客户生命周期价值第1部分:评估客户一生

下载顾客一生中第1部分笔记本下面演示解决方案覆盖按需观看虚拟车间要学习BOB低频彩更多的知识。你也可以去第2部分学习如何估计未来客户消费。

每一个营销人员面临的最大挑战是如何最好地花钱,以盈利增长自己的品牌。我们想要我们的营销美元花在活动吸引最好的顾客,同时避免支出无利可图的客户或损害品牌资产的活动。

营销人员往往只看支出效率。至少我可以花在广告和促销来生成收入吗?只关注投资回报率指标会削弱你的品牌价值,让你更加依赖价格促销作为一种产生销售。

在你现有的客户都是人从品牌忠诚品牌瞬变。品牌忠诚是高度与你的品牌,愿意与他人分享自己的经验,和最有可能购买再次。品牌瞬变没有忠诚你的品牌和基于价格的商店。营销在理想情况下将专注于增长的品牌忠诚,同时最小化接触品牌瞬变。

如何识别这些品牌的支持者和最佳使用你的营销美元来延长他们的关系吗?

今天的客户不缺乏选择。脱颖而出,企业需要直接说个人的需要和欲望在另一边的监视器,电话,或站,经常的方式识别不仅个人客户带来他们的上下文。如果做正确,个性化的接触可以推动更高的收入,营销效率和客户保留,随着功能的成熟和顾客期望上升,正确个性化将变得越来越重要。作为麦肯锡公司所说,个性化将是“营销成功的'司机在未来五年了。”

但个性化的一个关键方面是理解,不是每个客户有他或她相同的盈利潜力。不仅不同客户不同的值来自我们的产品和服务,但这直接转化为价值总量的差异,我们可能期望回报。如果我们和客户之间的关系是互惠互利的,我们必须仔细调整客户购置成本(CAC)和保留与总收入或利率客户生命周期价值(CLV)我们可以合理地接受这种关系的一生。

这是中央客户生命周期价值计算背后的动机。通过计算收入的数量我们可以接受从给定客户的生命周期我们与他们的关系,我们可以更好地调整我们的投资最大化我们的关系对双方的价值。我们可能会进一步寻求理解为什么有些客户更看重我们的产品和服务比其他和东方我们的消息吸引更多更高的潜在的个人。我们也可能使用CLV总体评估的整体有效性构建股权和监控我们的营销实践创新和市场的变化如何影响随着时间吗。

但和CLV是一样强大,我们很感激是很重要的来自两个不同的和独立的估计。第一个是外加花(或平均订单价值)我们可能期望看到从一个给定的客户。第二个是交易数量我们可能期望估计客户在给定的时间范围内。这第二个估计是常被看作是达到目的的一种手段,但随着组织转变他们的营销支出获取新客户保留,本身就非常有价值。

客户如何信号一生的意图

在大多数零售商参与的非契约性的场景中,客户可能来来去去。零售商试图评估剩下的一生在一个客户关系必须仔细检查生成的事务信号之前客户的频率和近因订婚。例如,减缓他们频繁的买家的购买模式或者仅仅是未能出现在较长一段时间可能预示着他们接近他们的关系一生的终结。另一位买家很少从事可能继续成为一个可行的关系即使没有类似的持续时间。

了解客户在他们的关系与我们的寿命可以关键交付正确的信息在正确的时间。客户暗示他们的意图与我们的品牌是一个长期的关系,可能会积极回应更高的投资提供了加深和加强与美国的关系,关系的长期潜力最大化即使牺牲短期的收入。客户暗示他们的意图短期关系可能被类似推开提供或者更糟可能会接受提供了无望的人恢复的投资。

利用mlflow机器学习模型管理和部署平台,我们可以轻松地将我们的模型映射到标准的应用程序接口。bob体育客户端下载虽然mlflow本地不支持所产生的模型,它很容易扩展。最终的结果是,我们可以迅速把我们训练到功能和应用程序中启用周期性模型,实时和交互式客户寿命指标的得分。

类似地,我们可以识别信号,如当长期客户关系的转变方法一生的结束他们的关系,促进替代产品和服务转变成一个新的,潜在获利与自己或伴侣的关系。即使短暂的客户,我们可以考虑如何最好地提供产品和服务过程中最大化收入的限时接触和允许他们向别人推荐我们寻找相似的产品。

彼得渐变和萨拉·汤姆斯写在客户中心性的剧本,在一个有效的以客户为中心的战略“最大限度地金融收益的机会识别和充分利用,但这些高风险押注必须加权和分布在低风险类别的资产。”Finding the right balance and tailoring our interactions starts with a careful estimate of where customers are in their lifetime journey with us.

估计客户生命周期从事务性的信号

如前所述,在non-subscription模型中,我们无法知道客户的确切一生或他或她所在,但是我们可以利用事务信号生成的概率估计客户是活跃的和将来可能会返回。推广的购买,直到你死(BTYD)模型,接触的客户的频率和近因相对于同样的模式在零售商客户的人口可以用来获得生存曲线为我们提供这些值。

这些预测背后的数学CLV模型相当复杂。原BTYD模型提出的施米特莱因等。在1980年代末(现在称为帕累托/负二项分布或帕累托/ NBD模型)才在收养音量控制器等。简化了计算逻辑(生产Beta-Geometrical /负二项分布或BG / NBD模型)在2000年代中期。即便如此,简化模型的数学变得很粗糙的非常快。值得庆幸的是,这两个模型背后的逻辑是我们可以通过一个流行的Python库命名为一生中我们可以提供简单的总结指标以获得更高寿命估计。

对业务交付客户生命周期的估计

虽然很容易,但图书馆的使用寿命来计算用户特定的概率的方式与大型企业是很有挑战性的需求。首先,必须处理大量的事务数据,以生成所需的每个客户指标模型。接下来,必须来自这个数据曲线,拟合预期值分布的模式,由一个参数调节的过程不能预先确定的,而是必须评估迭代在大范围的潜在价值。最后,寿命模型,一旦安装,必须集成到我们的业务的营销和客户互动功能的预测它产生任何有意义的影响。我们的意图在这个博客和相关的笔记本演示如何处理每一个挑战。

指标的计算

BTYD模型依赖于三个关键每个客户指标:

• 频率-时间单位的数量在一个给定时间段的non-initial(重复)事务。如果按每天计算水平,这只是唯一的日期的数目,初始事务的事务发生- 1表明客户关系的开始。
• 年龄——时间单位的数量从最初的发生交易到一个给定的时间段。如果事务是观察到在日常的层面上,这只是天算起客户的初始事务数据集的结束。
• 近因——客户的年龄时(正如前面定义的)他们的最新non-initial(重复)事务。

指标本身是很简单的。挑战在于推导这些值为每个客户从交易历史记录每一行项目的每笔交易发生在多年内。通过利用数据处理平台等bob体育客户端下载Apache火花本地分配这个工作在多服务器环境的能力,这一挑战可以很容易地和指标计算及时解决。随着越来越多的事务数据到达和这些指标必须重新计算在越来越多的事务数据集,火花的弹性性质允许额外的资源招募处理时间内包含进来。

模型拟合

与每个客户指标计算,有生之年库可用于火车之一多个BTYD模型可能适用于一个给定的零售场景。(两个最广泛适用的是帕累托/ NBD和BG / NBD模型但是还有其他方式。)虽然计算复杂,每个模型训练与一个简单的方法调用,使过程高度可访问。

正则化参数仍然是在每个模型的训练过程,以避免过度拟合训练数据。什么对这个参数在给定值是最好的训练很难提前知道,常见的做法是训练和评估模型适合对一系列潜在的价值,直到可以确定一个最优值。

这个过程通常涉及到成百上千的培训/评估运行。时执行一次,确定一个最优值的过程,这通常是重复新事务数据到达时,会变得非常耗费时间。

通过使用一个专门的图书馆命名hyperopt背后的基础设施,我们可以利用我们的Apache引发环境和分发模型以并行的方式进行培训和评价工作。这允许参数调优执行有效地锻炼,回到我们最优模型类型和正则化参数设置。

解决方案部署

一旦良好的训练,我们的模型的能力不仅决定客户的概率会和好,但是活动预计在未来时间内的数量。矩阵之间的关系说明近因和频率指标和这些预测结果提供了强大的视觉表示现在的知识封装在拟合模型。但是真正的挑战是把这些预测功能的那些确定客户互动。

利用mlflow,机器学习模型管理和部署平台,我们可以轻松地将我们的模型映射到标准的应用程序接口。bob体育客户端下载虽然mlflow本地不支持所产生的模型,它很容易扩展。最终的结果是,我们可以迅速把我们训练到功能和应用程序中启用周期性模型,实时和交互式客户寿命指标的得分。

把它一起砖

BYTD模型的预测能力结合提供的易于实现一生图书馆广泛采用的客户生命周期预测的可行性。不过,有几个技术难题,必须克服。但无论是扩展客户指标的计算从大量的事务历史,执行优化hyperparameter调优在搜索空间或部署优化模型作为解决方案让客户评分,克服这些挑战所需要的能力。不过,将这些功能集成到一个单一的环境是一个挑战,而且会耗费大量的时间。值得庆幸的是,砖做过为我们工作。和通过提供这些原生云平台,零售商和制造商需要访问这些可以开发和部署解决方案在一个高度bob体育客户端下载可伸缩环境有限的前期成本。

下载笔记本开始。