Что такое пожизненная ценность клиента (CLV)?

Пожизненная ценность клиента (CLV) — это важный показатель, используемый в индустрии электронной коммерции для принятия разумных инвестиционных решений в области маркетинга и выявления/воспитания ценных клиентов. Основная цель измерения CLV — улучшить следующие ключевые показатели;

  1. средняя частота покупок клиента
  2. средний размер заказа
  3. скорость оттока клиента

Как поможет измерение CLV?

Прогноз CLV помогает выявлять и развивать наиболее ценных клиентов, чтобы повысить среднюю частоту покупок и размер заказа. Как только клиенты с высоким риском определены (отток), можно контролировать средства, которые тратятся на удержание клиентов с высоким риском.

Набор данных/функции

Важными требуемыми классами данных являются демографические данные клиентов, история покупок, история возвратов и журналы сеансов веб-приложений.

Некоторые из важных особенностей, которые следует учитывать, заключаются в следующем;

  1. Количество заказов, стандартное отклонение дат заказа, общее количество заказанных товаров, заказы за последний квартал, средняя дата заказа, общая стоимость заказа
  2. Количество сеансов в последнем квартале, Дней с момента последнего заказа, Дней с момента последнего сеанса, Стандартное отклонение дат сеанса, Дней между первым и последним сеансом, Количество сеансов, Средняя дата сеанса, Количество сеансов в предыдущем квартале
  3. Количество товаров из новой коллекции, Количество сохраненных товаров, Количество просмотренных товаров, Количество дней с момента первого заказа в прошлом году, Чистые продажи, Страна, Стаж работы с клиентами, Возраст

Алгоритм

Прогноз оттока — это проблема классификации, а прогноз ценности жизни клиента — проблема регрессии. Random Forest можно использовать как для классификации оттока, так и для регрессии CLV.

Системная архитектура высокого уровня

Архитектура высокого уровня системы прогнозирования CLV включает в себя 5 компонентов, а именно обработку данных, создание характеристик клиента, обучение, калибровку и презентацию.

  1. Обработка данных
  • Предварительная обработка данных: необработанные данные будут обрабатываться в хранилище данных.
  • Обработанные данные: обработанные данные будут храниться в хранилище BLOB-объектов Microsoft Azure.

2. Генерация характеристик клиента

Обработанные данные будут использоваться для создания функций ручной работы в кластерах Spark. Сеансы веб-приложений будут использоваться для создания клиентских вложений в Tensorflow.

  • Созданный вручную генератор функций работает на Apache Spark.
  • Машины с графическим процессором, на которых работает Tensorflow, можно использовать в качестве генератора встраивания клиента.

3. Обучение

Модель можно обучать в 2 этапа с помощью пайплайна Apache Spark ML.

Этап 1. Предварительно обрабатывает функции и обучает случайные леса для классификации оттока и регрессии CLV на процентили.

Этап 2. Выполняет калибровку и сопоставляет процентили с реальными значениями.

4. Калибровка

Настоятельно рекомендуется выполнить калибровку, чтобы мы могли создать надежную модель для существования выбросов.

5. Презентация

Наконец, прогнозы будут представлены в ряде бизнес-систем, которые могут запускать персонализированные стратегии взаимодействия.

Показатель эффективности

Показатели, упомянутые ниже, помогают измерить эффективность модели.

  • Для прогнозов CLV — Коэффициенты ранговой корреляции Спирмена
  • Для прогнозов оттока — Площадь под кривой рабочей характеристики приемника (AUC)

Надеюсь, вам понравилось читать эту статью. Не стесняйтесь писать свои предложения и рекомендации на [email protected]

#CLV #CLTV #CustomerLifeTimeValue