Förutsäga kundens livslängdsvärde (CLV)

Förutsäga potentiellt värde (intäkter) som enskilda aktiva kunder kommer att ta in i ditt företag under en definierad framtida tidsperiod. Den här förutsägelsen hjälper dig att:

• Identifiera kunder med högt värde och bearbeta den här insikten.
• Skapa strategiska kundsegment baserat på deras potentiella värde för att köra anpassade kampanjer med riktad försäljning, marknadsföring och supportarbete.
• Vägleda produktutveckling genom att fokusera på funktioner som ökar kundvärdet.
• Optimera sälj- eller marknadsföringsstrategin och allokera budgeten mer exakt för kunduppsökande verksamhet.
• Identifiera och belöna kunder med högt värde genom lojalitets- eller belöningsprogram.

Ta reda på vad CLV betyder för ditt företag. Vi stöder transaktionsbaserad CLV-förutsägelse. Kundens förutsagda värde baseras på historiken för affärstransaktioner. Överväg att skapa flera modeller med varierande indatainställningar och jämföra modellresultat för att se vilket modellscenario som passar bäst för dina affärsbehov.

Sammanfattning av datakrav

Vanliga datakrav för alla förutsägelsemodeller finns i Datakrav för förutsägelsemodeller.

Förutsättningar

• Minst deltagarbehörigheter
• Minst 1 000 kundprofiler i det önskade prognosfönstret
• Kundidentifierare, en unik identifierare som matchar transaktioner till en enskild kund
• Minst ett års transaktionshistorik, helst två till tre år. Helst minst två till tre transaktioner per kund-ID, helst över flera datum. Transaktionshistoriken måste innehålla:
  • Transaktions-ID: Unik identifierare för varje transaktion
  • Transaktionsdatum: Datum- eller tidsstämpel för varje transaktion
  • Transaktionsbelopp: Monetärt värde (till exempel intäkter eller vinstmarginal) för varje transaktion
  • Etikett tilldelad till returer: Booleskt värde som anger om transaktionen är en retur
  • Produkt-ID: Produkt-ID för produkten som ingår i transaktionen
• Data om kundaktiviteter:
  • Primärnyckel: Unik identifierare för en aktivitet
  • Tidsstämpel: Datum och tid för händelsen som identifieras av den primära nyckeln
  • Händelse (aktivitetsnamn): Namnet på händelsen som du vill använda
  • Information (belopp eller värde): Information om kundaktiviteten
• Ytterligare data, till exempel:
  • Webbaktiviteter: Webbplatsens besökshistorik eller e-posthistorik
  • Lojalitetsaktiviteter: Intjänande och inlösenhistorik av lojalitetspoäng
  • Kundtjänstlogg: Servicesamtal, klagomål eller returhistorik
  • Kundprofilinformation
• Mindre än 20% saknade värden i obligatoriska fält

Skapa en förutsägelse för kundens livslängdsvärde

Välj Spara utkast när som helst för att spara förutsägelsen som ett utkast. Förutsägelseutkastet visas i fliken Mina förutsägelser.

1. Gå till Insikter>Prediktioner.

2. På fliken Skapa väljer du Använd modell på panelen Kundens livslängdsvärde .

3. Välj Kom igång.

4. Ge modellen och utdatatabellen ett namn för att särskilja dem från andra modeller eller tabeller.

5. Välj Nästa.

Definiera modellinställningar

1. Ange en förutsägelsetidsperiod för att definiera hur långt in i framtiden du vill förutsäga CLV. Som standard anges enheten som månader.

   Tip

   För att exakt förutsäga CLV för den angivna tidsperioden krävs en jämförbar period med historiska data. Om du till exempel vill förutsäga CLV för de kommande 12 månaderna har du minst 18–24 månaders historiska data.

2. Ange den tidsram inom vilken en kund måste ha haft minst en transaktion för att betraktas som aktiv. Modellen förutsäger endast CLV för aktiva kunder.

   • Låt modellen beräkna inköpsintervall (rekommenderas): Modellen analyserar dina data och fastställer en tidsperiod baserat på historiska inköp.
   • Ange intervall manuellt: Tidsperiod för din definition av en aktiv kund.

3. Definiera percentilen för högvärdeskund.

   • Modellberäkning (rekommenderas): Modellen använder 80/20-regeln. Procentandelen kunder som bidrog till 80% ackumulerade intäkter för ditt företag under den historiska perioden anses vara kunder med högt värde. Vanligtvis bidrar mindre än 30–40% kunder till 80% ackumulerade intäkter. Det här antalet kan dock variera beroende på ditt företag och din bransch.
   • Procent av de mest aktiva kunderna: Specifik percentil för en kund med högt värde. Ange till exempel 25 för att definiera kunder med högt värde som de 25 främsta% av framtida betalande kunder.

   Om ditt företag definierar kunder med högt värde på ett annat sätt kan du berätta för oss som vi gärna vill höra.

4. Välj Nästa.

Lägg till obligatoriska data

1. Välj Lägg till data för kundens transaktionshistorik.

2. Välj den semantiska aktivitetstyp, SalesOrder eller SalesOrderLine, som innehåller transaktionshistoriken. Om aktiviteten inte har konfigurerats väljer du här och skapar den.

3. Under Aktiviteter, om aktivitetsattributen var semantiskt mappade när aktiviteten skapades, välj de specifika attributen eller tabeller som du vill att beräkningen ska fokusera på. Om semantisk mappning inte uppstod väljer du Redigera och mappa dina data.

   

4. Välj Nästa och granska de attribut som krävs för den här modellen.

5. Välj Spara.

6. Lägg till fler aktiviteter eller välj Nästa.

Lägga till valfria aktivitetsdata

Data som återspeglar viktiga kundinteraktioner (till exempel webb, kundtjänst och händelseloggar) lägger till kontext till transaktionsposter. Fler mönster som finns i dina kundaktivitetsdata kan förbättra precisionen i förutsägelserna.

1. Välj Lägg till data under Boost model insights with additional activity data (Öka modellinsikter med ytterligare aktivitetsdata).

2. Välj en aktivitetstyp som matchar den typ av kundaktivitet som du lägger till. Om aktiviteten inte har konfigurerats väljer du här och skapar den.

3. Under Aktiviteter, om aktivitetsattributen mappades när aktiviteten skapades, väljer du de specifika attribut eller tabeller som du vill att beräkningen ska fokusera på. Om det inte gick att mappa väljer du Redigera och mappar dina data.

4. Välj Nästa och granska de attribut som krävs för den här modellen.

5. Välj Spara.

6. Välj Nästa.

7. Lägg till valfria kunddata eller välj Nästa och gå till Ange uppdateringsschema.

Lägga till valfria kunddata

Välj bland 18 vanliga kundprofilattribut som ska inkluderas som indata till modellen. Dessa attribut kan leda till mer anpassade, relevanta och åtgärdsbara modellresultat för dina affärsanvändningsfall.

Till exempel: Contoso Coffee vill förutsäga kundens livslängdsvärde för att rikta in sig på kunder med högt värde med ett personligt erbjudande relaterat till lanseringen av deras nya espressomaskin. Contoso använder CLV-modellen och lägger till alla 18 kundprofilattribut för att se vilka faktorer som påverkar deras kunder med högst värde. De tycker att kundens plats är den mest inflytelserika faktorn för dessa kunder. Med denna information organiserar de ett lokalt evenemang för lanseringen av espressomaskinen och samarbetar med lokala leverantörer för personliga erbjudanden och en speciell upplevelse vid evenemanget. Utan den här informationen kanske Contoso bara har skickat generiska marknadsföringsmeddelanden och missat möjligheten att anpassa för det här lokala segmentet av sina kunder med högt värde.

1. Välj Lägg till data under Öka modellinsikter ytterligare med ytterligare kunddata.

2. För Tabell väljer du Kund: CustomerInsights för att välja den enhetliga kundprofil som mappar till kundattributdata. För Kund-ID väljer du System.Customer.CustomerId.

3. Mappa fler fält om data är tillgängliga i dina enhetliga kundprofiler.

   

4. Välj Spara.

5. Välj Nästa.

Ange uppdateringsschema

1. Välj frekvensen för att träna om din modell baserat på de senaste data. Den här inställningen är viktig för att uppdatera precisionen för förutsägelser när nya data matas in. De flesta företag kan träna om en gång i månaden och få en god exakthet för sina förutsägelser.

2. Välj Nästa.

Granska och köra modellkonfigurationen

Steget Granska och kör visar en sammanfattning av konfigurationen och ger en chans att göra ändringar innan du skapar förutsägelsen.

1. Välj Redigera på något av stegen för att granska och göra eventuella ändringar.

2. Om du är nöjd med dina val väljer du Spara och kör för att börja köra modellen. Välj Klar. Fliken Mina förutsägelser visas medan förutsägelsen skapas. Det kan ta flera timmar att slutföra processen beroende på mängden data som används i förutsägelsen.

Visa förutsägelsens resultat

1. Gå till Insikter>Prediktioner.

2. På fliken Mina förutsägelser, välj den förutsägelse du vill visa.

Det finns tre primära dataavsnitt på resultatsidan.

• Prestanda för övningsmodell: Betyget A, B eller C indikerar prestandan för förutsägelsen och kan hjälpa dig att fatta beslutet att använda de resultat som är lagrade i utdatatabellen.

  

  Systemet utvärderar hur AI-modellen presterade när det gäller att förutsäga kunder med högt värde jämfört med en baslinjemodell.

  Betyg fastställs utifrån följande regler:

  • A när modellen förutsade minst 5% fler kunder med högt värde jämfört med baslinjemodellen.
  • B när modellen korrekt förutsade mellan 0–5% fler kunder med högt värde jämfört med baslinjemodellen.
  • C när modellen exakt förutsade färre kunder med högt värde jämfört med baslinjemodellen.

  Välj Läs mer om den här poängen för att öppna fönstret Modellklassificering som visar ytterligare information om AI-modellens prestanda och baslinjemodellen. Det hjälper dig att bättre förstå de underliggande modellprestandamåtten och hur den slutliga modellens prestandagrad härleddes. Baslinjemodellen använder en icke-AI-baserad metod för att beräkna kundens livslängdsvärde baserat främst på historiska inköp som gjorts av kunder.

• Kundernas värde efter percentil: Kunder med lågt värde och högt värde visas i ett diagram. Håll markören över staplarna i histogrammet om du vill se antalet kunder i varje grupp och det genomsnittliga kundlivstidsvärdet för gruppen. Du kan också skapa segment av kunder baserat på deras CLV-förutsägelser.

  

• Mest inflytelserika faktorer: Olika faktorer beaktas när du skapar din CLV-förutsägelse baserat på indata som tillhandahålls till AI-modellen. Var och en av faktorerna har sin betydelse beräknad för de aggregerade förutsägelser som en modell skapar. Använd dessa faktorer för att verifiera dina förutsägelseresultat. Dessa faktorer ger också mer insikt om de mest inflytelserika faktorerna som bidrog till att förutsäga CLV för alla dina kunder.

  

Läs mer om poängen

Standardformeln som används för att beräkna CLV med baslinjemodellen:

CLV för varje kund = Genomsnittligt månadsköp per kund i det aktiva kundfönstret * Antal månader under CLV-prognosperioden * Alla kunders totala kvarhållningsgrad

AI-modellen jämförs med baslinjemodellen baserat på två modellprestandamått.

• Framgångsgrad i att identifiera högt värderade kunder

  Se skillnaden i att förutsäga kunder med högt värde som använder AI-modellen jämfört med baslinjemodellen. Till exempel innebär 84% framgångsfrekvens att AI-modellen kunde samla in 84%av alla kunder med högt värde i träningsdata. Vi jämför sedan den här framgångsfrekvensen med framgångsgraden för baslinjemodellen för att rapportera den relativa ändringen. Det här värdet används för att tilldela modellen ett betyg.

• Felmetrik

  Se modellens övergripande prestanda när det gäller fel vid förutsägande av framtida värden. Vi använder det övergripande RMSE-måttet (Root Mean Squared Error) för att utvärdera det här felet. RMSE är ett standard sätt att mäta felet för en modell när det gäller att förutsäga kvantitativa data. AI-modellens RMSE jämförs med RMSE för baslinjemodellen och den relativa skillnaden rapporteras.

AI-modellen prioriterar den korrekta rangordningen av kunder efter det värde de tillför ditt företag. Så endast framgångsgraden för att förutsäga kunder med högt värde används för att härleda den slutliga modellklassen. RMSE-måttet är känsligt för extremvärden. I scenarier där du har en liten andel kunder med utomordentligt höga inköpsvärden kanske det övergripande RMSE-måttet inte ger en fullständig bild av modellens prestanda.