Πρόβλεψη τιμής πελατειακής διάρκειας (CLV)

Προβλέψτε την πιθανή τιμή (έσοδα) που θα φέρουν στην επιχείρησή σας μεμονωμένοι ενεργοί πελάτες μέσω μιας καθορισμένης μελλοντικής χρονικής περιόδου. Αυτή η πρόβλεψη σάς βοηθά να κάνετε τα εξής:

• Προσδιορισμός πελατών υψηλής αξίας και επεξεργασία αυτής της πληροφορίας.
• Δημιουργία στρατηγικών τμημάτων πελατών με βάση τη δυνητική αξία τους για την εκτέλεση εξατομικευμένων καμπανιών με στοχευμένες ενέργειες πωλήσεων, μάρκετινγκ και υποστήριξης.
• Καθοδήγηση της ανάπτυξης προϊόντων εστιάζοντας σε χαρακτηριστικά που αυξάνουν την αξία των πελατών.
• Βελτιστοποίηση στρατηγικής πωλήσεων ή μάρκετινγκ και κατανομή προϋπολογισμού με μεγαλύτερη ακρίβεια για την προβολή πελατών.
• Αναγνώριση και επιβράβευση πελατών υψηλής αξίας μέσω προγραμμάτων αφοσίωσης ή ανταμοιβών.

Προσδιορίστε τι σημαίνει το CLV για την επιχείρησή σας. Υποστηρίζουμε πρόβλεψη CLV που βασίζεται σε συναλλαγές. Η προβλεπόμενη αξία ενός πελάτη βασίζεται στο ιστορικό επιχειρηματικών συναλλαγών. Εξετάστε το ενδεχόμενο να δημιουργήσετε πολλά μοντέλα με διαφορετικές προτιμήσεις εισόδου και να συγκρίνετε τα αποτελέσματα του μοντέλου για να δείτε ποιο σενάριο μοντέλου ταιριάζει καλύτερα στις ανάγκες της επιχείρησής σας.

Φιλοδώρημα

Δοκιμάστε την πρόβλεψη CLV με χρήση δείγματος δεδομένων: Οδηγός δείγματος πρόβλεψης της Τιμής ζωής πελάτη (CLV).

Προαπαιτούμενα στοιχεία

• Τουλάχιστον δικαιώματα Συμβάλλοντος
• Τουλάχιστον 1.000 προφίλ πελατών εντός του επιθυμητού παραθύρου πρόβλεψης
• Αναγνωριστικό πελάτη, ένα μοναδικό αναγνωριστικό για αντιστοίχιση συναλλαγών με μεμονωμένους πελάτες
• Τουλάχιστον ένα έτος ιστορικού συναλλαγών, κατά προτίμηση, δύο έως τρία έτη. Ιδανικά, τουλάχιστον δύο με τρεις συναλλαγές ανά αναγνωριστικό πελάτη, κατά προτίμηση σε πολλές ημερομηνίες. Το ιστορικό συναλλαγών πρέπει να περιλαμβάνει:
  • Αναγνωριστικό συναλλαγής: Μοναδικό αναγνωριστικό της κάθε συναλλαγής
  • Ημερομηνία συναλλαγής: Ημερομηνία ή χρονική σήμανση της κάθε συναλλαγής
  • Ποσό συναλλαγής: Χρηματική αξία (π.χ. έσοδα ή περιθώριο κέρδους) της κάθε συναλλαγής
  • Ετικέτα που έχει αντιστοιχιστεί σε επιστροφές: Δυαδική τιμή true/false που δηλώνει αν η συναλλαγή είναι επιστροφή
  • Αναγνωριστικό προϊόντος: Αναγνωριστικό προϊόντος του προϊόντος που συμμετέχει στη συναλλαγή
• Δεδομένα σχετικά με τις δραστηριότητες του πελάτη:
  • Πρωτεύον κλειδί: Μοναδικό αναγνωριστικό για μια δραστηριότητα
  • Χρονική σήμανση: Ημερομηνία και η ώρα του συμβάντος που προσδιορίζεται από το πρωτεύον κλειδί
  • Συμβάν (όνομα δραστηριότητας): Όνομα του συμβάντος που θέλετε να χρησιμοποιήσετε
  • Λεπτομέρειες (ποσό ή τιμή): Λεπτομέρειες σχετικά με τη δραστηριότητα του πελάτη
• Πρόσθετα δεδομένα όπως:
  • Δραστηριότητες στο Διαδίκτυο: ιστορικό επισκέψεων σε ιστότοπους ή ιστορικό μηνυμάτων ηλεκτρονικού ταχυδρομείου
  • Δραστηριότητες αφοσίωσης: συγκέντρωση πόντων επιβραβεύσεων αφοσίωσης και ιστορικό εξαργύρωσης
  • Αρχείο καταγραφής εξυπηρέτησης πελατών, κλήση εξυπηρέτησης, παράπονα ή ιστορικό επιστροφών
  • Πληροφορίες προφίλ πελάτη
• Λιγότερες από 20% τιμές που λείπουν στα απαιτούμενα πεδία

Σημείωμα

Μόνο ένας πίνακας ιστορικού συναλλαγών μπορεί να ρυθμιστεί. Εάν υπάρχουν πολλαπλοί πίνακες αγοράς ή συναλλαγής, συνδυάστε τες στο Power Query πριν την πρόσληψη δεδομένων.

Δημιουργία πρόβλεψης τιμής πελατειακής διάρκειας

Επιλέξτε Αποθήκευση προσχεδίου οποιαδήποτε στιγμή για να αποθηκεύσετε την πρόβλεψη ως προσχέδιο. Το προσχέδιο πρόβλεψης εμφανίζεται στην καρτέλα Οι προβλέψεις μου.

1. Μεταβείτε στην Πληροφορίες>Προβλέψεις.

2. Στην καρτέλα Δημιουργία, επιλέξτε Χρήση μοντέλου στο πλακίδιο Τιμή ζωής πελάτη.

3. Επιλέξτε Έναρξη.

4. Ονομάστε αυτό το μοντέλο και το Όνομα του πίνακα εξόδου για να τα διακρίνετε από άλλα μοντέλα ή πίνακες.

5. Επιλέξτε Επόμενο.

Ορισμός προτιμήσεων μοντέλου

1. Ορίστε Χρονική περίοδο πρόβλεψης για να καθορίσετε πόσο μακριά στο μέλλον θέλετε να ορίστε το CLV. Από προεπιλογή, η μονάδα ορίζεται ως μήνες.

   Φιλοδώρημα

   Για να προβλέψετε με ακρίβεια το CLV για την καθορισμένη χρονική περίοδο, χρειάζεστε μια ανάλογη περίοδο ιστορικών δεδομένων. Για παράδειγμα, εάν θέλετε να προβλέψετε το CLV για τους επόμενους 12 μήνες, να έχετε τουλάχιστον 18 – 24 μηνών ιστορικών δεδομένων.

2. Ορίστε το χρονικό πλαίσιο στο οποίο ο πελάτης πρέπει να έχει τουλάχιστον μία συναλλαγή για να θεωρηθεί ενεργός. Το μοντέλο προβλέπει μόνο CLV για Ενεργούς πελάτες.

   • Αφήστε το μοντέλο να υπολογίσει το διάστημα αγοράς (συνιστάται): Το μοντέλο αναλύει τα δεδομένα σας και καθορίζει μια χρονική περίοδο με βάση τις ιστορικές αγορές.
   • Μη αυτόματος καθορισμός χρονικού διαστήματος: Χρονική περίοδος για τον ορισμό ενός ενεργού πελάτη από τον ορισμό σας.

3. Καθορίστε το εκατοστημόριο του πελάτη υψηλής αξίας.

   • Υπολογισμός μοντέλου (συνιστάται): Το μοντέλο χρησιμοποιεί κανόνα 80/20. Το ποσοστό πελατών που συνεισέφερε στο 80% των αθροιστικών εσόδων σας για την επιχείρησή σας κατά την ιστορική περίοδο, θεωρείται πελάτες υψηλής αξίας. Κατά κανόνα, λιγότεροι από το 30-40% πελάτες συνεισφέρουν σε αθροιστικά έσοδα 80%. Ωστόσο αυτός ο αριθμός ενδέχεται να διαφέρει ανάλογα με την επιχείρησή σας και τον κλάδο σας.
   • Ποσοστό των κορυφαίων ενεργών πελατών: Συγκεκριμένο εκατοστημόριο για έναν πελάτη υψηλής αξίας. Για παράδειγμα, εισαγάγετε 25 για να ορίσετε τους πελάτες υψηλής αξίας ως το κορυφαίο 25% των μελλοντικών πελατών που πληρώνουν.

   Εάν η επιχείρησή σας καθορίζει πελάτες υψηλής αξίας με διαφορετικό τρόπο, ενημερώστε μας, θα μας ενδιέφερε πολύ να το μάθουμε.

4. Επιλέξτε Επόμενο.

Προσθήκη απαιτούμενων δεδομένων

1. Επιλέξτε Προσθήκη δεδομένων για Ιστορικό συναλλαγών πελατών.

2. Επιλέξτε τον σημασιολογικό τύπο της δραστηριότητας, SalesOrder ή SalesOrderLine, που περιέχει το ιστορικό συναλλαγών. Εάν η δραστηριότητα δεν έχει οριστεί, επιλέξτε εδώ και δημιουργήστε την.

3. Στην περιοχή Δραστηριότητες, εάν τα χαρακτηριστικά δραστηριότητας αντιστοιχίζονται σημασιολογικά κατά τη δημιουργία της δραστηριότητας, επιλέξτε τα συγκεκριμένα χαρακτηριστικά ή τον πίνακα στον οποίο θα θέλατε να εστιάσει ο υπολογισμός. Εάν δεν είχε προκύψει σημασιολογική αντιστοίχιση, επιλέξτε Επεξεργασία και κάντε αντιστοίχιση των δεδομένων σας.

   

4. Επιλέξτε Επόμενο και εξετάστε τα χαρακτηριστικά που απαιτούνται για αυτό το μοντέλο.

5. ΕπιλέξτεΑποθήκευση.

6. Προσθέστε περισσότερες δραστηριότητες ή επιλέξτε Επόμενο.

Προσθήκη προαιρετικών δεδομένων δραστηριότητας

Τα δεδομένα που αντικατοπτρίζουν τις βασικές αλληλεπιδράσεις με τους πελάτες (όπως το web, εξυπηρέτηση πελατών και αρχεία καταγραφής συμβάντων) προσθέτουν το περιβάλλον στις καρτέλες συναλλαγών. Περισσότερα μοτίβα που βρίσκονται στα δεδομένα δραστηριότητας του πελάτη σας μπορούν να βελτιώσουν την ακρίβεια των προβλέψεων.

1. Επιλέξτε Προσθήκη δεδομένων στην περιοχή Ενισχύστε τις πληροφορίες μοντέλου με πρόσθετα δεδομένα δραστηριότητας.

2. Επιλέξτε έναν τύπο δραστηριότητας που συμφωνεί με τον τύπο της δραστηριότητας πελάτη που προσθέτετε. Εάν η δραστηριότητα δεν έχει οριστεί, επιλέξτε εδώ και δημιουργήστε την.

3. Στην περιοχή Δραστηριότητες, εάν τα χαρακτηριστικά δραστηριότητας αντιστοιχίζονται κατά τη δημιουργία της δραστηριότητας, επιλέξτε τα συγκεκριμένα χαρακτηριστικά ή τον πίνακα στον οποίο θα θέλατε να εστιάσει ο υπολογισμός. Εάν δεν είχε προκύψει αντιστοίχιση, επιλέξτε Επεξεργασία και κάντε αντιστοίχιση των δεδομένων σας.

4. Επιλέξτε Επόμενο και εξετάστε τα χαρακτηριστικά που απαιτούνται για αυτό το μοντέλο.

5. ΕπιλέξτεΑποθήκευση.

6. Επιλέξτε Επόμενο.

7. Προσθέστε προαιρετικά δεδομένα πελατών ή επιλέξτε Επόμενο και μεταβείτε στην επιλογή Ορισμός χρονοδιαγράμματος ενημέρωσης.

Προσθέστε προαιρετικά δεδομένα πελατών

Επιλέξτε από 18 χαρακτηριστικά προφίλ πελάτη που χρησιμοποιούνται συνήθως για να συμπεριλάβετε ως είσοδο στο μοντέλο. Αυτά τα χαρακτηριστικά μπορούν να οδηγήσουν σε πιο εξατομικευμένα, σχετικά και εφαρμόσιμα αποτελέσματα μοντέλων για τις περιπτώσεις χρήσης της επιχείρησής σας.

Για παράδειγμα: Η Contoso Coffee θέλει να προβλέψει την του πελάτη σε όλη τη διάρκεια του κύκλου ζωής του για να στοχεύσει πελάτες υψηλής αξίας με μια εξατομικευμένη προσφορά που σχετίζεται με την κυκλοφορία της νέας μηχανής εσπρέσο. Η Contoso χρησιμοποιεί το μοντέλο CLV και προσθέτει και τα 18 χαρακτηριστικά προφίλ πελατών για να δει ποιοι παράγοντες επηρεάζουν τους πελάτες με την υψηλότερη αξία. Θεωρούν ότι η τοποθεσία του πελάτη είναι ο παράγοντας με τη μεγαλύτερη επιρροή για αυτούς τους πελάτες. Με αυτές τις πληροφορίες, διοργανώνουν μια τοπική εκδήλωση για το λανσάρισμα της μηχανής εσπρέσο και συνεργάζονται με τοπικούς πωλητές για εξατομικευμένες προσφορές και μια ιδιαίτερη εμπειρία στην εκδήλωση. Χωρίς αυτές τις πληροφορίες, η Contoso θα μπορούσε να έχει στείλει μόνο γενικά μηνύματα μάρκετινγκ και να χάσει την ευκαιρία να εξατομικεύσει για αυτό το τοπικό τμήμα των πελατών της υψηλής αξίας.

1. Επιλέξτε Προσθήκη δεδομένων στην Ενίσχυση πληροφοριών μοντέλου ακόμα περισσότερο με με πρόσθετα δεδομένα πελατών.

2. Για τον Πίνακα, επιλέξτε Πελάτης: CustomerInsights για να επιλέξετε το ενοποιημένο προφίλ πελάτη που αντιστοιχίζει τα δεδομένα των χαρακτηριστικών του πελάτη. Για Αναγνωριστικό πελάτη, επιλέξτε System.Customer.CustomerId.

3. Αντιστοιχίστε περισσότερα πεδία εάν τα δεδομένα είναι διαθέσιμα στα ενοποιημένα προφίλ πελατών σας.

   

4. ΕπιλέξτεΑποθήκευση.

5. Επιλέξτε Επόμενο.

Ορισμός ενημερωμένου χρονοδιαγράμματος

1. Επιλέξτε τη συχνότητα επανεκπαίδευσης του μοντέλου σας με βάση τα πιο πρόσφατα δεδομένα. Αυτή η ρύθμιση είναι σημαντική για την ενημέρωση της ακρίβειας των προβλέψεων με τη λήψη νέων δεδομένων. Οι περισσότερες επιχειρήσεις μπορούν να κάνουν επανεκπαίδευση κάθε μήνα και να έχουν μια καλή ακρίβεια για την πρόβλεψή τους.

2. Επιλέξτε Επόμενο.

Εξέταση και εκτέλεση της ρύθμισης παραμέτρων του μοντέλου

Το βήμα Εξέταση και εκτέλεση εμφανίζει μια σύνοψη της ρύθμισης παραμέτρων και σας δίνει την ευκαιρία να κάνετε αλλαγές προτού δημιουργήσετε την πρόβλεψη.

1. Επιλέξτε Επεξεργασία σε οποιοδήποτε από τα βήματα για να ελέγξετε και να κάνετε τυχόν αλλαγές.

2. Εάν είστε ικανοποιημένος με τις επιλογές σας, επιλέξτε Αποθήκευση και εκτέλεση για να ξεκινήσει η εκτέλεση του μοντέλου. Επιλέξτε Τέλος. Η καρτέλα Οι προβλέψεις μου εμφανίζεται ενώ δημιουργείται πρόβλεψη. Η ολοκλήρωση της διεργασίας μπορεί να διαρκέσει αρκετές ώρες ανάλογα με την ποσότητα των δεδομένων που χρησιμοποιούνται στην πρόβλεψη.

Φιλοδώρημα

Υπάρχουν καταστάσεις για εργασίες και διεργασίες. Οι περισσότερες διεργασίες εξαρτώνται από άλλες διεργασίες ανοδικά, όπως οι προελεύσεις δεδομένων και η ανανεώσεις του προφίλ δεδομένων.

Επιλέξτε την κατάσταση για να ανοίξετε το παράθυρο λεπτομερειών προόδου και προβάλετε την πρόοδο της εργασίας. Για να ακυρώσετε την εργασία, επιλέξτε Ακύρωση εργασίας στο κάτω μέρος του τμήματος παραθύρου.

Κάτω από κάθε εργασία, μπορείτε να επιλέξτε το Δείτε τις λεπτομέρειες για περισσότερες πληροφορίες σχετικά με την πρόοδο, όπως το χρόνο επεξεργασίας, την τελευταία ημερομηνία επεξεργασίας και τυχόν σφάλματα και προειδοποιήσεις που σχετίζονται με την εργασία ή τη διεργασία. Επιλέξτε την Προβολή κατάστασης συστήματος στο κάτω μέρος του πίνακα για να δείτε άλλες διεργασίες στο σύστημα.

Προβολή αποτελεσμάτων πρόβλεψης

1. Μεταβείτε στην Πληροφορίες>Προβλέψεις.

2. Στην καρτέλα Οι προβλέψεις μου, επιλέξτε την πρόβλεψη που θέλετε να προβάλλετε.

Υπάρχουν τρεις κύριες ενότητες δεδομένων εντός της σελίδας αποτελεσμάτων.

• Επιδόσεις μοντέλου εκπαίδευσης: Οι βαθμοί Α, Β ή Γ υποδεικνύουν τις επιδόσεις του προϊόντος πρόβλεψη μπορεί να σας βοηθήσει να επιλέξετε να χρησιμοποιήσετε τα αποτελέσματα που είναι αποθηκευμένα στον πίνακα εξόδου.

  

  Το σύστημα εκτιμά τι επιδόσεις είχε το μοντέλο AI στην πρόβλεψη των πελατών υψηλής αξίας συγκριτικά με ένα μοντέλο γραμμής βάσης.

  Οι βαθμοί καθορίζονται με βάση τους ακόλουθους κανόνες:

  • A όταν το μοντέλο πρόβλεψε με ακρίβεια τουλάχιστον 5% περισσότερους πελάτες υψηλής αξίας σε σύγκριση με το μοντέλο γραμμής βάσης.
  • B όταν το μοντέλο πρόβλεψε με ακρίβεια μεταξύ 0-5% περισσότερους πελάτες υψηλής αξίας σε σύγκριση με το μοντέλο γραμμής βάσης.
  • C όταν το μοντέλο πρόβλεψε με ακρίβεια λιγότερους πελάτες υψηλής αξίας σε σύγκριση με το μοντέλο γραμμής βάσης.

  Επιλέξτε Μάθετε για αυτήν τη βαθμολογία για να ανοίξετε το τμήμα παραθύρου αξιολόγησης μοντέλου που εμφανίζει περαιτέρω λεπτομέρειες σχετικά με την απόδοση του μοντέλου AI και το μοντέλο γραμμής βάσης. Θα σας βοηθήσει να κατανοήσετε καλύτερα τα μεγέθη απόδοσης του μοντέλου στα οποία βασίζεται το μοντέλο και τον τρόπο παραγωγής του τελικού μοντέλου απόδοσης. Το μοντέλο γραμμής βάσης χρησιμοποιεί μια προσέγγιση που δεν βασίζεται σε AI για τον υπολογισμό της τιμής διάρκειας ζωής του πελάτη με βάση κυρίως τις ιστορικές αγορές που έγιναν από τους πελάτες.

• Αξία πελατών κατά εκατοστημόριο: Οι πελάτες χαμηλής αξίας και υψηλής αξίας εμφανίζονται σε ένα γράφημα. Καταδείξτε με τον δείκτη του ποντικιού στο ιστόγραμμα για να δείτε τον αριθμό πελατών σε κάθε ομάδα και το μέσο CLV αυτής της ομάδας. Προαιρετικά, δημιουργήστε τμήματα πελατών με βάση τις προβλέψεις τους για το CLV.

  

• Οι συντελεστές με τη μεγαλύτερη επιρροή: Κατά τη δημιουργία της CLV πρόβλεψης λαμβάνονται υπόψη διάφοροι παράγοντες με βάση τα δεδομένα εισόδου που παρέχονται στο μοντέλο AI. Καθένας από τους παράγοντες έχει υπολογίσει τη σπουδαιότητά του για τις συγκεντρωτικές προβλέψεις που δημιουργεί ένα μοντέλο. Χρησιμοποιήστε αυτούς τους παράγοντες για να επικυρώσετε τα αποτελέσματα της πρόβλεψής σας. Αυτοί οι παράγοντες επίσης παρέχουν περισσότερες πληροφορίες σχετικά με τους πιο απρόβλεπτους παράγοντες προς την πρόβλεψη του CLV σε όλους τους πελάτες σας.

  

Μάθετε για τη βαθμολογία

Η τυπική εξίσωση που χρησιμοποιείται για τον υπολογισμό της CLV από το μοντέλο γραμμής βάσης:

CLV για κάθε πελάτη = Μέση μηνιαία αγορά που γίνεται από τον πελάτη στο χρονικό παράθυρο ενεργού πελάτη * Αριθμός μηνών στην περίοδο πρόβλεψης CLV * Συνολικός ρυθμός διατήρησης όλων των πελατών

Το μοντέλο AI συγκρίνεται με το μοντέλο γραμμής βάσης με βάση δύο κριτήρια απόδοσης μοντέλου.

• Ποσοστό επιτυχίας στην πρόβλεψη πελατών υψηλής αξίας

  Δείτε τη διαφορά στο να προβλέπετε πελάτες υψηλής αξίας με το μοντέλο AI, σε σύγκριση με το μοντέλο γραμμής βάσης. Για παράδειγμα, ποσοστό επιτυχίας 84% σημαίνει ότι από όλους τους πελάτες υψηλής αξίας στα δεδομένα εκπαίδευσης, το μοντέλο AI ήταν σε θέση να καταγράψει με ακρίβεια το 84%. Στη συνέχεια, συγκρίνουμε αυτό το ποσοστό επιτυχίας με το ποσοστό επιτυχίας του μοντέλου γραμμής βάσης για να αναφέρουμε τη σχετική αλλαγή. Αυτή η τιμή χρησιμοποιείται για να δοθεί βαθμός στο μοντέλο.

• Μετρήσεις σφάλματος

  Εξετάστε τη συνολική απόδοση του μοντέλου από την άποψη του σφάλματος στην πρόβλεψη μελλοντικών τιμών. Χρησιμοποιούμε το μέγεθος Μέσο τετραγωνικό σφάλμα (RMSE) για την αξιολόγηση αυτού του σφάλματος. Το RMSE είναι ένας τυπικός τρόπος μέτρησης του σφάλματος ενός μοντέλου για την πρόβλεψη των ποσοτικών δεδομένων. Το RMSE του μοντέλου AI συγκρίνεται με το RMSE του μοντέλου γραμμής βάσης και σημειώνεται η σχετική διαφορά.

Το μοντέλο AI δίνει προτεραιότητα στην ακριβή κατάταξη των πελατών σύμφωνα με την αξία που αποφέρουν στην επιχείρησή σας. Έτσι, μόνο το ποσοστό επιτυχίας της πρόβλεψης πελατών υψηλής αξίας χρησιμοποιείται για την εξαγωγή του τελικού βαθμού του μοντέλου. Ο συντελεστής RMSE είναι ευαίσθητος σε ακραίες τιμές. Σε σενάρια όπου έχετε ένα μικρό ποσοστό πελατών με εξαιρετικά μεγάλες τιμές αγοράς, ο συνολικός συντελεστής RMSE ενδέχεται να μην σας δίνει την πλήρη εικόνα της απόδοσης του μοντέλου.