คาดคะเนมูลค่าตลอดอายุการใช้งานของลูกค้า (CLV)

คาดคะเนมูลค่าที่เป็นไปได้ (รายได้) ที่ลูกค้าที่ใช้งานอยู่แต่ละรายจะนำเข้าสู่ธุรกิจของคุณผ่านช่วงเวลาในอนาคตที่กำหนดไว้ การคาดคะเนนี้จะช่วยคุณ:

• ระบุลูกค้าที่มีมูลค่าสูงและประมวลผลข้อมูลเชิงลึกนี้
• สร้างเซ็กเมนต์ลูกค้าที่มีกลยุทธ์ตามมูลค่าที่เป็นไปได้เพื่อเรียกใช้แคมเปญส่วนบุคคลด้วยการขาย การตลาด และการสนับสนุนที่ตรงเป้าหมาย
• ชี้นำการพัฒนาผลิตภัณฑ์โดยมุ่งเน้นไปที่คุณลักษณะที่เพิ่มมูลค่าของลูกค้า
• ปรับกลยุทธ์การขายหรือการตลาดให้เหมาะสมและจัดสรรงบประมาณให้ถูกต้องมากขึ้นสำหรับการเข้าถึงลูกค้า
• รับรู้และให้รางวัลแก่ลูกค้าที่มีมูลค่าสูงผ่านโปรแกรมสมาชิกหรือรางวัล

กำหนดว่า CLV มีความหมายต่อธุรกิจของคุณอย่างไร เรารองรับการคาดคะเน CLV ที่อิงธุรกรรม มูลค่าที่คาดคะเนของลูกค้าจะขึ้นอยู่กับประวัติการทำธุรกรรมทางธุรกิจ ลองสร้างแบบจำลองหลายแบบที่มีการกำหนดลักษณะการป้อนข้อมูลที่แตกต่างกันและเปรียบเทียบผลลัพธ์ของแบบจำลองเพื่อดูว่าแบบจำลองใดที่เหมาะกับความต้องการทางธุรกิจของคุณมากที่สุด

เคล็ดลับ

ลองใช้การคาดคะเน CLV โดยใช้ข้อมูลตัวอย่าง: คู่มือตัวอย่างของการคาดคะเนมูลค่าตลอดอายุการใช้งานของลูกค้า (CLV)

ข้อกำหนดเบื้องต้น

• อย่างน้อยมีสิทธิ์ ผู้สนับสนุน
• โปรไฟล์ลูกค้าอย่างน้อย 1,000 รายภายในหน้าต่างการคาดคะเนที่ต้องการ
• รหัสลูกค้า รหัสเฉพาะเพื่อจับคู่ธุรกรรมกับลูกค้าแต่ละราย
• ประวัติการทำธุรกรรมอย่างน้อยหนึ่งปี โดยเฉพาะอย่างยิ่งสองถึงสามปี ตามหลักการแล้ว ธุรกรรมอย่างน้อยสองถึงสามรายการต่อหนึ่งรหัสลูกค้า โดยเฉพาะอย่างยิ่งในหลายวันที่ ประวัติธุรกรรมต้องรวมถึง:
  • รหัสธุรกรรม: รหัสเฉพาะของธุรกรรมแต่ละรายการ
  • วันที่ทำธุรกรรม: วันที่หรือประทับเวลาของธุรกรรมแต่ละรายการ
  • จำนวนธุรกรรม: มูลค่าที่เป็นตัวเงิน (ตัวอย่างเช่น รายได้ หรืออัตรากำไร) ของธุรกรรมแต่ละรายการ
  • ป้ายชื่อที่กำหนดให้ส่งคืน: ค่าบูลีน จริง/เท็จ ที่บ่งบอกว่าธุรกรรมเป็นการส่งคืนหรือไม่
  • รหัสผลิตภัณฑ์: รหัสผลิตภัณฑ์ของผลิตภัณฑ์ที่เกี่ยวข้องในธุรกรรม
• ข้อมูลเกี่ยวกับกิจกรรมของลูกค้า:
  • คีย์หลัก: รหัสเฉพาะสำหรับกิจกรรม
  • ประทับเวลา: วันที่และเวลาของเหตุการณ์ที่ระบุโดยคีย์หลัก
  • เหตุการณ์ (ชื่อกิจกรรม): ชื่อของเหตุการณ์ที่คุณต้องการใช้
  • รายละเอียด (จำนวนหรือมูลค่า): รายละเอียดเกี่ยวกับกิจกรรมของลูกค้า
• ข้อมูลเพิ่มเติม เช่น:
  • กิจกรรมบนเว็บ: ประวัติการเยี่ยมชมเว็บไซต์หรือประวัติอีเมล
  • กิจกรรมสมาชิก: คะแนนสะสมสมาชิกคงเหลือและประวัติการแลก
  • บันทึกส่วนบริการลูกค้า: การเรียกใช้บริการ การร้องเรียน หรือประวัติการส่งคืน
  • ข้อมูลโปรไฟล์ลูกค้า
• ค่าที่ขาดหายไปน้อยกว่า 20% ในฟิลด์บังคับ

หมายเหตุ

เฉพาะตารางประวัติธุรกรรมเพียงรายการเดียวเท่านั้นที่สามารถกำหนดค่าได้ หากมีตารางการซื้อหรือธุรกรรมหลายรายการ ให้รวมตารางเหล่านั้นใน Power Query ก่อนการนำเข้าข้อมูล

สร้างการคาดคะเนมูลค่าตลอดอายุการใช้งานของลูกค้า

เลือก บันทึกแบบร่าง เพื่อบันทึกการคาดคะเนเป็นแบบร่างได้ตลอดเวลา การคาดคะเนแบบร่างแสดงในแท็บ การคาดคะเนของฉัน

1. ไปที่ ข้อมูลเชิงลึก>การคาดคะเน

2. บนแท็บ สร้าง เลือก ใช้แบบจำลอง บนไทล์ อายุการใช้งานของลูกค้า

3. เลือก เริ่มต้นใช้งาน

4. ตั้งชื่อโมเดลนี้ และ ชื่อตารางผลลัพธ์ เพื่อแยกออกจากโมเดลหรือตารางอื่น ๆ

5. เลือก ถัดไป

กำหนดลักษณะแบบจำลอง

1. ตั้งค่า การคาดคะเนช่วงเวลา เพื่อกำหนดอนาคตที่คุณต้องการคาดคะเน CLV โดยค่าเริ่มต้น หน่วยจะตั้งค่าเป็นเดือน

   เคล็ดลับ

   ในการคาดคะเน CLV อย่างแม่นยำสำหรับช่วงเวลาที่กำหนด ต้องมีช่วงเวลาของข้อมูลย้อนหลังที่เปรียบเทียบได้ ตัวอย่างเช่น หากคุณต้องการคาดคะเน CLV สำหรับ 12 เดือนข้างหน้า ต้องมีข้อมูลย้อนหลังอย่างน้อย 18 - 24 เดือน

2. ตั้งค่ากรอบเวลาที่ลูกค้าต้องมีธุรกรรมอย่างน้อยหนึ่งรายการจึงจะถือว่าใช้งานอยู่ แบบจำลองจะคาดคะเน CLV สำหรับ ลูกค้าที่ใช้งานอยู่ เท่านั้น

   • ให้แบบจำลองคำนวณช่วงเวลาการซื้อ (แนะนำ): แบบจำลองจะวิเคราะห์ข้อมูลของคุณและกำหนดช่วงเวลาตามการซื้อในอดีต
   • ตั้งช่วงเวลาด้วยตนเอง: ระยะเวลาสำหรับคำจำกัดความของลูกค้าที่ใช้งานอยู่

3. กำหนดเปอร์เซ็นต์ไทล์ของ ลูกค้าที่มีมูลค่าสูง

   • การคำนวณแบบจำลอง (แนะนำ): แบบจำลองใช้กฎ 80/20 เปอร์เซ็นต์ของลูกค้าที่สร้างรายได้สะสม 80% ให้กับธุรกิจของคุณในช่วงเวลาที่ผ่านมาถือเป็นลูกค้าที่มีมูลค่าสูง โดยปกติ ลูกค้าน้อยกว่า 30-40% มีส่วนสร้างรายได้สะสม 80% อย่างไรก็ตาม ตัวเลขนี้อาจแตกต่างกันไปขึ้นอยู่กับธุรกิจและอุตสาหกรรมของคุณ
   • เปอร์เซ็นต์ของลูกค้าที่ใช้งานอันดับต้นๆ: เปอร์เซ็นไทล์เฉพาะสำหรับลูกค้าที่มีมูลค่าสูง ตัวอย่างเช่น ป้อน 25 เพื่อกำหนดลูกค้าที่มีมูลค่าสูงเป็น 25% แรกของลูกค้าที่จ่ายเงินในอนาคต

   หากธุรกิจของคุณกำหนดลูกค้าที่มีมูลค่าสูงด้วยวิธีอื่น แจ้งให้เราทราบ เรายินดีรับฟัง

4. เลือก ถัดไป

เพิ่มข้อมูลที่จำเป็น

1. เลือก เพิ่มข้อมูล สำหรับ ประวัติธุรกรรมลูกค้า

2. เลือกชนิดกิจกรรมเชิงความหมาย SalesOrder หรือ SalesOrderLine ที่มีประวัติการทำธุรกรรม หากยังไม่ได้ตั้งค่ากิจกรรม ให้เลือก ที่นี่ และสร้างขึ้นมา

3. ภายใต้ กิจกรรม หากแอตทริบิวต์ของกิจกรรมถูกแมปตามความหมายเมื่อสร้างกิจกรรม ให้เลือกแอตทริบิวต์หรือตารางเฉพาะที่คุณต้องการให้การคำนวณเน้น หากการแมปความหมายไม่เกิดขึ้น ให้เลือก แก้ไข และแมปข้อมูลของคุณ

   

4. เลือก ต่อไป และตรวจสอบคุณสมบัติที่จำเป็นสำหรับแบบจำลองนี้

5. เลือก บันทึก

6. เพิ่มกิจกรรมเพิ่มเติมหรือเลือก ต่อไป

เพิ่มข้อมูลกิจกรรมที่เป็นตัวเลือก

ข้อมูลที่สะท้อนการโต้ตอบกับลูกค้าหลัก (เช่นเว็บ ส่วนบริการลูกค้า และบันทึกเหตุการณ์) จะเพิ่มบริบทให้กับเรกคอร์ดธุรกรรม รูปแบบเพิ่มเติมที่พบในข้อมูลกิจกรรมของลูกค้าสามารถปรับปรุงความแม่นยำของการคาดคะเนได้

1. เลือก เพิ่มข้อมูล ภายใต้ เพิ่มข้อมูลเชิงลึกของแบบจำลองด้วยข้อมูลลูกค้าเพิ่มเติม

2. เลือกชนิดกิจกรรมที่ตรงกับชนิดกิจกรรมของลูกค้าที่คุณกำลังเพิ่ม หากยังไม่ได้ตั้งค่ากิจกรรม ให้เลือก ที่นี่ และสร้างขึ้นมา

3. ภายใต้ กิจกรรม หากแอตทริบิวต์ของกิจกรรมถูกแมปเมื่อสร้างกิจกรรม ให้เลือกแอตทริบิวต์หรือตารางเฉพาะที่คุณต้องการให้การคำนวณเน้น หากการแมปไม่เกิดขึ้น ให้เลือก แก้ไข และแมปข้อมูลของคุณ

4. เลือก ต่อไป และตรวจสอบคุณสมบัติที่จำเป็นสำหรับแบบจำลองนี้

5. เลือก บันทึก

6. เลือก ถัดไป

7. เพิ่มข้อมูลลูกค้าทางเลือก หรือเลือก ต่อไป และไปที่ ตั้งกำหนดการอัปเดต

เพิ่มข้อมูลลูกค้าที่เป็นตัวเลือก

เลือกจากแอตทริบิวต์โปรไฟล์ลูกค้าที่ใช้กันทั่วไป 18 รายการเพื่อรวมเป็นข้อมูลอินพุตในโมเดล แอตทริบิวต์เหล่านี้สามารถนำไปสู่ผลลัพธ์โมเดลที่เป็นแบบส่วนตัว มีความเกี่ยวข้อง และนำไปใช้ได้จริงมากขึ้นสำหรับกรณีการใช้งานทางธุรกิจของคุณ

ตัวอย่างเช่น: กาแฟ Contoso ต้องการคาดคะเนมูลค่าตลอดช่วงชีวิตของลูกค้าเพื่อกำหนดเป้าหมายลูกค้าที่มีมูลค่าสูงด้วยข้อเสนอแบบส่วนบุคคลที่เกี่ยวข้องกับการเปิดตัวเครื่องชงกาแฟเอสเปรสโซใหม่ Contoso ใช้โมเดล CLV และเพิ่มแอตทริบิวต์โปรไฟล์ลูกค้าทั้งหมด 18 รายการเพื่อดูว่าปัจจัยใดมีอิทธิพลต่อลูกค้าที่มีคุณค่าสูงสุดของพวกเขา พวกเขาพบว่าที่ตั้งของลูกค้าเป็นปัจจัยที่มีอิทธิพลมากที่สุดสำหรับลูกค้าเหล่านี้ ด้วยข้อมูลนี้ พวกเขาจัดงานในท้องถิ่นเพื่อเปิดตัวเครื่องชงกาแฟเอสเปรสโซและเป็นพันธมิตรกับผู้ขายในท้องถิ่นเพื่อรับข้อเสนอแบบเฉพาะบุคคลและประสบการณ์พิเศษในงาน หากไม่มีข้อมูลนี้ Contoso อาจส่งเพียงอีเมลการตลาดทั่วไปและพลาดโอกาสในการปรับแต่งเซ็กเมนต์ในพื้นที่ของลูกค้าที่มีมูลค่าสูงให้เป็นแบบเฉพาะ

1. เลือก เพิ่มข้อมูล ภายใต้ เพิ่มข้อมูลเชิงลึกของแบบจำลองด้วยข้อมูลลูกค้าเพิ่มเติม

2. สำหรับ ตาราง เลือก ลูกค้า: CustomerInsights เพื่อเลือกโพรไฟล์ลูกค้าแบบรวมที่แมปกับข้อมูลแอตทริบิวต์ของลูกค้า สำหรับ รหัสลูกค้า ให้เลือก System.Customer.CustomerId

3. แมปฟิลด์เพิ่มเติมหากมีข้อมูลอยู่ในโปรไฟล์ลูกค้าแบบรวมของคุณ

   

4. เลือก บันทึก

5. เลือก ถัดไป

ตั้งค่ากำหนดการอัปเดต

1. เลือกความถี่ในการฝึกแบบจำลองของคุณอีกครั้งตามข้อมูลล่าสุด การตั้งค่านี้มีความสำคัญในการปรับปรุงความถูกต้องของการคาดคะเนเนื่องจากมีการนำเข้าข้อมูลใหม่ ธุรกิจส่วนใหญ่สามารถฝึกใหม่เดือนละครั้งและได้รับความแม่นยำที่ดีสำหรับการคาดคะเนของธุรกิจ

2. เลือก ถัดไป

ตรวจสอบและรันการกำหนดค่าแบบจำลอง

ขั้นตอน ตรวจสอบและเรียกใช้ จะแสดงสรุปการกำหนดค่าและให้โอกาสในการเปลี่ยนแปลงก่อนที่คุณจะสร้างการคาดคะเน

1. เลือก แก้ไข ในขั้นตอนเพื่อตรวจสอบและทำการเปลี่ยนแปลงใดๆ

2. หากคุณพอใจกับการเลือกของคุณ ให้เลือก บันทึกและเรียกใช้ เพื่อเริ่มใช้งานแบบจำลอง เลือก เสร็จ แท็บ การคาดคะเนของฉัน จะปรากฏขึ้นขณะสร้างการคาดคะเน กระบวนการนี้อาจใช้เวลาหลายชั่วโมงกว่าจะเสร็จสมบูรณ์ ทั้งนี้ขึ้นอยู่กับปริมาณข้อมูลที่ใช้ในการคาดคะเน

เคล็ดลับ

มี สถานะ สำหรับงานและกระบวนการ กระบวนการส่วนใหญ่ขึ้นอยู่กับกระบวนการต้นทางอื่นๆ เช่น แหล่งข้อมูลและ การรีเฟรช การทำโปรไฟล์ข้อมูล

เลือกสถานะเพื่อเปิดบานหน้าต่าง รายละเอียดความคืบหน้า และดูความคืบหน้าของงาน หากต้องการยกเลิกงาน ให้เลือก ยกเลิกงาน ที่ด้านล่างของบานหน้าต่าง

ในแต่ละงาน คุณสามารถเลือก ดูรายละเอียด เพื่อดูข้อมูลความคืบหน้าเพิ่มเติม เช่น เวลาประมวลผล วันที่ประมวลผลล่าสุด และข้อผิดพลาดและคำเตือนที่เกี่ยวข้องใดๆ ที่เกี่ยวข้องกับงานหรือกระบวนการ เลือก ดูสถานะของระบบ ที่ด้านล่างของแผงเพื่อดูกระบวนการอื่นๆ ในระบบ

ดูผลลัพธ์การคาดคะเน

1. ไปที่ ข้อมูลเชิงลึก>การคาดคะเน

2. บนแท็บ การคาดคะเนของฉัน ให้เลือกการคาดคะเนที่คุณต้องการดู

มีข้อมูลหลักสามส่วนภายในหน้าผลลัพธ์

• ประสิทธิภาพรูปแบบการฝึกอบร: เกรด A, B, หรือ C บ่งชี้ประสิทธิภาพของการคาดคะเน และสามารถช่วยคุณในการตัดสินใจใช้ผลลัพธ์ที่เก็บไว้ในตารางผลลัพธ์

  

  ระบบประเมินว่าแบบจำลอง AI ดำเนินการการคาดคะเนลูกค้าที่มีมูลค่าสูงอย่างไรเปรียบเทียบกับแบบจำลองพื้นฐาน

  เกรดจะพิจารณาจากกฎต่อไปนี้:

  • A เมื่อโมเดลคาดคะเนลูกค้าที่มีมูลค่าสูงเพิ่มขึ้นอย่างน้อย 5% เมื่อเทียบกับโมเดลพื้นฐาน
  • B เมื่อโมเดลคาดคะเนลูกค้าที่มีมูลค่าสูงเพิ่มขึ้นระหว่าง 0-5% เมื่อเทียบกับโมเดลพื้นฐาน
  • C เมื่อโมเดลคาดคะเนลูกค้าที่มีมูลค่าสูงน้อยกว่า เมื่อเทียบกับโมเดลพื้นฐาน

  เลือก เรียนรู้เกี่ยวกับคะแนนนี้ เพื่อเปิดบานหน้าต่าง คะแนนแบบจำลอง แสดงรายละเอียดเพิ่มเติมเกี่ยวกับประสิทธิภาพของแบบจำลอง AI และแบบจำลองพื้นฐาน ซึ่งจะช่วยทำความเข้าใจเมตริกประสิทธิภาพของแบบจำลองต้นแบบให้ดีขึ้นและว่าคะแนนประสิทธิภาพของแบบจำลองขั้นสุดท้ายได้มาอย่างไร แบบจำลองพื้นฐานใช้วิธีการที่ไม่ใช่ AI ในการคำนวณมูลค่าตลอดอายุการใช้งานของลูกค้าโดยพิจารณาจากการซื้อในอดีตของลูกค้าเป็นหลัก

• มูลค่าลูกค้าตามเปอร์เซ็นไทล์: ลูกค้าที่มีมูลค่าต่ำและมีมูลค่าสูงแสดงในแผนภูมิ วางเมาส์เหนือแถบในฮิสโทแกรมเพื่อเห็นจำนวนลูกค้าในแต่ละกลุ่มและ CLV เฉลี่ยของกลุ่มนั้น หรือ สร้างเซ็กเมนต์ลูกค้า ตามการคาดคะเน CLV

  

• ปัจจัยที่มีอิทธิพลมากที่สุด: ปัจจัยต่าง ๆ ได้รับการพิจารณาเมื่อสร้างการคาดคะเน CLV ของคุณตามข้อมูลการป้อนข้อมูลที่ให้ไว้กับแบบจำลอง AI แต่ละปัจจัยมีความสำคัญที่คำนวณสำหรับการคาดคะเนแบบรวมที่สร้างมีการโมเดล ใช้ปัจจัยเหล่านี้เพื่อช่วยตรวจสอบผลการคาดคะเนของคุณ ปัจจัยเหล่านี้ยังให้ข้อมูลเชิงลึกเพิ่มเติมเกี่ยวกับปัจจัยที่มีอิทธิพลที่สุดที่มีส่วนในการคาดคะเน CLV ในลูกค้าทั้งหมดของคุณ

  

เรียนรู้เกี่ยวกับคะแนนนี้

สูตรมาตรฐานที่ใช้ในการคำนวณ CLV ตามแบบจำลองพื้นฐาน:

CLV สำหรับลูกค้าแต่ละราย = ลูกค้าที่ทำการซื้อรายเดือนโดยเฉลี่ยในหน้าต่างลูกค้าที่ใช้งานอยู่ * จำนวนเดือนในช่วงการคาดคะเน CLV * อัตราการเก็บรักษาลูกค้าทั้งหมดโดยรวม

แบบจำลอง AI ถูกเปรียบเทียบกับแบบจำลองพื้นฐานตามเมตริกประสิทธิภาพของแบบจำลองสองตัว

• อัตราความสําเร็จในการคาดคะเนลูกค้าที่มีมูลค่าสูง

  ดูความแตกต่างในการคาดคะเนลูกค้าที่มีมูลค่าสูงโดยใช้แบบจำลอง AI เปรียบเทียบกับแบบจำลองพื้นฐาน ตัวอย่างเช่น อัตราความสำเร็จ 84% หมายความว่าจากลูกค้าที่มีมูลค่าสูงทั้งหมดในข้อมูลการฝึกอบรมแบบจำลอง AI สามารถจับคาดคะเน 84% ได้อย่างแม่นยำ จากนั้นเราจะเปรียบเทียบอัตราความสำเร็จนี้กับอัตราความสำเร็จของแบบจำลองพื้นฐานเพื่อรายงานการเปลี่ยนแปลงที่สัมพันธ์กัน ค่านี้ใช้เพื่อกำหนดเกรดให้กับแบบจำลอง

• เมตริกข้อผิดพลาด

  ดูประสิทธิภาพโดยรวมของแบบจำลองในแง่ของข้อผิดพลาดในการคาดคะเนค่าในอนาคต เราใช้เมตริก Root Mean Squared Error (RMSE) โดยรวมเพื่อประเมินข้อผิดพลาดนี้ RMSE เป็นวิธีมาตรฐานในการวัดข้อผิดพลาดของแบบจำลองในการคาดคะเนข้อมูลเชิงปริมาณ RMSE ของแบบจำลอง AI ถูกเปรียบเทียบกับ RMSE ของแบบจำลองพื้นฐานและรายงานความแตกต่างสัมพัทธ์

แบบจำลอง AI จะจัดลำดับความสำคัญของการจัดอันดับที่ถูกต้องของลูกค้าตามมูลค่าที่พวกเขานำมาสู่ธุรกิจของคุณ ดังนั้นเฉพาะอัตราความสำเร็จของการคาดการณ์ลูกค้าที่มีมูลค่าสูงเท่านั้นที่จะใช้เพื่อให้ได้เกรดแบบจำลองสุดท้าย เมตริก RMSE มีความอ่อนไหวต่อค่าผิดปกติ ในสถานการณ์ที่คุณมีลูกค้าจำนวนเล็กน้อยที่มีมูลค่าการซื้อสูงเป็นพิเศษ เมตริก RMSE โดยรวมอาจไม่ได้ให้ภาพรวมทั้งหมดของประสิทธิภาพของแบบจำลอง