cada transação
  • Valor da transação: valor monetário (por exemplo, receita ou margem de lucro) de cada transação
  • Rótulo atribuído a devoluções: valor booleano verdadeiro/fulso que significa se a transação é uma devolução
  • ID do produto: ID do produto envolvido na transação
• Dados sobre atividades do cliente:
  • Chave primária: identificador exclusivo para uma atividade
  • Carimbo de data/hora: data e hora do evento identificado pela chave primária
  • Evento (nome da atividade): o nome do evento que você deseja usar
  • Detalhes (quantidade ou valor): detalhes sobre a atividade do cliente
• Dados adicionais, como:
  • Atividades na Web: histórico de visitas ao site ou histórico de email
  • Atividades de fidelidade: histórico de acúmulo e resgate de pontos de recompensa de fidelidade
  • Registro de SAC: chamada de serviço, reclamação ou histórico de devolução
  • Informações do perfil do cliente
• Menos de 20% de valores ausentes nos campos obrigatórios

Observação

Apenas uma tabela de histórico de transações pode ser configurada. Se houver várias tabelas de compra ou transação, você poderá combiná-las no Power Query antes da ingestão de dados.

Criar uma previsão do valor de permanência do cliente

Selecione Salvar rascunho a qualquer momento para salvar o previsão como rascunho. A previsão de rascunho é exibida na guia Minhas previsões.

1. Vá para Insights>Previsões.

2. Na guia Criar, selecione Usar modelo no bloco Valor de permanência do cliente.

3. Selecione Começar.

4. Nomear este modelo e Nome da tabela de saída para distingui-los de outros modelos ou tabelas.

5. Selecione Avançar.

Definir as preferências do modelo

1. Defina um Período de previsão para definir em que momento no futuro você deseja prever o CLV. Por padrão, a unidade é definida como meses.

   Gorjeta

   Para prever com precisão o CLV do período definido, é necessário um período comparável de dados históricos. Por exemplo, se você deseja fazer previsões CLV para os próximos 12 meses, é recomendável ter pelo menos 18 a 24 meses de dados históricos.

2. Defina o período em que um cliente deve ter pelo menos uma transação para ser considerado ativo. O modelo prevê CLV somente para Clientes ativos.

   • Permitir que o modelo calcule o intervalo de compras (recomendado): o modelo analisa seus dados e determina um período com base no histórico de compras.
   • Definir intervalo manualmente: período para sua definição de um cliente ativo.

3. Defina o percentil de Cliente de alto valor.

   • Cálculo do modelo (recomendado): o modelo usa a regra 80/20. A porcentagem de clientes que contribuíram com 80% da receita acumulada de sua empresa no período histórico são considerados clientes de alto valor. Geralmente, menos de 30-40% dos clientes contribuem com 80% da receita acumulada. Contudo, esse número pode variar dependendo de seu negócio e setor.
   • Percentual dos principais clientes ativos: percentil específico para um cliente de alto valor. Por exemplo, digite 25 para definir os clientes de alto valor como os 25% principais dos futuros clientes pagantes.

   Se sua empresa define clientes de alto valor de uma maneira diferente, gostaríamos de ouvir sua opinião.

4. Selecione Avançar

Adicionar dados obrigatórios

1. Selecione Adicionar dados para Histórico de transações do cliente.

2. Selecione o tipo de atividade semântica, SalesOrder ou SalesOrderLine, que contém o histórico de transações. Se a atividade não foi configurada, selecione aqui e crie-a.

3. Em Atividades, se os atributos da atividade tiverem sido mapeados semanticamente quando a atividade foi criada, escolha os atributos específicos ou a tabela em que você deseja que o cálculo se concentre. Se o mapeamento semântico não tiver ocorrido, selecione Editar e mapeie seus dados.

   

4. Selecione Avançar e revise os atributos necessários para este modelo.

5. Selecione Salvar.

6. Adicione mais atividades ou selecione Avançar.

Adicionar dados opcionais de atividade

Os dados que refletem as principais interações do cliente (como Web, SAC e logs de eventos) adicionam contexto aos registros de transações. Mais padrões encontrados nos dados de atividade do cliente podem melhorar a precisão das previsões.

1. Selecione Adicionar dados em Melhorar os insights do modelo com dados adicionais de atividade.

2. Selecione um tipo de atividade que corresponda ao tipo de atividade do cliente que você está adicionando. Se a atividade não foi configurada, selecione aqui e crie-a.

3. Em Atividades, se os atributos da atividade tiverem sido mapeados quando a atividade foi criada, escolha os atributos específicos ou a tabela em que você deseja que o cálculo se concentre. Se o mapeamento não tiver ocorrido, selecione Editar e mapeie seus dados.

4. Selecione Avançar e revise os atributos necessários para este modelo.

5. Selecione Salvar.

6. Selecione Avançar

7. Adicione dados opcionais do cliente ou selecione Avançar e vá para Definir o cronograma de atualização.

Adicionar dados opcionais do cliente

Selecione a partir de 18 atributos de perfil de cliente comumente usados para incluir como uma entrada para o modelo. Esses atributos podem levar a resultados de modelo mais personalizados, relevantes e práticos para seus casos de uso comercial.

Por exemplo: a Contoso Coffee deseja prever o valor da vida útil do cliente para direcionar aos clientes de lato valor uma oferta personalizada relacionada ao lançamento de sua nova máquina de café expresso. A Contoso usa o modelo CLV e adiciona todos os 18 atributos de perfil do cliente para ver quais fatores influenciam seus clientes de valor mais alto. Eles descobrem que a localização do cliente é o fator mais influenciável para esses clientes. Com essas informações, eles organizam um evento local para o lançamento da máquina de café expresso e fazem parceira com fornecedores locais para ofertas personalizadas e uma experiência especial no evento. Sem essas informações, a Contoso poderia ter enviado somente emails de marketing genéricos e perdido a oportunidade de personalizar para esse segmento local de seus clientes de alto valor.

1. Selecione Adicionar dados em Melhorar ainda mais os insights do modelo com dados adicionais do cliente.

2. Por Tabela, escolha Cliente: CustomerInsights para selecionar o perfil de cliente unificado que mapeia para dados de atributo do cliente. Em ID do Cliente, escolha System.Customer.CustomerId.

3. Mapeie mais campos se os dados estiverem disponíveis em seus perfis unificados de cliente.

   

4. Selecione Salvar.

5. Selecione Avançar

Definir cronograma de atualização

1. Escolha a frequência para treinar novamente seu modelo com base nos dados mais recentes. Essa configuração é importante para atualizar a precisão das previsões à medida que novos dados são ingeridos. A maioria das empresas pode realizar o treinamento novamente uma vez por mês e obter uma boa precisão para suas previsões.

2. Selecione Avançar

Revisar e executar a configuração do modelo

A etapa Revisar e executar mostra um resumo da configuração e oferece a chance de fazer alterações antes de criar a previsão.

1. Selecione Editar em qualquer uma das etapas para revisar e fazer alterações.

2. Se estiver satisfeito com as seleções, selecione Salvar e executar para iniciar a execução do modelo. Selecione Concluído. A guia Minhas previsões é exibida enquanto a previsão está sendo criada. O processo pode demorar várias horas para ser concluído, dependendo da quantidade de dados usados na previsão.

Gorjeta

Existem status para tarefas e processos. A maioria dos processos depende de outros processos upstream, como atualizações de fontes de dados e perfis de dados.

Selecione o status para abrir o painel Detalhes de progresso e exibir o progresso das tarefas. Para cancelar o trabalho, selecione Cancelar trabalho na parte inferior do painel.

Em cada tarefa, você pode selecionar Ver detalhes para obter mais informações sobre o andamento, como tempo de processamento, a data do último processamento e possíveis erros e avisos aplicáveis associados à tarefa ou ao processo. Selecione Exibir status do sistema na parte inferior do painel para ver outros processos no sistema.

Visualizar resultados de previsão

1. Vá para Insights>Previsões.

2. Na guia Minhas previsões, selecione a previsão que deseja visualizar.

Há três seções principais de dados na página de resultados.

• Desempenho da previsão de treinamento: os níveis A, B ou C indicam o desempenho da previsão e podem ajudar você a tomar a decisão de usar os resultados armazenados na tabela de saída.

  

  O sistema avalia como o modelo de IA se saiu ao prever os clientes de alto valor em comparação a um modelo de linha de base.

  As classificações são determinadas com base nas seguintes regras:

  • A quando o modelo previu com precisão pelo menos 5% mais clientes de alto valor em comparação com o modelo de linha de base.
  • B quando o modelo previu com precisão entre 0 e 5% mais clientes de alto valor em comparação com o modelo de linha de base.
  • C quando o modelo previu com precisão menos clientes de alto valor em comparação com o modelo de linha de base.

  Selecione Saiba mais sobre esta pontuação para abrir o painel Classificação de modelo, que mostra mais detalhes sobre o desempenho do modelo de IA e o modelo de linha de base. Isso ajudará você a entender melhor as métricas de desempenho do modelo subjacente e como a classificação final de desempenho do modelo foi derivada. O modelo de linha de base usa uma abordagem não baseada em IA para calcular o valor de permanência do cliente com base principalmente no histórico de compras feitas pelos clientes.

• Valor dos clientes por percentil: os clientes de baixo e alto valor são exibidos em um gráfico. Passe o mouse sobre as barras no histograma para pode ver o número de clientes em cada grupo e o CLV médio desse grupo. Outra opção é criar segmentos de clientes com base em suas previsões de CLV.

  

• Fatores mais influentes: vários fatores são considerados na criação de previsão de CLV com base nos dados de entrada fornecidos ao modelo de IA. Cada um deles tem a sua importância calculada para as previsões agregadas criadas por um modelo. Use esses fatores para ajudar a validar os resultados de previsão. Esses fatores também fornecem mais informações sobre os fatores mais influentes que contribuíram para prever o CLV em todos os seus clientes.

  

Saiba mais sobre a pontuação

A fórmula padrão usada para calcular o CLV pelo modelo de linha de base:

CLV para cada cliente = = Compra média mensal feita pelo cliente na janela do cliente ativo * Número de meses no período de previsão do CLV * Taxa de retenção geral de todos os clientes

O modelo de IA é comparado ao modelo de linha de base com base em duas métricas de desempenho do modelo.

• Taxa de sucesso na previsão de clientes de alto valor

  Veja a diferença na previsão de clientes de alto valor usando o modelo de IA em comparação com o modelo de linha de base. Por exemplo, uma taxa de sucesso de 84% significa que, de todos os clientes de alto valor nos dados de treinamento, o modelo de IA foi capaz de capturar 84% com precisão. Em seguida, comparamos essa taxa de sucesso com a taxa de sucesso do modelo de linha de base para relatar a mudança relativa. Este valor é usado para atribuir uma classificação ao modelo.

• Métricas de erro

  Veja o desempenho geral do modelo em termos de erro na previsão de valores futuros. Usamos a métrica geral do raiz quadrada do erro-médio (RMSE) para avaliar esse erro. A RMSE é uma forma padrão de medir o erro de um modelo na previsão de dados quantitativos. A RMSE do modelo de IA é comparada à RMSE do modelo de linha de base e a diferença relativa é relatada.

O modelo de IA prioriza a classificação precisa dos clientes de acordo com o valor que eles agregam ao seu negócio. Portanto, somente a taxa de sucesso de prever clientes de alto valor é usada para derivar a classificação final do modelo. A métrica de RMSE é sensível a exceções. Em cenários em que você tem uma pequena porcentagem de clientes com valores de compra extraordinariamente altos, a métrica de RMSE geral pode não fornecer uma imagem completa do desempenho do modelo.