預測客戶生命週期價值 (CLV)
預測在一段定義好的未來時間中，個別活躍客戶將帶來的業務潛在價值 (營收)。 這個預測可協助您：
- 找出高價值的客戶並處理這種深入解析。
- 根據客戶的潛在價值建立策略性的客戶細分，以執行包含目標銷售、行銷及支援工作的個人化行銷活動。
- 若把焦點放在能增加客戶價值的功能，則可引導產品開發。
- 透過優化銷售或行銷策略，以及更準確地分配預算等方式來拓展客戶。
- 透過忠實會員或獎勵方案，識別和獎賞高價值客戶。
決定何種 CLV 對您的業務有幫助。 我們支援以交易為基礎的 CLV 預測。 客戶的預測價值是依據業務交易的歷史記錄。 請考慮用各種不同的輸入偏好來建立幾個模型，並比較模型結果，以了解哪種模型方案最符合您的業務需求。
小費
嘗試使用範例資料的 CLV 預測：客戶終身價值 (CLV) 預測範例指南。
先決條件
- 至少參與者權限
- 在所需預測視窗中至少 1,000 個客戶設定檔
- 客戶識別碼，將交易配對至個別客戶的唯一識別碼
- 至少有 1 年的交易記錄，最好有 2 到 3 年。 理想狀況是，每個客戶識別碼至少有 2 到 3 筆交易，最好是跨多個日期。 交易歷程記錄必須包括：
- 交易識別碼：交易的唯一識別碼
- 交易日期：每筆交易的日期或時間戳記
- 交易總額：每個交易記錄的金錢價值 (例如，營收或獲利率)
- 指派給退貨的標籤：布林值 [是/否] 表示交易是否為退貨
- 產品識別碼：此交易內相關產品的產品識別碼
- 客戶活動的相關資料：
- 主索引鍵：活動的唯一識別碼
- 時間戳記：由主索引鍵辨識出的事件日期和時間
- 事件 (活動名稱)：您要使用的事件名稱
- 詳細資料 (總量或價值)：有關客戶活動的詳細資料
- 其他資料，例如：
- 網頁活動：網站訪問歷程記錄或電子郵件歷史記錄
- 忠誠會員活動：忠誠度獎勵點數累積和兌換的歷程記錄
- 客戶服務記錄：服務電話、投訴或退貨歷史記錄
- 客戶設定檔資訊
- 必要欄位中的遺失值少於 20%
注意
只能設定一個交易歷程記錄資料表。 如果有多個購買或交易資料表，您可以在資料擷取前，於 Power Query 結合它們。
建立客戶生命週期價值預測
隨時選取儲存草稿以將預測儲存為草稿。 草稿預測會顯示在我的預測索引標籤中。
請移至深入解析>預測。
在建立索引標籤上，選取客戶終身價值圖標上的使用模型。
選取開始使用。
命名此模型及輸出資料表名稱，將它們與其他模型或資料表區分開來。
選取下一步。
定義模型喜好設定
設定預測時間區段，定義未來您要預測多遠以後的 CLV。 根據預設，單位會設定為月。
小費
若要在設定的時段精確預測 CLV，您需要有可比較時段的歷史資料。 例如，如果您想要預測接下來 12 個月的 CLV，則需擁有至少 18 – 24 個月的歷史資料。
設定時間範圍，客戶在此範圍內必須至少有一個交易才能被視為活躍。 此模型只能預測活躍客戶的 CLV。
- 讓模型計算購買間隔 (建議使用)：模型會分析您的資料，並根據歷史採購決定一段時間。
- 手動設定間隔：您對活躍客戶定義的時段。
定義高價值客戶的百分位數。
- 模型計算 (建議)：模型使用 80/20 規則。 在歷史記錄期間內，對業務累積營收貢獻 80% 的前百分之幾的客戶被視為高價值客戶。 通常，80% 的累計營收是由少於 30-40% 的客戶貢獻的。 但是，不同的企業和產業，這個數字可能會不同。
- 最活躍客戶的百分比：高價值客戶的特定百分位數。 例如，請輸入 25 來將高價值客戶定義為未來前 25% 的付費客戶。
如果您的企業以不同的方式定義高價值的客戶，請跟我們說，我們樂意傾聽您的意見。
選取下一步。
新增必要資料
選取對客戶交易歷程記錄新增資料 。
選取包含交易歷程記錄的語義活動類型，銷售訂單或銷售訂單內容。 如果活動尚未設定，請選取這裡並建立它。
如果活動屬性在建立活動時已語義對應，請在活動下方，選擇要進行集中計算的特定屬性或資料表。 如果未進行語義對應，請選取編輯並對應資料。
選取下一步並查看此模型所需的屬性。
選取儲存。
新增更多活動或選取下一步。
新增可選活動資料
資料表現出關鍵客戶互動 (例如 web、客戶服務及事件記錄)，會將背景新增至交易記錄。 在您的客戶活動資料中找到更多的模式，可以增進預測的準確性。
選取透過其他活動資料增強模型深入解析能力下方的新增資料。
為您正在新增的客戶活動，選取符合其類型的活動類型。 如果活動尚未設定，請選取這裡並建立它。
如果在建立活動時，已將活動屬性對應至活動，請在活動下方，選擇要集中計算的特定屬性或資料表。 如果未進行對應，請選取編輯並對應您的資料。
選取下一步並查看此模型所需的屬性。
選取儲存。
選取下一步。
新增選擇性的客戶資料
從 18 個常用的客戶資料屬性中進行選擇，作為模型的輸入。 這些屬性可為您的業務使用案例帶來更個人化、相關和可動作的模型結果。
例如：Contoso Coffee 希望預測「客戶存留時間」值，以針對高價值客戶提供與推出新濃縮咖啡機相關的個人化優惠。 Contoso 使用 CLV 模型，並新增所有 18 個客戶設定檔屬性，以了解哪些因素會影響其最高價值的客戶。 他們發現客戶位置是對這些客戶影響最大的因素。 有了這些信息，他們組織了一場當地的濃縮咖啡機發佈活動，並與當地供應商合作，提供個人化的優惠和活動中的特殊體驗。 如果沒有這些資訊，Contoso 可能只會發送通用行銷電子郵件，而錯過了為其本地高價值客戶群進行個人化設定的機會。
選取透過其他客戶資料進一步增強模型深入解析能力下方的新增資料。
在資料表中，選擇客戶：CustomerInsights 來選取對應至客戶屬性資料的統一客戶設定檔。 如果是客戶識別碼，選擇 System.Customer.CustomerId。
若您的統一客戶設定檔中有可用的資料，則對應更多欄位。
選取儲存。
選取下一步。
設定更新排程
選擇根據最新資料重新定型模型的頻率。 此設定對更新預測準確度很重要，因為新資料已經內嵌。 大部分企業都可以每月重新定型一次，讓他們的預測取得良好的準確度。
選取下一步。
審查並執行模型設定
檢視和執行步驟會顯示設定的摘要，並提供您在建立預測之前進行變更的機會。
若要檢視並進行任何變更，請在任一步驟上選取編輯。
如果您對於所有選取感到滿意，請選取儲存並執行來開始執行模型。 選取完成。 在建立預測時，會顯示我的預測索引標籤。 視預測中使用的資料量而定，此程序可能需要數個小時才能完成。
小費
工作和程序的狀態。 大部分程序都是依靠其他上游程序而定，例如：資料來源和資料分析重新整理。
選取狀態打開進度詳細資料窗格並查看工作的進度。 若要取消作業，請在窗格下方選取取消作業。
在每個工作下方，您可以選取查看詳細資料取得更多的進度資訊，例如：處理時間、上次處理日期以及可取得的任何與工作或程序相關的錯誤和警告。 選取面板下方的查看系統狀態，以查看系統中的其他程序。
查看預測結果
請移至深入解析>預測。
在我的預測索引標籤中，選取您想要查看的預測。
結果頁面中有三個主要的資料區段。
定型模型效能：A、B 或 C 分表示預測的效能並可協助您決定是否使用輸出資料表中儲存的結果。
系統會評估 AI 模型在預測高價值客戶時的表現 (與基準模型相比)。
評分是根據下列規則而定：
- A 是與基準模型相比，模型對高價值客戶的準確預測至少多 5% 。
- B 是與基準模型相比，模型對高價值客戶的準確預測多 0-5% 。
- C 是與基準模型相比，模型對高價值客戶的準確預測較少。
選取瞭解此分數以開啟模型評等窗格，該窗格會顯示有關 AI 模型效能和基準模型的進一步詳細資料。 它會幫您更加瞭解基礎模型效能指標和此最終模型效能分數是如何得到的。 基準模型主要根據客戶完成的歷史購買記錄，使用非 AI 方法計算客戶生命週期價值。
依百分位數排列的客戶價值：低價值和高價值的客戶會顯示在圖表中。 將游標懸停在長條圖中的長方形，以查看每個群組的客戶數，以及該群組的平均 CLV。 也可以根據其 CLV 預測建立客戶的客戶細分。
最具影響力的因素：根據提供給 AI 模型的輸入資料，建立 CLV 預測時，會考慮各種因素。 每個因素都有其針對模型所建立彙總預測而計算的重要性。 使用這些因素來協助驗證您的預測結果。 對預測 CLV 所有客戶的最具影響力因素，這些因素也提供更多深入解析。
瞭解此分數
基準模型用來計算 CLV 的標準公式：
每個客戶的 CLV = 活躍客戶視窗中的客戶完成的平均每月購買量 * CLV 預測期間中的月數 * 所有客戶的整體留存率
AI 模型將根據兩種模型效能指標與基準模型進行比較。
預測高價值客戶的成功率
請查看預測高價值客戶時，使用 AI 模型與基準模型相比的差異。 例如，84% 成功率表示訓練資料中的所有高價值客戶，AI 模型可以準確地預測 84%。 接著，我們會將此成功率與基線模型的成功率進行比較，以報告相對變化。 這個值會用來指派模型的評分。
錯誤指標
按照預測未來價值的錯誤來查看模型的整體效能。 我們使用整體均方根誤差 (RMSE) 指標來評估此錯誤。 RMSE 是一種標準方式，可以在預測量化資料時測量模型的錯誤。 將 AI 模型的 RMSE 與基準模型的 RMSE 比較，並會報告相對差異。
AI 模型會根據其對業務的價值排出客戶準確的等級。 因此，只有預測高價值客戶的成功比率，才用來取得最終的模型評等。 RMSE 指標對極端值敏感。 當案例中低比例的客戶擁有超高購買價值時，整體 RMSE 指標可能無法給予模型效能的全貌。