客戶存留期值 (CLV) 預測範例指南

文章
07/06/2022

本指南以範例逐步說明如何在 Customer Insights 中使用範例資料預測使用者存留期值 (CLV)。

案例

Contoso 是一家公司，生產高品質的咖啡及咖啡機。透過 Contoso Coffee 網站銷售產品。公司想要了解他們的客戶在未來 12 個月所能生成的價值 (營收)。知道客戶在接下來的 12 個月中的預期價值，將可讓他們將行銷活動導向價值最高的客戶。

先決條件

至少有 Customer Insights 中的參與者權限。
我們建議您在新環境中執行下列步驟。

任務 1 - 內嵌資料

檢閱關於資料擷取和使用 Power Query 連接器匯入資料來源的文章。下列資訊假定您大體上已熟悉內嵌資料。

從電子商務平台內嵌客戶資料

建立名為 電子商務 的資料來源，選擇匯入選項並選取 Text/CSV 連接器。
在電子商務連絡人輸入 URL https://aka.ms/ciadclasscontacts。
編輯資料時選取轉換，接著 使用第一行做為標頭。
更新下列欄位的資料類型：
- DateOfBirth：日期
- CreatedOn：日期/時間/時區
請在右側窗格的 '名稱' 欄位中將您的資料來源從查詢重新命名為 eCommerceContacts
儲存資料來源。

內嵌線上購買資料

將另一個資料集新增到同一個 電子商務 資料來源。再選擇一次 文字/CSV 連接器。
輸入 線上購買 資料 URL https://aka.ms/ciadclassonline。
編輯資料時選取轉換，然後 使用第一行做為標頭。
更新下列欄位的資料類型：
- PurchasedOn：日期/時間
- TotalPrice：貨幣
請在側邊窗格的名稱欄位中將您的資料來源從查詢重新命名為 eCommercePurchases。
儲存資料來源。

從忠實結構描述內嵌客戶資料

建立稱為 LoyaltyScheme 的資料來源，選擇匯入選項並選取 文字/CSV 連接器。
輸入電子商務連絡人 URL https://aka.ms/ciadclasscustomerloyalty。
編輯資料時選取轉換，然後 使用第一行做為標頭。
更新下列欄位的資料類型：
- DateOfBirth：日期
- RewardsPoints: 整數
- CreatedOn：日期/時間
請在右側窗格的名稱欄位中將您的資料來源從查詢重新命名為 loyCustomers。
儲存資料來源。

從網站審查中內嵌客戶資料

建立稱為網站的資料來源，選擇匯入選項並選取 文字/CSV 連接器。
輸入電子商務連絡人 URL https://aka.ms/CI-ILT/WebReviews。
編輯資料時選取轉換，然後 使用第一行做為標頭。
更新下列欄位的資料類型：
- ReviewRating：十進位數字
- ReviewDate：日期
在右窗格的'名稱'欄位中，將您的資料來源從查詢重新命名為檢閱。
儲存資料來源。

任務 2 - 資料統整

內嵌資料之後，請開始進行資料整合程序，建立整合的客戶個人資料。如需更多資訊，請見資料統整。

選取來源欄位

內嵌資料後，將電子商務的聯絡人與忠誠度資料對應到常用資料類型。請前往資料 > 整合。
選取代表客戶設定檔的實體 – eCommerceContacts 和 loyCustomers。
選取 ContactId 做為 eCommerceContacts 主鍵，而 LoyaltyID 做為 loyCustomers 主鍵。
選取 下一步。略過重複資料記錄，然後選取 下一步。

比對條件

選擇 eCommerceContacts : eCommerce 作為主要實體，並包含所有的記錄。
選擇 loyCustomers : LoyaltyScheme，並包含所有的記錄。
加入規則：
- 請為 eCommerceContacts 和 loyCustomers 選取 FullName。
- 選取 類型 (電話、名稱、位址、...) 以進行 標準化。
- 設定 精密等級：基本與值：高。
- 輸入 FullName, Email 的名稱。
對電子郵件地址新增第二個條件：
- 請為 eCommerceContacts 和 loyCustomers 選取 Email。
- 保留正規化空白。
- 設定 精密等級：基本與值：高。
選取完成。
選取 下一步。

整合欄位

將 loyCustomers 實體的 ContactId 重新命名為 ContactIdLOYALTY，以將它與其他識別碼內嵌區分開來。
選取 下一步 以進行審查，然後選取 建立客戶個人資料。

工作 3 - 設定客戶存留期值預測

透過整合客戶個人資料，我們現在可以執行客戶存留期值預測。如需詳細步驟，請參閱客戶存留期值預測。

移至智慧 > 預測，然後選取 客戶存留期值模型。
瀏覽側邊窗格中的資訊，然後選取 開始使用。
將模型命名為 OOB 電子商務 CLV 預測 和輸出實體 OOBeCommerceCLVPrediction。
為 CLV 模型定義模型喜好設定：
- 預測時間間隔：12 個月或 1 年。這個設定定義要預測客戶存留期值到未來多遠。
- 活躍客戶：指定業務活躍客戶的平均。設定歷史時間範圍，其中客戶必須至少有一個交易被視為有效。此模型只能預測活躍的客戶 CLV。選擇讓模型根據歷史交易記錄資料計算時間間隔，或選擇提供指定的時間範圍。在本範例指南中，我們 讓模型計算採購間隔，這是預設選項。
- 高價值客戶：定義高價值的客戶是前百分之幾的付費客戶。模型使用此輸入，以您商務定義上的高價值客戶提供結果。您可以選擇讓模型定義高價值客戶。它使用能產生百分位數的啟發性規則。您可以定義定義高價值的客戶是前百分之幾的未來付費客戶。在本範例指南中，我們手動將高價值的客戶定義為 前 30% 的活躍付費客戶，並選取 下一步。
在 必要的資料 步驟，選取 新增資料 以提供交易歷史資料。
新增 eCommercePurchases : eCommerce 實體，並對應模型所需的屬性：
- 交易識別碼：eCommerce.eCommercePurchases.PurchaseId
- 交易日期：eCommerce.eCommercePurchases.PurchasedOn
- 交易金額：eCommerce.eCommercePurchases.TotalPrice
- 產品識別碼：eCommerce.eCommercePurchases.ProductId
選取 下一步。
設定 eCommercePurchases : eCommerce 實體和 eCommerceContacts : eCommerce 之間的關聯。
其他資料 (可選) 步驟可讓您新增更多的客戶活動資料。這項資料可協助您深入解析客戶與您的業務間的互動，這可能會對 CLV 有貢獻。新增關鍵的客戶互動 (例如 web 日誌、客戶服務記錄或獎勵計劃歷史記錄) 可以改善預測的準確性。選取 新增資料 以包括更多客戶活動資料。
新增客戶活動實體，並將其欄位名稱對應至模型所需的對應欄位：
- 客戶活動實體：Reviews:Website
- 主索引鍵：Website.Reviews.ReviewId
- 時間戳記：Website.Reviews.ReviewDate
- 事件 (活動名稱)：Website.Reviews.ActivityTypeDisplay
- 詳細資料 (金額或值)：Website.Reviews.ReviewRating
選取 下一步，然後設定交易資料與客戶資料間的活動與關聯：
- 活動類型：選擇現有
- 活動標籤：檢閱
- 對應的標籤：Website.Reviews.UserId
- 客戶實體：eCommerceContacts:eCommerce
- 關聯：WebsiteReviews
選取 下一步 以設定模型排程。

模型需要定期進行定型，在擷取到新的資料時，學習新的模式。在這個範例中，請選擇每月。
檢閱所有詳細資料後，請選取 儲存和執行。

任務 4 - 評論模型結果和解釋

讓模型完成資料的定型與計分。接下來，您可以檢閱 CLV 模型結果和解釋。如需更多資訊，請見評論預測狀態和結果。

工作 5 - 建立高價值客戶的客戶細分

執行模型會建立新的實體，列在資料 > 實體中。您可以依據模型所建立的實體來建立新的客戶細分。

前往區段。
選取新增並選擇 從...建立 > 智慧。
選取 OOBeCommerceCLVPrediction 實體並定義客戶細分：

欄位：CLVScore
運算子：大於
值：1500

選取檢閱並儲存客戶細分。

您現在有一個客戶細分，能識別出接下來的 12 個月中，預計生成超過 $1500 營收的客戶。若擷取更多的資料，則會動態更新此分段。

如需詳細資訊，請參閱建立和管理客戶細分。