Exempelguide för kundens livslängdsvärde (CLV)

Den här guiden vägleder dig genom ett exempel från slutpunkt till slutpunkt på CLV-förutsägelse (Customer Lifetime Value) i Dynamics 365 Customer Insights – Data med hjälp av exempeldata. Vi rekommenderar att du provar denna prediktion i en ny miljö.

Scenario

Contoso är ett företag som tillverkar kaffe och kaffeautomater av hög kvalitet. De säljer produkterna via Contoso Coffees webbplats. Företaget vill förstå det värde (intäkter) som deras kunder kan generera under de kommande 12 månaderna. Att känna till det förväntade värdet för sina kunder under de kommande 12 månaderna hjälper dem att styra sina marknadsföringsinsatser på kunder med högt värde.

Förutsättningar

Uppgift 1 – Mata in data

Läs artiklarna om datainmatning och ansluta till en Power Query datakälla. Följande information förutsätter att du bekantat dig med inmatningsdata i allmänhet.

Mata in kunddata från e-handelsplattformen

  1. Skapa en datakälla med namnet eCommerce och välj anslutningsprogrammet Text/CSV.

  2. Ange URL:en för e-handelskontakter https://aka.ms/ciadclasscontacts.

  3. Medan du redigerar data väljer du Transformera och sedan Använd första raden som rubriker.

  4. Uppdatera datatypen för kolumnerna som anges nedan:

    • DateOfBirth: Datum
    • CreatedOn: Datum/Tid/Zon

    Transformera födelsedatum till datum.

  5. I fältet Namn i den högra rutan byter du namn på datakällan till eCommerceContacts

  6. Spara datakällan.

Mata in inköpsdata online

  1. Lägg till ytterligare en datauppsättning till samma e-handelskälla. Välj anslutningsprogrammet Text/CSV igen.

  2. Ange URL:en för onlineköpsdatahttps://aka.ms/ciadclassonline.

  3. Medan du redigerar data väljer du Transformera och sedan Använd första raden som rubriker.

  4. Uppdatera datatypen för kolumnerna som anges nedan:

    • PurchasedOn: Datum/tid
    • TotalPrice: Valuta

  5. I fältet Namn i sidofönstret byter du namn på din datakälla från eCommercePurchases.

  6. Spara datakällan.

Mata in kunddata från lojalitetsschema

  1. Skapa en datakälla med namnet LoyaltyScheme och välj anslutningsprogrammet Text/CSV.

  2. Ange URL:en för lojalitetskunder https://aka.ms/ciadclasscustomerloyalty.

  3. Medan du redigerar data väljer du Transformera och sedan Använd första raden som rubriker.

  4. Uppdatera datatypen för kolumnerna som anges nedan:

    • DateOfBirth: Datum
    • RewardsPoints: Heltal
    • CreatedOn: Datum/Tid

  5. I fältet Namn i fönstret till höger byter du namn på din datakälla till loyCustomers.

  6. Spara datakällan.

Mata in kunddata från webbplatsgranskningar

  1. Skapa en datakälla med namnet Webbplats och välj anslutningsappen Text/CSV .

  2. Ange URL:en för webbplatsgranskningar https://aka.ms/CI-ILT/WebReviews.

  3. Medan du redigerar data väljer du Transformera och sedan Använd första raden som rubriker.

  4. Uppdatera datatypen för kolumnerna som anges nedan:

    • ReviewRating: Decimaltal
    • ReviewDate: Datum

  5. I fältet Namn i den högra rutan byter du namn på datakällan till Recensioner.

  6. Spara datakällan.

Uppgift 2 – Dataförening

Granska artikeln om datasamordning. Följande information förutsätter att du bekantat dig med datasamordning i allmänhet.

När data har förts in startar du dataprocessen för att skapa Unified customer profile. Mer information finns i Dataförening.

Beskriv de kunddata som ska samordnas

  1. Efter inmatande av data mappar du kontakter från e-handels- och lojalitetsdata till vanliga datatyper. Gå till Data>Unify.

  2. Välj de tabeller som representerar kundprofilen – eCommerceContacts och loyCustomers.

    förena e-handels- och lojalitetsdatakällor.

  3. Välj ContactId som primärnyckel för eCommerceContacts och LoyaltyID som primärnyckel för loyCustomers.

  4. Välj Nästa. Hoppa över dubblettposter och välj Nästa.

Definiera matchningsregler

  1. Välj eCommerceContacts : eCommerce som den primära entiteten och ta med alla poster.

  2. Välj loyCustomers : LoyaltyScheme och ta med alla poster.

  3. Lägga till en regel:

    • Välj FullName för både eCommerceContacts och loyCustomers.
    • Välj Typ (Telefon, Namn, Adress, ...) för Normalisering.
    • Ange Precisionsnivå: Basic och Värde: Hög.

  4. Lägg till ett andra villkor för e-postadressen:

    • Välj Email för både eCommerceContacts och loyCustomers.
    • Lämna Normalisera tomt.
    • Ange Precisionsnivå: Basic och Värde: Hög.
    • Ange FullName, Email för namn.

    Förena matchningsregel för namn och e-post.

  5. Välj Färdig.

  6. Välj Nästa.

Visa enhetlig data

  1. Byt namn på ContactId för tabellen loyCustomers till ContactIdLOYALTY för att skilja det från det andra ID:t som inte finns.

  2. Välj Nästa att granska och välj sedan Skapa kundprofiler.

Uppgift 3 – Skapa transaktionshistorik aktivitet

Läs artikeln om kundaktiviteter. Följande information förutsätter att du bekantat dig med skapa aktiviteter i allmänhet.

  1. Skapa aktiviteter med tabellen eCommercePurchases:eCommerce och tabellen Reviews:Website .

  2. För eCommercePurchases:eCommerce väljer du SalesOrderLine som aktivitetstyp och PurchaseId för primärnyckeln.

  3. För Recensioner:Webbplats väljer du Granska för aktivitetstypen och ReviewID för primärnyckeln.

  4. Ange följande information för inköpsaktiviteten:

    • Aktivitetsnamn: eCommercePurchases
    • TimeStamp: PurchasedOn
    • EventActivity: TotalPrice
    • Orderrad-ID: PurchaseId
    • Orderdata: PurchasedOn
    • Summa: TotalPrice

  5. Ange följande information för webbgranskningsaktiviteten:

    • Aktivitetsnamn: WebReviews
    • Tidsstämpel: GranskaDate
    • Händelseaktivitet: ActivityTypeDisplay
    • Ytterligare information: ReviewRating

  6. Lägg till en relation mellan eCommercePurchases:eCommerce och eCommerceContacts:eCommerce med ContactID som sekundärnyckel för att ansluta de två tabellerna.

  7. Lägg till en relation mellan webbplats och eCommerceContacts med UserId som sekundärnyckel.

  8. Granska ändringarna och välj sedan Skapa aktiviteter.

Uppgift 4 – Konfigurera förutsägelse av kundens livslängdsvärde

När de enhetliga kundprofilerna är på plats och aktiviteten har skapats kör du förutsägelsen för kundens livslängdsvärde (CLV). Detaljerade steg finns i Förutsägelse av kundens livslängdsvärde.

  1. Gå till Insikter>Prediktioner.

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

  3. Välj Kom igång.

  4. Ge modellen namnet OOB eCommerce CLV Prediction och utdatatabellen OOBeCommerceCLVPrediction.

  5. Definiera modellinställningar:

    • Förutsägelsetid:12 månader eller 1 år för att definiera hur långt in i framtiden CLV ska förutsägas.
    • Aktiva kunder: Låt modellen beräkna inköpsintervallet , vilket är den tidsram då en kund måste ha haft minst en transaktion för att anses vara aktiv.
    • Kund med högt värde: Definiera kunder med högt värde manuellt som de 30 främsta% av aktiva kunder.

    Inställningar steg i den guidade upplevelsen för CLV-modellen.

  6. Välj Nästa.

  7. I steget Nödvändiga data väljer du Lägg till data för att ange transaktionshistorikdata.

    Lägg till nödvändiga datasteg i den guidade upplevelsen för CLV-modellen.

  8. Välj SalesOrderLine och tabellen eCommercePurchases och välj Nästa. Data som krävs fylls i automatiskt från aktiviteten. Välj Spara och välj sedan Nästa.

  9. Med steget Ytterligare data (valfritt) kan du lägga till fler kundaktivitetsdata för att få fler insikter om kundinteraktioner. I det här exemplet väljer du Lägg till data och lägger till webbgranskningsaktiviteten.

  10. Välj Nästa.

  11. I steget Datauppdateringar välj Månadsvis för modellschemat.

  12. Välj Nästa.

  13. När du har granskat alla detaljer väljer du Spara och kör.

Uppgift 5 – Granska modellresultat och förklaringar

Låt modellen slutföra träningen och bedömningen av data. Granska CLV-modellens resultat och förklaringar.

Uppgift 6 – Skapa ett segment med kunder med högt värde

När du kör modellen skapas en ny tabell som visas idatatabellernas>>utdata. Du kan skapa ett nytt kundsegment baserat på tabellen som skapats av modellen.

  1. Välj på resultatsidan Skapa segment.

  2. Skapa en regel med tabellen OOBeCommerceCLVPrediction och definiera segmentet:

    • Fält: CLVScore
    • Operator: större än
    • Värde: 1500

  3. Välj Spara och Kör segmentet.

Nu har du ett segment som identifierar kunder som förväntas generera mer än 1 500 USD i intäkter under de kommande 12 månaderna. Det här segmentet uppdateras dynamiskt om mer data matas in. Mer information finns i Skapa och hantera segment.

Tips/Råd

Du kan också skapa ett segment för en prediktionsmodell från sidan Insikter>Segment genom att välja Ny och välja Skapa från>Insikter. För mer information, se Skapa ett nytt segment med snabba segment.

Nästa steg

  • Last updated on