Del via

Forudsige kundens levetidsværdi (CLV)

  • Artikel

Potentiel værdi (omsætning), som de enkelte aktive kunder henter ind i virksomheden via en defineret fremtidig tidsperiode. Denne forudsigelse hjælper dig med at:

  • Identificere kunder af høj værdi, og bearbejde denne indsigt.
  • Oprette strategiske kundesegmenter baseret på deres potentielle værdi for at køre tilpassede kampagner med målrettede salgs-, marketing- og supportindsatser.
  • Vejlede i produktudvikling ved at fokusere på funktioner, der øger kundeværdien.
  • Optimere salgs- eller marketingstrategien og tildeling af budget mere nøjagtigt til kundekontakt.
  • Genkende og belønne kunder med høj værdi via loyalitets- eller præmieprogrammer.

Find ud af, hvad CLV betyder for virksomheden. Vi understøtter transaktionsbaseret CLV-forudsigelse. En kundes samlede værdi er baseret på oversigten over forretningstransaktioner. Overvej at oprette flere modeller med forskellige inputindstillinger og sammenligne modelresultater for at se, hvilket modelscenarie der passer bedst til dine forretningsbehov.

Tip

Prøv CLV-forudsigelse ved hjælp af eksempeldata: Vejledning til eksempel på forudsigelse af kundens levetidsværdi (CLV).

Forudsætninger

  • Mindst Bidragyder-tilladelser
  • Mindst 1.000 kundeprofiler i det ønskede forudsigelsesvindue
  • Kunde-id: et entydigt id, der skal svare til transaktioner med en enkelt kunde
  • Mindst et års transaktionshistorik, helst to til tre år. Ideelt set mindst to til tre transaktioner pr. kunde-id, helst på tværs af flere datoer. Transaktionshistorikken skal omfatte:
    • Transaktions-id: Entydigt id for hver transaktion
    • Transaktionsdato: Dato eller tidsstempel for hver transaktion
    • Transaktionsbeløb: Pengeværdi (f.eks. omsætning eller avance) for hver transaktion
    • Etiket, der er tildelt til returneringer: Boolesk sand/falsk-værdi, der angiver, om transaktionen er en returvare
    • Produkt-id: Produkt-id for det produkt, der er involveret i transaktionen
  • Data om kundeaktiviteter:
    • Primær nøgle: Entydigt id for en aktivitet
    • Tidsstempel: Dato og klokkeslæt for hændelsen, der identificeres af den primære nøgle
    • Hændelse (aktivitetsnavn): Navnet på den hændelse, du vil bruge
    • Detaljer (beløb eller værdi): Detaljer om kundeaktiviteten
  • Yderligere data, f.eks.:
    • Webaktiviteter: Oversigt over besøg på websted eller mailoversigt
    • Loyalitetsaktiviteter: Akkumulerede loyalitetspoint og oversigt over loyalitetspræmier
    • Kundeservice oversigt over logfiler: Serviceopkald, klager eller returneringer
    • Kundeprofil-id
  • Mindre end 20 % manglende værdier i obligatoriske felter

Bemærk

Der kan kun konfigureres én transaktionsoversigtstabel. Hvis der er flere købs- eller transaktionstabeller kan du samle dem i Power Query, før dataindtagelse går i gang.

Oprette kundens levetidsværdi (CLV) forudsigelse

Du kan når som helst vælge Gem kladde for at gemme forudsigelsen som en kladde. Kladdeforudsigelsen vises under fanen Mine forudsigelser.

  1. Gå til Indsigt>Forudsigelser.

  2. Gå til fanen Opret, og vælg Brug model i feltet Kundens levetidsværdi.

  3. Vælg Introduktion.

  4. Navngiv denne model og navnet på outputtabellen for at skelne mellem dem fra andre modeller eller tabeller.

  5. Vælg Næste.

Definere modelindstillinger

  1. Angiv en Forudsigelsesperiode for at definere, hvor langt i fremtiden CLV skal være. Enheden angives som standard som måneder.

    Tip

    Hvis du vil forudsige CLV nøjagtigt for den angivne tidsperiode, skal der angives en sammenligningsperiode med historiske data. Hvis du f.eks. vil forudsige CLV for de næste 12 måneder, skal du have mindst 18-24 måneders historiske data.

  2. Angiv den tidsramme, hvor en kunde skal have haft mindst én transaktion, for at blive fundet aktiv. Modellen forudsiger kun CLV for Aktive kunder.

    • Lad model beregne købsinterval (anbefales): I modellen analyseres dataene, og en tidsperiode bestemmes på baggrund af historiske køb.
    • Angiv intervallet manuelt: Tidsperiode for din definition af en aktiv kunde.

  3. Definer percentilen for Kunde med høj værdi.

    • Modelberegning (anbefales): Modellen bruger en 80/20-regel. Den procentdel af kunderne, der har givet en samlet omsætning på 80 % for virksomheden i den historiske periode, betragtes som kunder af høj værdi. Mindre end 30-40 procent af kunderne bidrager som regel til en samlet omsætning på procent. Dette antal kan dog variere, afhængigt af virksomhed og branche.
    • Procent af aktive kunder i top: Specifik percentil for en kunde af høj værdi. Du kan f.eks. angive 25 for at definere kunder af høj værdi som de øverste 25 % af de fremtidige betalende kunder.

    Hvis virksomheden definerer kunder af høj værdi på en anden måde, skal du fortælle os det, som vi gerne vil høre.

  4. Vælg Næste.

Tilføj påkrævede data

  1. Vælg Tilføj data for Kundetransaktionshistorik.

  2. Vælg den semantiske aktivitetstype, SalesOrder eller SalesOrderLine, der indeholder transaktionshistorikken. Hvis aktiviteten ikke er blevet konfigureret, skal du vælge her og oprette den.

  3. Hvis aktivitetsattributterne blev semantically tilknyttet under Aktiviteter, da aktiviteten blev oprettet, skal du vælge de specifikke attributter eller den tabel, beregningen skal fokusere på. Hvis der ikke blev udført en semantisk tilknytning, skal du vælge Rediger og tilknytte dataene.

    Tilføje påkrævede data for CLV-modellen

  4. Vælg Næste, og gennemse de attributter, der kræves til denne model.

  5. Vælg Gem.

  6. Tilføj flere aktiviteter, eller vælg Næste.

Tilføj ekstra aktivitetsdata

Data, der afspejler vigtige kundeinteraktioner (f.eks. web-, kundeservice- og hændelseslogfiler), føjer kontekst til transaktionsposter. Flere mønstre, der findes i kundeaktivitetsdataene, kan gøre forudsigelserne mere nøjagtige.

  1. Vælg Tilføj data under Gør modelindsigten stærkere med yderligere aktivitetsdata.

  2. Vælg en aktivitetstype, der svarer til den type kundeaktivitet, du tilføjer. Hvis aktiviteten ikke er blevet konfigureret, skal du vælge her og oprette den.

  3. Hvis aktivitetsattributterne blev tilknyttet under Aktiviteter, da aktiviteten blev oprettet, skal du vælge de specifikke attributter eller den tabel, beregningen skal fokusere på. Hvis der ikke blev udført en tilknytning, skal du vælge Rediger og tilknytte dataene.

  4. Vælg Næste, og gennemse de attributter, der kræves til denne model.

  5. Vælg Gem.

  6. Vælg Næste.

  7. Tilføj valgfrie kundedata, eller vælg Næste, og gå til Indstille opdateringsplan.

Tilføje yderligere data (valgfrit)

Vælg mellem 18 almindeligt anvendte kundeprofilattributter, der skal inkluderes som input til modellen. Disse attributter kan føre til mere personlige, relevante og brugbare modelresultater for dine sager i forbindelse med forretningsbrug.

Contoso Coffee ønsker f.eks., at kundernes levetidsværdi skal nå ud til kunder med høj værdi med et personligt tilbud, der relaterer sig til lanceringen af deres nye maskiner. Contoso bruger CLV-modellen og tilføjer alle 18 kundeprofilattributter for at se, hvilke faktorer der påvirker deres kunder med den højeste værdi. Kundernes placering er den mest effektive faktor for disse kunder. Med disse oplysninger organiserer de en lokal begivenhed for lanceringen af maskinerne og er partner med lokale leverandører for at få tilpassede tilbud og en særlig oplevelse ved arrangementet. Uden disse oplysninger har Contoso måske kun sendt generiske marketingmails og ikke fået mulighed for at tilpasse til dette lokale segment af deres kunder af høj værdi.

  1. Vælg Tilføj data under Gør modelindsigten stærkere med yderligere kundedata.

  2. For Tabel skal du vælge Kunde: CustomerInsights for at vælge den samlede kundeprofil, der knyttes til kundeattributdata. Vælg System.Customer.CustomerId for Kunde-id.

  3. Tilknyt flere felter, hvis dataene er tilgængelige i dine ensartede kundeprofiler.

    Eksempel på tilknyttede felter til kundeprofildata.

  4. Vælg Gem.

  5. Vælg Næste.

Indstil opdateringsplan

  1. Vælg, hvor ofte modellen skal gentrænes på baggrund af de nyeste data. Denne indstilling er vigtig, hvis du vil opdatere nøjagtigheden af forudsigelserne, efterhånden som nye data indsættes. De fleste virksomheder kan omskole én gang om måneden og opnå en god præcision af deres forudsigelse.

  2. Vælg Næste.

Gennemse og kør modelkonfigurationen

I trinnet Gennemse og kør vises en oversigt over konfigurationen, og her kan du foretage ændringer, før du opretter forudsigelsen.

  1. Vælg Rediger på et af trinnene for at gennemse og foretage ændringer.

  2. Hvis du er tilfreds med dine valg, skal du vælge Gem og kør for at starte kørsel af modellen. Vælg Udført. Fanen Mine forudsigelser vises, mens forudsigelse oprettes. Det kan tage flere timer, før processen er fuldført, afhængigt af mængden af data, der bruges i forudsigelsen.

Tip

Der findes status for opgaver og processer. De fleste processer afhænger af andre upstream-processer, f.eks. datakilder og opdatering af dataprofiler.

Vælg status for at åbne ruden Statusdetaljer og få vist status for opgaverne. Hvis du vil annullere jobbet, skal du vælge Annuller job nederst i ruden.

Under hver opgave kan du vælge Se detaljer for at få flere statusoplysninger, f.eks. behandlingstid, den sidste behandlingsdato og eventuelle relevante fejl og advarsler, der er knyttet til opgaven eller processen. Vælg Visning af systemstatus nederst i panelet for at se andre processer i systemet.

Få vist forudsigelsesresultater

  1. Gå til Indsigt>Forudsigelser.

  2. Under fanen Mine forudsigelser skal du vælge den forudsigelse, du vil have vist.

Der findes tre primære sektioner med data på resultatsiden.

  • Ydeevne for træning af model: Klassificeringerne A, B eller C angiver resultatet af forudsigelsen og kan hjælpe dig med at træffe beslutning om at bruge de resultater, der er gemt i outputtabellen.

    Billede af feltet med oplysninger om modelpoint med vurderingen A.

    Systemet vurderer, hvordan AI-modellen præsterede under forudsigelse af kunder af høj værdi i forhold til den oprindelige model.

    Vurderingerne bestemmes ud fra følgende regler:

    • A når modellen nøjagtigt har forudsagt mindst 5 % flere kunder med høj værdi i forhold til den oprindelige model.
    • B når modellen nøjagtigt har forudsagt 0-5 % flere kunder med høj værdi i forhold til den oprindelige model.
    • C når modellen nøjagtigt har forudsagt færre kunder med høj værdi i forhold til den oprindelige model.

    Vælg Få mere at vide om denne score for at åbne ruden Modelbedømmelse, som viser flere detaljer om AI-modelydeevnen og den grundlæggende model. Det hjælper dig med at forstå de underliggende målepunkter for modelresultater, og hvordan klassificeringen af det endelige modelresultat blev afledt. I den grundlæggende model bruges en ikke-AI-baseret metode til at beregne kundens levetidsværdi, primært på baggrund af historiske indkøb foretaget af kunder.

  • Værdi af kunder efter percentil: Kunder med lav værdi og høj værdi vises i et diagram. Hold musen hen over søjlerne i histogrammet for at se antallet af kunder i de enkelte grupper og den gennemsnitlige CLV for den pågældende gruppe. Du kan også oprette kundesegmenter baseret på deres CLV-forudsigelser.

    Værdi af kunder efter percentil for CLV-model

  • De fleste faktorer, der påvirker indflydelsen: Der tages forskellige faktorer i betragtning, når du opretter forudsigelse CLV baseret på de inputdata, der leveres til AI-modellen. Hver af faktorerne får beregnet deres betydning for de samlede forudsigelser, som en model opretter. Brug disse faktorer til at validere dine forudsigelsesresultater. Disse faktorer giver også større indsigt i de faktorer, der gør det muligt at vælge CLV på tværs af alle dine kunder.

    Mest indflydelsesrige faktorer for CLV-model

Få mere at vide om scoren

Den standardformel, der bruges til at beregne CLV efter basismodellen:

CLV for hver kunde = Gennemsnitlig månedligt køb foretaget af kunden i vinduet med aktive kunder * Antal måneder i CLV-forudsigelsesperioden * Samlet tilbageholdelseshastighed for alle kunder

AI-modellen sammenlignes med den oprindelige model, der er baseret på to modelydeevnemetrikværdier.

  • Succesfrekvens, der spår kunder med stor værdi

    Se forskellen i, hvordan kunder med høj værdi bruger AI-modellen i forhold til den oprindelige model. En succesrate på 84 procent betyder f.eks., at AI-modellen kunne registrere 84 procent nøjagtigt ud af alle kunder i uddannelsesdataene. Derefter sammenlignes denne succesrate med succesprocenten for den oprindelige model for at rapportere den relative ændring. Denne værdi bruges til at tildele modellen en vurdering.

  • Fejlmetrikværdier

    Se modellens overordnede ydeevne med hensyn til fejl i forbindelse med forudsigelse af fremtidige værdier. Vi bruger den overordnede måling (Root Mean Squared Error) til at vurdere denne fejl. RMSE er en standardmåde at måle fejlen i en model på, når data, der skal anvendes, anvendes. AI-modellens RMSE sammenlignes med den RMSE i basismodellen, og den relative forskel rapporteres.

AI-modellen prioriterer den nøjagtige rangering af kunder efter den værdi, de tilfører din virksomhed. Så kun succesprocenten for kunder med høj værdi bruges til at opnå den endelige modelkvalitet. RMSE-målingen er følsom over for afvigende værdier. I scenarier, hvor du har en lille procentdel af kunder med utroligt høje indkøbsværdier, giver den overordnede RMSE-måling måske ikke det fulde billede af modelydeevnen.