Prediksi nilai selama hubungan dengan pelanggan (CLV) (pratinjau)

Perkipkan nilai potensial (pendapatan) yang akan diberikan pelanggan aktif individual ke bisnis Anda hingga periode waktu mendatang yang ditentukan. Fitur ini dapat membantu Anda mencapai berbagai sasaran:

  • Mengidentifikasi pelanggan bernilai tinggi dan memproses wawasan ini
  • Membuat segmen pelanggan yang strategis berdasarkan potensi nilainya untuk menjalankan kampanye pribadi dengan upaya penjualan, pemasaran, dan dukungan yang ditargetkan
  • Memandu pengembangan produk dengan berfokus pada fitur yang meningkatkan nilai pelanggan
  • Mengoptimalkan strategi penjualan atau pemasaran dan mengalokasikan anggaran secara lebih akurat untuk jangkauan pelanggan
  • Mengakui dan memberikan penghargaan kepada pelanggan bernilai tinggi melalui program loyalitas atau penghargaan

Prasyarat

Sebelum memulai, cerminkan arti CLV untuk bisnis Anda. Saat ini, kami mendukung prediksi CLV berbasis transaksi. Nilai prediksi pelanggan didasarkan pada riwayat transaksi bisnis. Untuk membuat prediksi, Anda memerlukan minimal izin kontributor.

Karena mengkonfigurasi dan menjalankan model CLV tidak memerlukan banyak waktu, pertimbangkan untuk membuat beberapa model dengan berbagai preferensi input dan membandingkan hasil model untuk melihat skenario model yang paling sesuai dengan kebutuhan bisnis Anda.

Persyaratan data

Data berikut diperlukan dan jika ditandai opsional, disarankan untuk meningkatkan performa model. Semakin banyak data yang dapat diproses oleh model, semakin akurat prediksinya. Oleh karena itu, sebaiknya Anda menggunakan data aktivitas pelanggan lebih banyak, jika tersedia.

  • Pengidentifikasi Pelanggan: Pengidentifikasi unik untuk transaksi yang sesuai dengan pelanggan individual

  • Riwayat Transaksi: Log transaksi historis dengan skema data semantis di bawah

    • ID transaksi: pengidentifikasi unik setiap transaksi
    • Tanggal transaksi: Tanggal, sebaiknya cap waktu untuk setiap transaksi
    • Jumlah transaksi: Nilai moneter (contoh: pendapatan atau margin laba) dari setiap transaksi
    • Label yang ditetapkan untuk hasil (opsional): Nilai Boolean yang menandakan apakah transaksi adalah hasil
    • ID Produk (opsional): ID Produk dari produk yang terlibat dalam transaksi
  • Data tambahan (opsional), misalnya

    • Aktivitas web: riwayat kunjungan situs web, riwayat email
    • Aktivitas loyalitas: akumulasi poin reward loyalitas dan riwayat penukaran
    • Log Layanan pelanggan, panggilan layanan, keluhan, atau riwayat retur
  • Data tentang aktivitas pelanggan (opsional):

    • Pengidentifikasi aktivitas untuk membedakan aktivitas dari jenis yang sama
    • Pengidentifikasi pelanggan untuk memetakan aktivitas dengan pelanggan Anda
    • Informasi aktivitas berisi nama dan tanggal aktivitas
    • Skema data semantis untuk aktivitas mencakup:
      • Kunci primer: pengidentifikasi unik untuk aktivitas
      • Cap waktu: tanggal dan waktu aktivitas yang diidentifikasi oleh kunci primer
      • Aktivitas (nama aktivitas): Nama aktivitas yang akan digunakan
      • Rincian (jumlah atau nilai): Rincian tentang aktivitas pelanggan

Buat Prediksi nilai selama hubungan dengan pelanggan

  1. Di wawasan audiens, buka Intelijen > Prediksi.

  2. Pilih petak nilai selama hubungan dengan pelanggan dan pilih Gunakan model.

  3. Di panel Nilai selama hubungan dengan pelanggan (pratinjau), pilih Mulai.

  4. Namai model ini dan nama entitas Output untuk membedakannya dari model atau entitas lain.

  5. Pilih Selanjutnya.

Definisikan Preferensi model

  1. Atur periode waktu prediksi untuk menentukan seberapa jauh ke masa mendatang yang akan Anda prediksikan CLV-nya.
    Secara default, unit diatur sebagai bulan. Anda dapat mengubahnya ke tahun untuk melihat lebih lanjut di masa mendatang.

    Tip

    Untuk secara akurat memperkirakan CLV selama periode waktu yang Anda tentukan, Anda memerlukan periode data historis yang dapat dibandingkan. Misalnya, jika Anda ingin memperkirakan selama 12 bulan ke depan, sebaiknya Anda memiliki data historis minimal 18 - 24 bulan.

  2. Tentukan makna pelanggan Aktif untuk bisnis Anda. Atur jangka waktu pelanggan harus memiliki minimal satu transaksi untuk dianggap aktif. Model tersebut hanya akan memperkirakan CLV untuk pelanggan aktif.

    • Biarkan model menghitung interval pembelian (disarankan): Model akan menganalisis data Anda dan menentukan periode waktu berdasarkan pembelian historis.
    • Atur interval secara manual: Jika Anda memiliki definisi bisnis khusus pelanggan aktif, pilih pilihan ini dan atur periode waktu sesuai.
  3. Definisikan persentil pelanggan bernilai tinggi agar model dapat memberikan hasil yang sesuai dengan definisi bisnis Anda.

    • Penghitungan model (disarankan): Model akan menganalisis data Anda dan menentukan jenis pelanggan bernilai tinggi untuk bisnis Anda berdasarkan riwayat transaksi pelanggan. Model tersebut menggunakan aturan heuristik (yang diilhami oleh aturan 80/20 atau prinsip pareto) untuk menemukan proporsi pelanggan bernilai tinggi. Persentase pelanggan yang berkontribusi pada pendapatan kumulatif 80% untuk bisnis Anda dalam periode historis dianggap pelanggan bernilai tinggi. Biasanya, kurang dari 30-40% pelanggan berkontribusi pada pendapatan kumulatif 80%. Namun, jumlah ini dapat berbeda, tergantung pada bisnis dan industri Anda.
    • Persen dari pelanggan aktif teratas: Menentukan pelanggan bernilai tinggi untuk bisnis Anda sebagai persentil dari pelanggan berbayar aktif teratas. Misalnya, Anda dapat menggunakan pilihan ini untuk menentukan pelanggan bernilai tinggi sebagai 20% pelanggan berbayar teratas di masa mendatang.

    Jika bisnis Anda menentukan pelanggan dengan nilai tinggi dengan cara yang berbeda, beri tahu kami karena kami ingin mengetahuinya.

  4. Pilih selanjutnya untuk lanjut ke langkah berikutnya.

Tambahkan data wajib

  1. Di langkah data yang diperlukan, pilih Tambah data untuk Riwayat transaksi pelanggan dan pilih entitas yang menyediakan informasi riwayat transaksi/pembelian sebagaimana dijelaskan dalam prasyarat.

  2. Petakan bidang semantik ke atribut dalam entitas Riwayat Pembelian Anda dan pilih berikutnya.

    Gambar langkah konfigurasi untuk memetakan atribut data untuk data yang diperlukan.

  3. Jika bidang di bawah ini tidak terisi, konfigurasikan relasi dari entitas Riwayat Pembelian Anda ke entitas pelanggan dan pilih simpan.

    1. Pilih Entitas riwayat transaksi.
    2. Pilih bidang yang mengidentifikasi pelanggan di entitas riwayat pembelian. Ini perlu dikaitkan dengan ID pelanggan utama entitas pelanggan Anda.
    3. Pilih entitas alur kerja yang sesuai dengan entitas pelanggan utama Anda.
    4. Masukkan nama yang mendeskripsikan relasi.

    Gambar langkah konfigurasi untuk menentukan relasi dengan entitas pelanggan.

  4. Pilih Selanjutnya.

Tambah data opsional

Data yang mencerminkan interaksi pelanggan utama (seperti web, layanan pelanggan, dan log aktivitas) menambahkan konteks ke rekaman transaksi. Pola lainnya yang ditemukan dalam data aktivitas pelanggan Anda dapat meningkatkan keakuratan prediksi.

  1. Pada langkah Data tambahan (opsional), pilih Tambah data. Pilih entitas aktivitas pelanggan yang menyediakan informasi aktivitas pelanggan sebagaimana dijelaskan dalam prasyarat.

  2. Petakan bidang semantik ke atribut dalam entitas aktivitas pelanggan Anda dan pilih berikutnya.

    Gambar langkah konfigurasi untuk memetakan bidang untuk data tambahan.

  3. Pilih jenis aktivitas yang sesuai dengan jenis aktivitas pelanggan yang Anda tambahkan. Pilih dari jenis aktivitas yang ada atau tambahkan jenis aktivitas baru.

  4. Konfigurasikan relasi dari entitas aktivitas pelanggan Anda ke entitas Pelanggan.

    1. Pilih bidang yang mengidentifikasi pelanggan di tabel aktivitas pelanggan. Hal ini dapat langsung terkait dengan ID pelanggan utama entitas pelanggan Anda.
    2. Pilih entitas pelanggan yang cocok dengan entitas pelanggan utama Anda.
    3. Masukkan nama yang mendeskripsikan relasi.

    Gambar langkah dalam alur konfigurasi untuk menambahkan data tambahan dan mengkonfigurasi aktivitas dengan contoh yang diisi.

  5. Pilih Simpan.
    Tambahkan data lainnya jika ada aktivitas pelanggan lain yang ingin Anda sertakan.

  6. Pilih Selanjutnya.

Atur Jadwal pembaruan

  1. Pada langkah jadwal pembaruan Data, pilih frekuensi untuk melatih ulang model Anda berdasarkan data terakhir. Pengaturan ini penting untuk memperbarui keakuratan prediksi karena data baru terserap dalam wawasan audiens. Sebagian besar bisnis dapat melatih sekali per bulan dan mendapatkan akurasi yang baik untuk prediksi mereka.

  2. Pilih Selanjutnya.

Memeriksa dan menjalankan konfigurasi model

  1. Di langkah Tinjau rincian model Anda, validasikan konfigurasi prediksi. Anda dapat kembali ke bagian apa pun dari konfigurasi prediksi dengan memilih Edit dalam nilai yang ditampilkan. Anda juga dapat memilih langkah konfigurasi dari indikator progres.

  2. Jika semua nilai dikonfigurasi dengan benar, pilih Simpan dan jalankan untuk mulai menjalankan model. Pada tab prediksi saya, Anda dapat melihat status proses prediksi. Proses dapat berlangsung selama beberapa jam hingga selesai, tergantung pada jumlah data yang digunakan dalam prediksi.

Memeriksa status prediksi dan hasil

Memeriksa status prediksi

  1. Buka intelijen > prediksi dan pilih tab prediksi saya.
  2. Pilih prediksi yang ingin Anda tinjau.
  • Nama prediksi: nama prediksi yang diberika saat membuatnya.
  • jenis prediksi: jenis model yang digunakan untuk prediksi
  • Entitas output: nama entitas untuk menyimpan output dari prediksi. Buka Data > Entitas untuk menemukan entitas dengan nama ini.
  • bidang terprediksi: bidang ini hanya diisi untuk beberapa jenis prediksi, dan tidak digunakan dalam prediksi nilai selama hubungan dengan pelanggan.
  • Status: Status prediksi dijalankan.
    • mengantri: prediksi sedang menunggu proses lain untuk diselesaikan.
    • Menyegarkan: prediksi saat ini berjalan untuk membuat hasil yang akan mengalir ke entitas output.
    • gagal: prediksi yang jalankan gagal. Tinjau log untuk rincian selengkapnya.
    • berhasil: prediksi telah berhasil. Pilih Lihat di dalam elips vertikal untuk meninjau hasil prediksi.
  • Diedit: tanggal konfigurasi untuk prediksi telah diubah.
  • Terakhir disegarkan: tanggal prediksi yang disegarkan dihasilkan dalam entitas output.

Memeriksa hasil prediksi

  1. Buka intelijen > prediksi dan pilih tab prediksi saya.

  2. Pilih prediksi yang hasilnya ingin Anda tinjau.

Terdapat tiga bagian utama data dalam halaman hasil.

  • Performa model pelatihan: A, B, atau C merupakan kemungkinan peringkat. peringkat ini menunjukkan kinerja prediksi dan dapat membantu Anda membuat keputusan untuk menggunakan hasil yang tersimpan dalam entitas output. Pilih Pelajari tentang skor ini untuk lebih memahami metrik performa model dasar dan turunan peringkat performa model final.

    Gambar kotak informasi skor model dengan peringkat A.

    Dengan menggunakan definisi pelanggan bernilai tinggi yang disediakan saat mengonfigurasikan prediksi, sistem akan menilai performa model AI dalam memperkirakan pelanggan bernilai tinggi dibandingkan model dasar.

    Peringkat ditentukan berdasarkan aturan berikut:

    • A bila model memperkirakan secara akurat setidaknya 5% lebih banyak pelanggan bernilai tinggi dibandingkan dengan model dasar.
    • B bila model memperkirakan secara akurat antara 0-5% lebih banyak pelanggan bernilai tinggi dibandingkan dengan model dasar.
    • C bila model memperkirakan secara akurat lebih sedikit pelanggan bernilai tinggi dibandingkan dengan model dasar.

    Panel peringkat Model menampilkan rincian lebih lanjut tentang kinerja model AI dan model dasar. Model dasar menggunakan pendekatan berbasis non-AI untuk menghitung nilai selama hubungan dengan pelanggan terutama berdasarkan pembelian historis yang dilakukan pelanggan.
    Rumus standar yang digunakan untuk menghitung CLV berdasarkan model dasar:

    CLV untuk tiap pelanggan = Pembelian bulanan rata-rata yang dilakukan oleh pelanggan dalam jendela pelanggan aktif * Jumlah bulan dalam periode prediksi CLV * Tingkat retensi keseluruhan semua pelanggan

    Model AI dibandingkan dengan model dasar berdasarkan dua metrik performa model.

    • Tingkat keberhasilan dalam memperkirakan pelanggan bernilai tinggi

      Lihat perbedaan dalam memperkirakan pelanggan bernilai tinggi menggunakan model AI dibandingkan model dasar. Contohnya, tingkat keberhasilan 84% berarti dari semua pelanggan bernilai tinggi dalam data pelatihan, model AI mampu menangkap secara akurat 84%. Selanjutnya kita akan membandingkan tingkat keberhasilan ini dengan tingkat keberhasilan model dasar untuk melaporkan perubahan relatif. Nilai ini digunakan untuk menetapkan peringkat ke model.

    • Metrik kesalahan

      Metrik lainnya memungkinkan Anda meninjau kinerja model secara keseluruhan dalam hal kesalahan dalam memperkirakan nilai yang akan datang. Kita menggunakan metrik RMSE (Root Mean Squared Error) secara keseluruhan untuk menilai kesalahan ini. RMSE adalah cara standar untuk mengukur kesalahan model dalam memperkirakan data kuantitatif. RMSE model AI dibandingkan RMSE dari model dasar dan perbedaan relatifnya dilaporkan.

    Model AI memprioritaskan peringkat pelanggan yang akurat sesuai dengan nilai yang mereka bawa untuk bisnis Anda. Jadi hanya tingkat keberhasilan yang memperkirakan pelanggan bernilai tinggi yang digunakan untuk memperoleh peringkat model final. Metrik RMSE peka terhadap nilai luar. Dalam skenario bila Anda memiliki persentase kecil pelanggan dengan nilai pembelian yang luar biasa tinggi, metrik RMSE secara keseluruhan mungkin tidak memberikan gambaran lengkap performa model.

  • Nilai pelanggan berdasarkan persentil: Menggunakan definisi pelanggan ber nilai tinggi, pelanggan dikelompokkan ke dalam nilai rendah dan bernilai tinggi, berdasarkan prediksi CLV mereka, dan ditampilkan dalam diagram. Dengan mengarahkan kursor ke bilah di histogram, Anda dapat melihat jumlah pelanggan di setiap grup dan CLV rata-rata grup tersebut. Data ini dapat membantu jika Anda ingin membuat segmen pelanggan berdasarkan prediksi CLV mereka.

  • Faktor paling berpengaruh: Berbagai faktor dipertimbangkan saat membuat prediksi CLV berdasarkan data input yang diberikan ke model AI. Masing-masing faktor memiliki kepentingan yang diperhitungkan untuk prediksi gabungan yang dibuat model. Anda dapat menggunakan faktor ini untuk membantu memvalidasi hasil prediksi. Faktor-faktor ini juga memberikan wawasan lebih lanjut tentang faktor paling berpengaruh yang berkontribusi terhadap perkiraan CLV di seluruh pelanggan.

Segarkan prediksi

Prediksi akan me-refresh secara otomatis pada jadwal yang sama saat data Anda di-refresh sebagaimana dikonfigurasi dalam pengaturan. Anda juga dapat me-refresh secara manual.

  1. Buka intelijen > prediksi dan pilih tab prediksi saya.
  2. Pilih elipsis vertikal di sebelah prediksi yang ingin Anda segarkan.
  3. Pilih Segarkan.

Hapus prediksi

Menghapus prediksi juga akan menghapus entitas keluarannya.

  1. Buka intelijen > prediksi dan pilih tab prediksi saya.
  2. Pilih elipsis vertikal di sebelah prediksi yang ingin Anda hapus.
  3. Pilih Hapus.

Memecahkan masalah prediksi gagal

  1. Buka intelijen > prediksi dan pilih tab prediksi saya.
  2. Pilih elipsis vertikal di sebelah prediksi yang ingin anda lihat log kesalahannya.
  3. Pilih Log.
  4. Memeriksa semua kesalahan. Ada beberapa jenis kesalahan yang dapat terjadi, dan menjelaskan kondisi yang menyebabkan kesalahan. Misalnya, kesalahan tidak ada cukup data yang dapat diprediksi secara akurat biasanya ditangani dengan memuat lebih banyak data ke wawasan audiens.