Dự đoán giá trị trọn đời của khách hàng (CLV)

Dự đoán giá trị tiềm năng (doanh thu) mà các khách hàng cá nhân đang hoạt động sẽ mang lại cho doanh nghiệp của bạn trong suốt khoảng thời gian xác định trong tương lai. Dự đoán này sẽ giúp bạn:

• Xác định những khách hàng có giá trị cao và xử lý thông tin chi tiết này.
• Tạo các phân khúc khách hàng chiến lược dựa trên giá trị tiềm năng của chúng để chạy các chiến dịch được cá nhân hóa với các nỗ lực hỗ trợ, tiếp thị và bán hàng được nhắm mục tiêu.
• Hướng dẫn phát triển sản phẩm bằng cách tập trung vào các tính năng làm tăng giá trị cho khách hàng.
• Tối ưu hóa chiến lược bán hàng hoặc tiếp thị và phân bổ ngân sách chính xác hơn cho việc tiếp cận khách hàng.
• Ghi nhận và khen thưởng những khách hàng có giá trị cao thông qua các chương trình khách hàng thân thiết hoặc tặng thưởng.

Xác định ý nghĩa của CLV đối với doanh nghiệp của bạn. Chúng tôi hỗ trợ CLV dựa trên giao dịch dự đoán. Giá trị dự đoán của một khách hàng được dựa trên lịch sử giao dịch kinh doanh. Hãy cân nhắc việc tạo một số mô hình với các tùy chọn đầu vào khác nhau và so sánh kết quả mô hình để xem kịch bản mô hình nào phù hợp nhất với nhu cầu kinh doanh của bạn.

Tiền bo

Hãy dùng thử CLV dự đoán bằng cách sử dụng dữ liệu mẫu: Hướng dẫn mẫu về Giá trị lâu dài của khách hàng (CLV) dự đoán.

Điều kiện tiên quyết

• Ít nhất có quyền Người đóng góp
• Ít nhất 1.000 hồ sơ khách hàng trong cửa sổ dự đoán mong muốn
• Mã định danh khách hàng, mã định danh duy nhất để khớp các giao dịch với một khách hàng cá nhân
• Lịch sử giao dịch ít nhất một năm, tốt nhất là hai đến ba năm. Lý tưởng nhất là có ít nhất hai đến ba giao dịch cho mỗi ID khách hàng, tốt nhất là trong nhiều ngày. Lịch sử giao dịch phải bao gồm:
  • ID giao dịch: Mã định danh duy nhất của mỗi giao dịch
  • Ngày giao dịch: Ngày hoặc dấu thời gian của mỗi giao dịch
  • Số tiền giao dịch: Giá trị tiền tệ (ví dụ: doanh thu hoặc tỷ suất lợi nhuận) của mỗi giao dịch
  • Nhãn được gán cho lượt trả về: Giá trị Boolean đúng/sai cho biết giao dịch có phải là lượt trả lại hay không
  • ID sản phẩm: ID sản phẩm của sản phẩm tham gia giao dịch
• Dữ liệu về hoạt động của khách hàng:
  • Khóa chính: Mã định danh duy nhất cho một hoạt động
  • Dấu thời gian: Ngày và giờ diễn ra sự kiện được xác định bằng khóa chính
  • Sự kiện (tên hoạt động): Tên sự kiện bạn muốn sử dụng
  • Chi tiết (số tiền hoặc giá trị): Chi tiết về hoạt động của khách hàng
• Dữ liệu bổ sung như:
  • Hoạt động trên web: Lịch sử truy cập trang web hoặc lịch sử email
  • Hoạt động trung thành: Tích lũy điểm thưởng trung thành và lịch sử đổi thưởng
  • Nhật ký dịch vụ khách hàng: Lịch sử cuộc gọi dịch vụ, khiếu nại hoặc trả lại
  • Thông tin hồ sơ khách hàng
• Thiếu dưới 20% giá trị trong các trường bắt buộc

Lưu ý

Chỉ có thể cấu hình một bảng lịch sử giao dịch. Nếu có nhiều bảng mua hàng hoặc giao dịch, hãy kết hợp chúng lại Power Query trước khi nhập dữ liệu.

Tạo dự đoán Giá trị trọn đời của khách hàng

Chọn Lưu bản nháp bất kỳ lúc nào để lưu dự đoán làm bản nháp. Bản nháp dự đoán hiển thị trong tab Dự đoán của tôi .

1. Chuyển đến Thông tin chi tiết>Dự đoán.

2. Trên tab Tạo , hãy chọn Sử dụng mô hình trên Giá trị trọn đời của khách hàng ngói.

3. Chọn Bắt đầu.

4. Đặt tên cho mô hình này và tên bảng đầu ra để phân biệt với các mô hình hoặc bảng khác.

5. Chọn Tiếp theo.

Xác định các tùy chọn mô hình

1. Đặt khoảng thời gian dự đoán để xác định khoảng thời gian bạn muốn dự đoán CLV trong tương lai. Theo mặc định, đơn vị được đặt là tháng.

   Tiền bo

   Để dự đoán chính xác CLV trong khoảng thời gian đã đặt, cần có một khoảng thời gian dữ liệu lịch sử có thể so sánh được. Ví dụ: nếu bạn muốn dự đoán CLV trong 12 tháng tới, hãy có dữ liệu lịch sử ít nhất 18 – 24 tháng.

2. Đặt khung thời gian mà khách hàng phải có ít nhất một giao dịch để được coi là đang hoạt động. Mô hình chỉ dự đoán CLV cho Khách hàng đang hoạt động.

   • Để mô hình tính toán khoảng thời gian mua hàng (được khuyến nghị): Mô hình phân tích dữ liệu của bạn và xác định khoảng thời gian dựa trên các giao dịch mua trước đây.
   • Đặt khoảng thời gian theo cách thủ công: Khoảng thời gian để bạn xác định khách hàng đang hoạt động.

3. Xác định phân vị phần trăm Khách hàng có giá trị cao.

   • Tính toán mô hình (được khuyến nghị): Mô hình sử dụng quy tắc 80/20. Phần trăm khách hàng đã đóng góp vào 80% doanh thu tích lũy cho doanh nghiệp của bạn trong giai đoạn lịch sử được coi là khách hàng có giá trị cao. Thông thường, dưới 30-40% khách hàng đóng góp vào 80% doanh thu tích lũy. Tuy nhiên, con số này có thể thay đổi tùy thuộc vào doanh nghiệp và ngành của bạn.
   • Phần trăm khách hàng hoạt động nhiều nhất: Phần trăm cụ thể dành cho khách hàng có giá trị cao. Ví dụ: nhập 25 để xác định khách hàng có giá trị cao là 25% khách hàng trả tiền nhiều nhất trong tương lai.

   Nếu doanh nghiệp của bạn định nghĩa khách hàng có giá trị cao theo một cách khác, hãy cho chúng tôi biết vì chúng tôi rất muốn nghe.

4. Chọn Tiếp theo.

Thêm dữ liệu bắt buộc

1. Chọn Thêm dữ liệu cho Lịch sử giao dịch của khách hàng.

2. Chọn loại hoạt động ngữ nghĩa, SalesOrder hoặc SalesOrderLine, có chứa lịch sử giao dịch. Nếu hoạt động chưa được thiết lập, hãy chọn đây và tạo hoạt động đó.

3. Trong Hoạt động, nếu các thuộc tính hoạt động được ánh xạ về mặt ngữ nghĩa khi hoạt động được tạo, hãy chọn các thuộc tính hoặc bảng cụ thể mà bạn muốn tập trung vào phép tính. Nếu ánh xạ ngữ nghĩa không xảy ra, hãy chọn Chỉnh sửa và ánh xạ dữ liệu của bạn.

   

4. Chọn Tiếp theo và xem lại các thuộc tính cần thiết cho mô hình này.

5. Chọn Lưu.

6. Thêm các hoạt động khác hoặc chọn Tiếp theo.

Thêm dữ liệu hoạt động tùy chọn

Dữ liệu phản ánh các tương tác chính của khách hàng (như web, dịch vụ khách hàng và bản ghi sự kiện) bổ sung thêm ngữ cảnh vào hồ sơ giao dịch. Dữ liệu hoạt động khách hàng của bạn có càng nhiều mẫu thì càng cải thiện độ chính xác của các dự đoán.

1. Chọn Thêm dữ liệu trong Tăng cường thông tin chi tiết về mô hình bằng dữ liệu hoạt động bổ sung.

2. Chọn loại hoạt động phù hợp với loại hoạt động của khách hàng mà bạn đang thêm. Nếu hoạt động chưa được thiết lập, hãy chọn đây và tạo hoạt động đó.

3. Trong Hoạt động, nếu các thuộc tính hoạt động được ánh xạ khi hoạt động được tạo, hãy chọn các thuộc tính hoặc bảng cụ thể mà bạn muốn phép tính tập trung vào. Nếu ánh xạ không xảy ra, hãy chọn Chỉnh sửa và ánh xạ dữ liệu của bạn.

4. Chọn Tiếp theo và xem lại các thuộc tính cần thiết cho mô hình này.

5. Chọn Lưu.

6. Chọn Tiếp theo.

7. Thêm dữ liệu khách hàng tùy chọn hoặc chọn Tiếp theo và chuyển đến Đặt lịch cập nhật.

Thêm dữ liệu khách hàng tùy chọn

Chọn từ 18 thuộc tính hồ sơ khách hàng thường được sử dụng để đưa vào làm đầu vào cho mô hình. Những thuộc tính này có thể dẫn đến kết quả mô hình được cá nhân hóa, phù hợp và có thể hành động hơn cho các trường hợp sử dụng kinh doanh của bạn.

Ví dụ: Contoso Coffee muốn dự đoán giá trị trọn đời của khách hàng để nhắm mục tiêu khách hàng có giá trị cao bằng ưu đãi được cá nhân hóa liên quan đến việc ra mắt máy pha cà phê espresso mới của họ. Contoso sử dụng mô hình CLV và thêm tất cả 18 thuộc tính hồ sơ khách hàng để xem yếu tố nào ảnh hưởng đến khách hàng có giá trị cao nhất của họ. Họ nhận thấy vị trí của khách hàng là yếu tố ảnh hưởng nhất đối với những khách hàng này. Với thông tin này, họ tổ chức một sự kiện địa phương để ra mắt máy pha cà phê espresso và hợp tác với các nhà cung cấp địa phương để có các ưu đãi được cá nhân hóa và trải nghiệm đặc biệt tại sự kiện. Nếu không có thông tin này, Contoso có thể chỉ gửi email tiếp thị chung chung và bỏ lỡ cơ hội cá nhân hóa cho phân khúc khách hàng có giá trị cao tại địa phương này.

1. Chọn Thêm dữ liệu trong phần Tăng cường thông tin chi tiết về mô hình hơn nữa với dữ liệu khách hàng bổ sung.

2. Đối với Bảng, hãy chọn Khách hàng: CustomerInsights để chọn hồ sơ khách hàng hợp nhất ánh xạ đến dữ liệu thuộc tính khách hàng. Đối với ID khách hàng, chọn System.Customer.CustomerId.

3. Ánh xạ nhiều trường hơn nếu dữ liệu có sẵn trong hồ sơ khách hàng hợp nhất của bạn.

   

4. Chọn Lưu.

5. Chọn Tiếp theo.

Đặt lịch trình cập nhật

1. Chọn tần suất để đào tạo lại mô hình của bạn dựa trên dữ liệu mới nhất. Cài đặt này rất quan trọng để cập nhật độ chính xác của các dự đoán vì dữ liệu mới được nhập vào thông tin chuyên sâu về đối tượng. Hầu hết các doanh nghiệp đều có thể đào tạo lại một lần mỗi tháng và có dự đoán chính xác cao.

2. Chọn Tiếp theo.

Xem lại và chạy cấu hình mô hình

Bước Xem lại và chạy hiển thị tóm tắt cấu hình và cung cấp cơ hội thực hiện thay đổi trước khi bạn tạo dự đoán.

1. Chọn Chỉnh sửa ở bất kỳ bước nào để xem lại và thực hiện bất kỳ thay đổi nào.

2. Nếu bạn hài lòng với lựa chọn của mình, hãy chọn Lưu và chạy để bắt đầu chạy mô hình. Chọn Xong. Tab Dự đoán của tôi hiển thị trong khi dự đoán đang được tạo. Quá trình này có thể mất vài giờ mới hoàn thành, tùy thuộc vào lượng dữ liệu dùng trong dự đoán.

Tiền bo

Có trạng thái cho các nhiệm vụ và quy trình. Hầu hết các quy trình đều phụ thuộc vào các quy trình ngược dòng khác, chẳng hạn như nguồn dữ liệu và lập hồ sơ dữ liệu làm mới.

Chọn trạng thái để mở ngăn Chi tiết tiến trình và xem tiến trình của nhiệm vụ. Để hủy công việc, hãy chọn Hủy công việc ở cuối ngăn.

Trong mỗi nhiệm vụ, bạn có thể chọn Xem chi tiết để biết thêm thông tin về tiến độ, chẳng hạn như thời gian xử lý, ngày xử lý cuối cùng cũng như mọi lỗi và cảnh báo hiện hành liên quan đến nhiệm vụ hoặc quy trình. Chọn Xem trạng thái hệ thống ở cuối bảng để xem các quy trình khác trong hệ thống.

Xem kết quả dự đoán

1. Chuyển đến Thông tin chi tiết>Dự đoán.

2. Trong tab Dự đoán của tôi, hãy chọn dự đoán bạn muốn xem.

Có ba phần dữ liệu chính trong trang kết quả.

• Hiệu suất mô hình đào tạo: Điểm A, B hoặc C cho biết hiệu suất của dự đoán và có thể giúp bạn đưa ra quyết định sử dụng kết quả được lưu trữ trong bảng đầu ra.

  

  Hệ thống đánh giá cách mô hình AI hoạt động trong việc dự đoán các khách hàng có giá trị cao so với mô hình cơ sở.

  Điểm được xác định dựa trên các quy tắc sau:

  • A : khi mô hình dự đoán chính xác ít nhất 5% khách hàng có giá trị cao hơn so với mô hình cơ sở.
  • B khi mô hình dự đoán chính xác từ 0-5% khách hàng có giá trị cao hơn so với mô hình cơ sở.
  • C khi mô hình dự đoán chính xác ít khách hàng có giá trị cao hơn so với mô hình cơ sở.

  Chọn Tìm hiểu về điểm số này để mở ngăn Xếp hạng mô hình hiển thị thêm chi tiết về hiệu suất mô hình AI và mô hình đường cơ sở. Nó sẽ giúp bạn hiểu rõ hơn về các chỉ số hiệu suất mô hình cơ bản và cách bắt nguồn từ điểm hiệu suất mô hình cuối cùng. Mô hình cơ sở sử dụng cách tiếp cận không dựa trên AI để tính toán giá trị trọn đời của khách hàng chủ yếu dựa trên các giao dịch mua trước đây của khách hàng.

• Giá trị của khách hàng theo phần trăm: Khách hàng có giá trị thấp và giá trị cao hiển thị trong biểu đồ. Di chuột qua các thanh trong biểu đồ tần suất để xem số lượng khách hàng trong mỗi nhóm và CLV trung bình của nhóm đó. Tùy chọn, tạo phân khúc khách hàng dựa trên dự đoán CLV của họ.

  

• Các yếu tố ảnh hưởng nhất: Các yếu tố khác nhau được xem xét khi tạo dự đoán CLV của bạn dựa trên dữ liệu đầu vào được cung cấp cho mô hình AI. Mỗi yếu tố có tầm quan trọng được tính toán cho các dự đoán tổng hợp mà một mô hình tạo ra. Sử dụng các yếu tố này để giúp xác thực kết quả dự đoán của bạn. Những yếu tố này cũng cung cấp thêm thông tin chi tiết về các yếu tố có ảnh hưởng nhất góp phần vào việc dự đoán CLV trên tất cả các khách hàng của bạn.

  

Tìm hiểu về điểm số

Công thức chuẩn được dùng để tính CLV theo mô hình cơ sở:

CLV cho mỗi khách hàng = Giao dịch mua hàng tháng trung bình được thực hiện bởi khách hàng trong khoảng thời gian khách hàng đang hoạt động * Số tháng trong giai đoạn dự đoán CLV * Tỷ lệ giữ chân chung của tất cả khách hàng

Mô hình AI được so sánh với mô hình cơ sở dựa trên hai chỉ số hiệu suất của mô hình.

• Tỷ lệ thành công trong việc dự đoán khách hàng có giá trị cao

  Xem sự khác biệt trong việc dự đoán khách hàng có giá trị cao bằng cách sử dụng mô hình AI so với mô hình cơ sở. Ví dụ: tỷ lệ thành công 84% có nghĩa là trong số tất cả khách hàng có giá trị cao trong dữ liệu đào tạo, mô hình AI có thể dự đoán chính xác 84%. Sau đó, chúng tôi so sánh tỷ lệ thành công này với tỷ lệ thành công của mô hình cơ sở để báo cáo sự thay đổi tương đối. Giá trị này được sử dụng để gán điểm cho mô hình.

• Chỉ số lỗi

  Xem hiệu suất tổng thể của mô hình về lỗi trong việc dự đoán các giá trị trong tương lai. Chúng tôi sử dụng chỉ số Lỗi trung bình bình phương (RMSE) tổng thể để đánh giá lỗi này. RMSE là một cách tiêu chuẩn để đo lường lỗi dự đoán dữ liệu định lượng của một mô hình. RMSE của mô hình AI được so sánh với RMSE của mô hình cơ sở và báo cáo sự khác biệt tương đối.

Mô hình AI ưu tiên xếp hạng chính xác khách hàng theo giá trị mà họ mang lại cho doanh nghiệp của bạn. Vì vậy, chỉ tỷ lệ thành công khi dự đoán khách hàng có giá trị cao được dùng để tính điểm cuối cùng của mô hình. Chỉ số RMSE nhạy cảm với các trường hợp ngoại lệ. Trong các tình huống mà bạn có một tỷ lệ nhỏ khách hàng có giá trị mua hàng cực cao, chỉ số RMSE tổng thể có thể không cung cấp bức tranh đầy đủ về hiệu suất của mô hình.