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;
- средняя частота покупок клиента
- средний размер заказа
- 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;
- Количество заказов, стандартное отклонение дат заказа, общее количество заказанных товаров, заказы за последний квартал, средняя дата заказа, общая стоимость заказа
- 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
- 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.
- 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