Predvidevanje skupne vrednosti stranke (CLV)

  • Članek

Predvidite potencialno vrednost (prihodek), ki jo bodo posamezne aktivne stranke prispevale vašemu podjetju v določenem prihodnjem časovnem obdobju. Ta predvidevanje vam pomaga:

  • Prepoznajte stranke z visoko vrednostjo in obdelajte ta vpogled.
  • Ustvarite strateške segmente strank na podlagi njihove potencialne vrednosti za izvajanje prilagojenih oglaševalskih akcij s ciljno usmerjeno prodajo, trženjem in podporo.
  • Usmerjajte razvoj izdelkov tako, da se osredotočite na funkcije, ki povečujejo vrednost strank.
  • Optimizirajte prodajno ali trženjsko strategijo in natančneje dodelite proračun za doseganje strank.
  • Prepoznavanje in nagrajevanje strank z visoko vrednostjo s programi zvestobe ali nagrajevanja.

Ugotovite, kaj CLV pomeni za vaše podjetje. Podpiramo transakcijski CLV predvidevanje. Predvidena vrednost kupca temelji na zgodovini poslovnih transakcij. Razmislite o ustvarjanju več modelov z različnimi vhodnimi nastavitvami in primerjajte rezultate modela, da vidite, kateri model najbolje ustreza vašim poslovnim potrebam.

Nasvet

Preizkusite CLV predvidevanje z vzorčnim priročnikom za vzorčne podatke: Vrednost življenjske dobe stranke (CLV) predvidevanje.

Zahteve

  • Vsaj sodelavec dovoljenja
  • Vsaj 1.000 profilov strank v želenem oknu predvidevanje
  • Identifikator stranke je enolični identifikator za usklajevanje transakcij s posamezno stranko
  • Vsaj eno leto zgodovine transakcij, po možnosti dve do tri leta. V idealnem primeru vsaj dve do tri transakcije na ID stranke, po možnosti na več datumov. Zgodovina transakcij mora vključevati:
    • ID transakcije: enolični identifikator vsake transakcije
    • Datum transakcije: datum ali časovni žig vsake transakcije
    • Znesek transakcije: denarna vrednost (na primer prihodki ali stopnja dobička) vsake transakcije
    • Oznaka, dodeljena vračilom: logična vrednost true/false, ki označuje, ali je transakcija donos
    • ID izdelka: ID izdelka izdelka, vključenega v transakcijo
  • Podatki o aktivnostih strank:
    • Primarni ključ: enolični identifikator za dejavnost
    • Časovni žig: datum in čas dogodka, ki ju določa primarni ključ
    • Dogodek (ime dejavnosti): ime dogodka, ki ga želite uporabiti
    • Podrobnosti (znesek ali vrednost): Podrobnosti o dejavnosti stranke
  • Dodatni podatki, kot so:
    • Spletne dejavnosti: zgodovina obiskov spletnega mesta ali zgodovina e-pošte
    • Dejavnosti zvestobe: zgodovina obračunavanja in unovčenja nagradnih točk zvestobe
    • Storitve za stranke dnevnik: Zgodovina klicev storitve, pritožb ali vračil
    • Podatki o profilu stranke
  • V obveznih poljih manjka manj kot 20 % vrednosti

opomba,

Konfigurirati je mogoče samo eno tabelo zgodovine transakcij. Če je na voljo več tabel za nakup ali transakcij, jih Power Query združite pred vnosom podatkov.

Ustvarjanje predvidevanja življenjske vrednosti stranke

Kadar koli izberite Shrani osnutek, da shranite predvidevanje kot osnutek . Osnutek predvidevanje je prikazan na zavihku Moje napovedi .

  1. Pojdite na Predvidevanja> vpogledov.

  2. Na zavihku Ustvari izberite Uporabi model na ploščici Vrednost življenjske dobe stranke.

  3. Izberite Začetek.

  4. Poimenujte ta model in ime izhodne tabele , da ju ločite od drugih modelov ali tabel.

  5. Izberite Naprej.

Opredelitev nastavitev modela

  1. Nastavite časovno obdobje # predvidevanje, da določite, kako daleč v prihodnost želite predvideti CLV. Privzeto je enota nastavljena na mesece.

    Nasvet

    Za natančno napovedovanje CLV za določeno časovno obdobje je potrebno primerljivo obdobje preteklih podatkov. Če želite na primer napovedati CLV za naslednjih 12 mesecev, imejte vsaj 18–24 mesecev zgodovinskih podatkov.

  2. Nastavite časovni okvir, v katerem mora imeti stranka vsaj eno transakcijo, da se šteje za aktivno stranko. Model napoveduje CLV samo za aktivne stranke.

    • Naj model izračuna interval nakupa (priporočeno): model analizira vaše podatke in določi časovno obdobje na podlagi preteklih nakupov.
    • Ročno nastavite interval: časovno obdobje za opredelitev aktivne stranke.

  3. Določite percentil stranke z visoko vrednostjo.

    • Izračun modela (priporočeno): Model uporablja pravilo 80/20. Delež strank, ki so v preteklem obdobju ustvarile 80-odstotni kumulativni prihodek za vaše podjetje, se šteje za stranke z visoko vrednostjo. Običajno manj kot 30–40 % kupcev prispeva k 80 % skupnega prihodka. Vendar se ta številka lahko razlikuje glede na vaše podjetje in panogo.
    • Odstotek najbolj aktivnih strank: specifičen percentil za stranko z visoko vrednostjo. Vnesite na primer 25, da stranke z visoko vrednostjo opredelite kot 25 % najboljših prihodnjih plačljivih strank.

    Če vaše podjetje definira stranke z visoko vrednostjo na drugačen način, nam sporočite, kot bi radi slišali.

  4. Izberite Naprej.

Dodajanje zahtevanih podatkov

  1. Izberite Dodaj podatke za zgodovino transakcij strank.

  2. Izberite semantično vrsto dejavnosti,SalesOrder ali SalesOrderLine , ki vsebuje zgodovino transakcij. Če dejavnost ni nastavljena, izberite tukaj in jo ustvarite.

  3. Če so bili v razdelku Dejavnosti atributi dejavnosti semantično preslikani, ko je bila dejavnost ustvarjena, izberite določene atribute ali tabelo, na katero želite, da se izračun osredotoči. Če do semantične preslikave ni prišlo, izberite Uredi in preslikajte podatke.

    Dodajanje zahtevanih podatkov za model CLV

  4. Izberite Naprej in preglejte atribute, potrebne za ta model.

  5. Izberite možnost Shrani.

  6. Dodajte več dejavnosti ali izberite Naprej.

Dodajanje izbirnih podatkov o dejavnosti

Podatki, ki odražajo interakcije ključnih strank (na primer dnevnike za splet, storitve za stranke in dogodke), dodajo kontekst zapisom transakcij. Dodatni vzorci, ki jih najdete v podatkih o dejavnostih vaših strank, lahko izboljšajo natančnost predvidevanja.

  1. Izberite Dodaj podatke pod možnostjo Povečaj vpoglede modela z dodatnimi podatki o dejavnosti.

  2. Izberite vrsto dejavnosti, ki se ujema z vrsto dejavnosti stranke, ki jo dodajate. Če dejavnost ni nastavljena, izberite tukaj in jo ustvarite.

  3. Če so bili v razdelku Dejavnosti atributi dejavnosti preslikani, ko je bila dejavnost ustvarjena, izberite določene atribute ali tabelo, na katero želite, da se izračun osredotoči. Če do preslikave ni prišlo, izberite Uredi in preslikajte podatke.

  4. Izberite Naprej in preglejte atribute, potrebne za ta model.

  5. Izberite možnost Shrani.

  6. Izberite Naprej.

  7. Dodajte izbirne podatke o strankah ali izberite Naprej in pojdite na Nastavitev urnika posodobitev.

Dodajanje izbirnih podatkov o strankah

Izberite med 18 pogosto uporabljenimi atributi profila stranke, ki jih želite vključiti kot vhodni podatek za model. Ti atributi lahko vodijo do bolj prilagojenih, ustreznih in izvedljivih rezultatov modela za vaše poslovne primere uporabe.

Na primer: Contoso Coffee želi predvideti življenjsko vrednost strank, da bi lahko ciljal na kupce z visoko vrednostjo s prilagojeno ponudbo, povezano z lansiranjem njihovega novega aparata za espresso. Contoso uporablja model CLV in doda vseh 18 atributov profila strank, da vidi, kateri dejavniki vplivajo na njihove stranke z najvišjo vrednostjo. Ugotavljajo, da je lokacija strank najbolj vpliven dejavnik za te stranke. S temi informacijami organizirajo lokalni dogodek za lansiranje aparata za espresso in sodelujejo z lokalnimi prodajalci za prilagojene ponudbe in posebno doživetje na dogodku. Brez teh podatkov je Contoso morda pošiljal samo splošna trženjska e-poštna sporočila in zamudil priložnost prilagajanja za ta lokalni segment svojih strank z visoko vrednostjo.

  1. Izberite Dodaj podatke v razdelku Izboljšaj vpoglede modela še dodatno z dodatnimi podatki o strankah.

  2. Za Tabela izberite Stranka: Customer Insights , da izberete poenoten profil stranke, ki se preslika v podatke atributov stranke. Za funkcijo Customer ID izberite System.Customer.CustomerId.

  3. Preslikajte več polj, če so podatki na voljo v poenotenih profilih strank.

    Primer preslikanih polj za podatke profila stranke.

  4. Izberite možnost Shrani.

  5. Izberite Naprej.

Nastavitev urnika posodobitev

  1. Izberite frekvenco za ponovno usposabljanje modela na podlagi najnovejših podatkov. Ta nastavitev je pomembna za posodobitev natančnosti predvidevanj, ko se vnesejo novi podatki. Večina podjetij se lahko prekvalificira enkrat na mesec in pridobi dobro natančnost svojih predvidevanj.

  2. Izberite Naprej.

Pregled in zagon konfiguracije modela

V koraku Pregled in zagon je prikazan povzetek konfiguracije in možnost spreminjanja, preden ustvarite predvidevanje.

  1. Izberite Uredi v katerem koli od korakov, da pregledate in naredite spremembe.

  2. Če ste zadovoljni z izbranimi možnostmi, izberite Shrani in zaženi , da začnete izvajati model. Izberite Dokončano. Zavihek Moje predvidevanja se prikaže, ko ustvarjate predvidevanje. Postopek lahko traja več ur, odvisno od količine podatkov, uporabljenih v predvidevanju.

Nasvet

Obstajajo stanja za naloge in procese . Večina procesov je odvisna od drugih predhodnih postopkov, kot so viri podatkov in osveževanje profiliranjapodatkov.

Izberite stanje, da odprete podokno s podrobnostmi o napredku in si ogledate napredek opravil. Če želite preklicati opravilo, izberite Prekliči posel na dnu podokna.

Pod vsakim opravilom lahko izberete Prikaži podrobnosti za več informacij o napredku, kot so čas obdelave, datum zadnje obdelave ter morebitne veljavne napake in opozorila, povezana z opravilom ali procesom. Izberite stanje Ogled sistema na dnu plošče, če si želite ogledati druge procese v sistemu.

Oglejte si rezultate predvidevanje

  1. Pojdite na Predvidevanja> vpogledov.

  2. Na zavihku Moja predvidevanja izberite predvidevanje, ki si ga želite ogledati.

Na strani z rezultati so trije primarni razdelki podatkov.

  • Učinkovitost modela vadbe: razredi A, B ali C označujejo uspešnost predvidevanje in vam lahko pomagajo pri odločitvi za uporabo rezultatov, shranjenih v izhodni tabeli.

    Slika polja z informacijami o rezultatih modela z oceno A.

    Sistem ocenjuje, kako uspešen je model umetne inteligence pri napovedovanju strank z visoko vrednostjo v primerjavi z osnovnim modelom.

    Ocene so določene na podlagi naslednjih pravil:

    • O, ko je model natančno napovedal vsaj 5% več kupcev visoke vrednosti v primerjavi z osnovnim modelom.
    • B , ko je model natančno napovedal med 0-5% več kupcev visoke vrednosti v primerjavi z osnovnim modelom.
    • C , ko je model natančno napovedal manj kupcev visoke vrednosti v primerjavi z osnovnim modelom.

    Izberite Več informacij o tej oceni , da odprete podokno Ocenjevanje modela, v katerem so prikazane dodatne podrobnosti o učinkovitosti delovanja modela umetne inteligence in osnovnem modelu. To vam bo pomagalo bolje razumeti osnovne meritve učinkovitosti modela in kako je bila izpeljana končna ocena učinkovitosti modela. Osnovni model uporablja pristop, ki ne temelji na umetni inteligenci, za izračun življenjske vrednosti strank, ki temelji predvsem na preteklih nakupih, ki jih opravijo stranke.

  • Vrednost strank po percentilu: stranke z majhno vrednostjo in visoko vrednostjo so prikazane v grafikonu. Premaknite miškin kazalec nad vrstice v histogramu, da si ogledate število strank v vsaki skupini in povprečno CLV te skupine. Po želji lahko ustvarite segmente strank na podlagi njihovih napovedi CLV.

    Vrednost kupcev po percentilu za model CLV

  • Najvplivnejši dejavniki: Pri ustvarjanju vašega CLV predvidevanje se upoštevajo različni dejavniki na podlagi vhodnih podatkov, ki so na voljo modelu AI. Za vsakega od dejavnikov je izračunan pomen za združena predvidevanja, ki jih ustvari model. Uporabite te dejavnike za pomoč pri preverjanju rezultatov predvidevanje. Ti dejavniki omogočajo tudi večji vpogled v najvplivnejše dejavnike, ki so prispevali k predvidevanju življenjske vrednosti stranke za vse vaše stranke.

    Najvplivnejši dejavniki za model CLV

Več informacij o rezultatu

Standardna formula, ki se uporablja za izračun življenjske vrednosti strank v osnovnem modelu:

CLV za vsako stranko = povprečni mesečni nakup, ki ga kupec opravi v aktivnem oknu stranke * Število mesecev v obdobju CLV predvidevanje * Splošna stopnja zadržanja vseh strank

Model umetne inteligence se primerja z osnovnim modelom na podlagi dveh meritev uspešnosti modela.

  • Stopnja uspešnosti pri napovedovanju strank z visoko vrednostjo

    Oglejte si razliko pri napovedovanju kupcev z visoko vrednostjo z uporabo modela umetne inteligence v primerjavi z osnovnim modelom. 84-odstotna stopnja uspešnosti na primer pomeni, da je od vseh strank z visoko vrednostjo v podatkih za usposabljanje model umetne inteligence lahko natančno zajel 84 % strank. Nato to stopnjo uspešnosti primerjamo s stopnjo uspešnosti osnovnega modela, da poročamo o relativni spremembi. Ta vrednost se uporablja za dodelitev ocene modelu.

  • Meritve napak

    Oglejte si splošno uspešnost modela v smislu napak pri napovedovanju prihodnjih vrednosti. Za oceno te napake uporabljamo meritev korena povprečne kvadratne napake (RMSE). Meritev RMSE je standardni način merjenja napak modela pri predvidevanju kvantitativnih podatkov. Meritev RMSE modela umetne inteligence se primerja z meritvijo RMSE osnovnega modela, poročana pa je relativna razlika.

Model umetne inteligence daje prednost natančnemu razvrščanju strank glede na vrednost, ki jo prinašajo podjetju. Tako se za pridobitev končne ocene modela uporablja le stopnja uspešnosti predvidevanja strank z visoko vrednostjo. Meritev RMSE je občutljiva na odstopanja. V primerih, ko imate majhen delež strank z izjemno visokimi vrednostmi nakupa, splošna meritev RMSE morda ne zagotovi celotne slike o uspešnosti modela.