Partilhar via

Prever valor vitalício do cliente (CLV)

  • Artigo

Preveja o valor potencial (receita) que os clientes ativos individuais irão trazer para o seu negócio através de um período de tempo definido no futuro. Esta predição ajuda-o a:

  • Identificar clientes de alto valor e processar estas informações.
  • Criar segmentos de clientes estratégicos com base no seu valor potencial para executar campanhas personalizadas com vendas, marketing e esforços de suporte direcionados.
  • Orientar o desenvolvimento do produto focando-se em caraterísticas que aumentam o valor do cliente.
  • Otimizar a estratégia de vendas ou de marketing e alocar o orçamento com mais precisão para a divulgação do cliente.
  • Reconhecer e dar prémios a clientes de alto valor através de programas de fidelização ou recompensas.

Determinar o significado de CLV para a sua empresa. Suportamos a predição de CLV baseada em transações. O valor previsto de um cliente baseia-se no histórico de transações comerciais. Considere criar vários modelos com diferentes preferências de entrada e compare os resultados do modelo para ver qual o cenário de modelo que melhor se adequa às necessidades do seu negócio.

Sugestão

Experimente o predição de CLV utilizando dados de amostra: Guia de amostra de predição do Valor Vitalício do Cliente (CLV).

Pré-requisitos

  • Pelo menos, permissões de Contribuidor
  • Pelo menos 1000 perfis de cliente na janela de predição pretendida
  • Identificador de Cliente: um identificador exclusivo para combinar transações com um cliente individual
  • Pelo menos, um anos de histórico de transações. de preferência, dois a três anos. Idealmente, pelo menos, duas a três transações por ID de cliente, de preferência em várias datas. O histórico de transações tem de incluir:
    • ID da Transação: identificador exclusivo de cada transação
    • Data da transação: data, ou carimbo de data/hora de cada transação
    • Montante da transação: valor monetário (por exemplo, receitas ou margem de lucro) de cada transação
    • Etiqueta atribuída a devoluções: valor true/false booleano que significa se a transação é uma devolução
    • ID do produto: ID do Produto envolvido na transação
  • Dados sobre as atividades do cliente:
    • Chave primária: identificador exclusivo para uma atividade
    • Carimbo de data/hora: data e hora do evento identificadas pela chave primária
    • Evento (nome da atividade): nome do evento que pretende utilizar
    • Detalhes (montante ou valor): detalhes sobre a atividade do cliente
  • Dados adicionais, tais como:
    • Atividades Web: histórico de visitas ao site ou histórico de e-mails
    • Atividades de fidelização: acumulação de pontos de recompensa de fidelidade e histórico de redenção
    • Registo de suporte ao cliente: chamada de serviço, reclamação ou histórico de devoluções
    • Informações de perfil de cliente
  • Menos de 20% de valores em falta em campos obrigatórios

Nota

Apenas uma tabela de histórico de transações pode ser configurada. Se existirem várias tabelas de compra ou de transação, pode combiná-las no Power Query antes da ingestão de dados.

Criar um predição do Valor Vitalício do Cliente

Selecione Guardar rascunho a qualquer momento para guardar a predição como rascunho. A predição de rascunho é apresentada no separador A minhas predições.

  1. Aceda a Informações>Predições.

  2. No separador Criar, selecione Utilizar modelo no mosaico Valor vitalício do cliente.

  3. Selecione Introdução.

  4. Nomeie este modelo e o Nome da tabela de saída para distingui-los de outros modelos ou entidades.

  5. Selecione Seguinte.

Definir preferências de modelo

  1. Defina um Período de tempo de predição para definir até onde pretende prever o CLV. Por predefinição, a unidade é definida como meses.

    Sugestão

    Para prever com precisão o CLV para o período de tempo definido, é necessário um período comparável de dados históricos. Por exemplo, se quiser prever CLV para os próximos 12 meses, tenha, pelo menos, 18 a 24 meses de dados históricos.

  2. Defina o intervalo de tempo em que um cliente deve ter tido pelo menos uma transação a considerar ativa. O modelo apenas prevê o CLV para Clientes ativos.

    • Deixe o modelo calcular o intervalo de compra (recomendado): o modelo analisa os seus dados e determina um período de tempo baseado em compras históricas.
    • Definir intervalo manualmente: período de tempo para a sua definição de um cliente ativo.

  3. Defina a percentil do Cliente de alto valor.

    • Cálculo do modelo (recomendado): o modelo utiliza a regra 80/20. A percentagem de clientes que contribuíram para uma receita acumulada de 80% para o seu negócio no período histórico são considerados clientes de alto valor. Normalmente, menos de 30% a 40% de clientes contribuem para uma receita acumulada de 80%. No entanto, este número pode variar dependendo do seu negócio e do seu setor.
    • Percentagem dos clientes ativos principais: percentil específico para um cliente de alto valor. Por exemplo, introduza 25 para definir clientes de alto valor como os principais 25% dos futuros clientes pagadores.

    Se o seu negócio define clientes de alto valor de uma forma diferente, diga-nos, pois gostaríamos de saber.

  4. Selecione Seguinte.

Adicionar dados necessários

  1. Selecione Adicionar dados para Histórico de transações do cliente.

  2. Selecione o tipo de atividade semântica SalesOrder ou SalesOrderLine que contém o histórico de transações. Se a atividade não tiver sido configurada, selecione aqui e crie-a.

  3. Em Atividades, se os atributos de atividade foram mapeados semanticamente quando a atividade foi criada, escolha os atributos ou a tabela específicos em que gostaria que o cálculo se focasse. Se o mapeamento semântico não ocorrer, selecione Editar e mapeie os dados.

    Adicionar dados obrigatórios ao modelo de CLV

  4. Selecione Seguinte e reveja os atributos necessários para este modelo.

  5. Selecione Guardar.

  6. Adicione mais atividades ou selecione Seguinte.

Adicionar dados de atividade opcionais

Os dados que refletem as principais interações do cliente (como Web, suporte ao cliente e registos de eventos) adicionam contexto aos registos de transações. Mais padrões encontrados nos dados da atividade do seu cliente podem melhorar a precisão das predições.

  1. Selecione Adicionar dados sob Fomentar informações do modelo com dados de atividade adicionais.

  2. Selecione um tipo de atividade que corresponda ao tipo de atividade do cliente que está a adicionar. Se a atividade não tiver sido configurada, selecione aqui e crie-a.

  3. Em Atividades, se os atributos de atividade foram mapeados quando a atividade foi criada, escolha os atributos ou a tabela específicos em que gostaria que o cálculo se focasse. Se o mapeamento não ocorrer, selecione Editar e mapeie os dados.

  4. Selecione Seguinte e reveja os atributos necessários para este modelo.

  5. Selecione Guardar.

  6. Selecione Seguinte.

  7. Adicione dados opcionais de clientes ou selecione Seguinte e aceda a Definir agenda de atualização.

Adicionar dados de cliente opcionais

Selecione a partir dos 18 atributos de perfil de cliente utilizados comummente para incluir como entrada no modelo. Estes atributos podem levar a resultados de modelo mais personalizados, relevantes e acionáveis para os casos de utilização do negócio.

Por exemplo: a Contoso Coffee pretende prever o valor vitalício dos clientes para visar os clientes de elevado valor com uma oferta personalizada relacionada com o lançamento da nova máquina de café. A Contoso utiliza o modelo CLV e adiciona os 18 atributos de perfil de cliente para ver quais os fatores que influenciam os seus clientes de maior valor. Concluem que a localização do cliente é o fator mais influente para estes clientes. Com estas informações, organizam um evento local para o lançamento da máquina de café e fazem uma parceria com fornecedores locais para fazerem ofertas personalizadas e oferecerem uma experiência especial no evento. Sem estas informações, a Contoso poderá ter enviado apenas e-mails de marketing genéricos e perdido a oportunidade de personalizar para este segmento local dos seus clientes de elevado valor.

  1. Selecione Adicionar dados sob Fomentar ainda mais informações do modelo com dados adicionais do cliente.

  2. Para Tabela, escolha Cliente: CustomerInsights para selecionar o perfil de cliente unificado que mapeia para dados de atributo do cliente. Para ID de cliente, escolha System.Customer.CustomerId.

  3. Mapeie mais campos se os dados estiverem disponíveis nos seus perfis de cliente unificados.

    Exemplo de campos mapeados para dados de perfil de cliente.

  4. Selecione Guardar.

  5. Selecione Seguinte.

Definir agenda de atualização

  1. Escolha a frequência para reeducar o modelo com base nos dados mais recentes. Esta definição é importante para atualizar a exatidão das predições à medida que novos dados são ingeridos. A maioria das empresas pode reeducar uma vez por mês e obter uma boa precisão para a sua previsão.

  2. Selecione Seguinte.

Rever e executar a configuração do modelo

O passo Rever e executar mostra um resumo da configuração e fornece uma oportunidade de efetuar alterações antes de criar a predição.

  1. Selecione Editar em qualquer um dos passos para rever e efetuar quaisquer alterações.

  2. Se estiver satisfeito com as suas seleções, selecione Guardar e executar para começar a executar o modelo. Selecionar Concluído. O separador As minhas predições é apresentado enquanto a predição está a ser criada. O processo pode demorar várias horas a ser concluído dependendo da quantidade de dados utilizados na previsão.

Sugestão

Existem estados para tarefas e processos. A maioria dos processos depende de outros processos de origem, tais como origens de dados e atualizações da criação de perfis de dados.

Selecione o estado para abrir o painel Detalhes do progresso e ver o progresso das tarefas. Para cancelar a tarefa, selecione Cancelar tarefa na parte inferior do painel.

Em cada tarefa, pode selecionar Ver detalhes para obter mais informações sobre o progresso, tais como o tempo de processamento, a data do último processamento, e quaisquer erros e avisos aplicáveis associados à tarefa ou ao processo. Selecione Ver estado do sistema na parte inferior do painel para ver outros processos no sistema.

Ver resultados da predição

  1. Aceda a Informações>Predições.

  2. No separador As minhas predições, selecione a predição que pretende ver.

Existem três secções primárias de dados dentro da página de resultados.

  • Desempenho do modelo de preparação: as notas A, B e C indicam o desempenho da predição e podem ajudá-lo a tomar a decisão de utilizar os resultados armazenados na tabela de saída.

    Imagem da caixa de informação de nível do modelo com o nível A.

    O sistema avalia o desempenho do modelo de IA em prever os clientes de alto valor em comparação com um modelo de linha de base.

    Os níveis são determinados com base nas seguintes regras:

    • A quando o modelo previu com precisão, pelo menos, 5% mais clientes de alto valor em comparação com o modelo de base.
    • B quando o modelo previu com precisão entre 0% a 5% mais clientes de alto valor em comparação com o modelo de base.
    • C quando o modelo previu com precisão menos clientes de alto valor em comparação com o modelo de base.

    Selecione Conhecer esta classificação para abrir o painel Classificação do modelo mostra mais detalhes sobre o desempenho do modelo de IA e o modelo de linha de base. Irá ajudá-lo a entender melhor as métricas de desempenho do modelo subjacente e como a nota do desempenho final do modelo foi derivado. O modelo de base utiliza uma abordagem não baseada em IA para calcular o valor vitalício do cliente baseado principalmente em compras históricas feitas pelos clientes.

  • Valor de clientes por percentil: clientes de baixo valor e de alto valor são apresentados num gráfico. Paire o cursor sobre as barras no histograma para ver o número de clientes em cada grupo e a média de CLV desse grupo. Opcionalmente, pode criar segmentos de clientes com base nas suas previsões de CLV.

    Valor dos clientes por percentil para o modelo de CLV

  • Fatores mais influentes: vários fatores são considerados ao criar a sua predição de CLV com base nos dados de entrada fornecidos ao modelo de IA. Cada um dos fatores tem a sua importância calculada para as previsões agregadas que um modelo cria. Utilize estes fatores para ajudar a validar os resultados da sua predição. Estes fatores também fornecem mais informações sobre os fatores mais influentes que contribuíram para a predição de CLV em todos os seus clientes.

    Fatores mais influentes para o modelo de CLV

Conhecer a classificação

A fórmula padrão utilizada para calcular o CLV pelo modelo de base:

CLV para cada cliente = Compra média mensal feita pelo cliente na janela de cliente ativo * Número de meses no período de predição de CLV * Taxa de retenção geral de todos os clientes

O modelo de IA é comparado com o modelo de base com base em duas métricas de desempenho do modelo.

  • Taxa de sucesso na predição de clientes de valor elevado

    Veja a diferença na predição de clientes de alto valor utilizando o modelo de IA em comparação com o modelo de base. Por exemplo, uma taxa de sucesso de 84% significa que de todos os clientes de alto valor nos dados de preparação, o modelo de IA foi capaz de capturar com precisão 84%. Em seguida, comparamos esta taxa de sucesso com a taxa de sucesso do modelo de base para reportar a mudança relativa. Este valor é usado para atribuir um nível ao modelo.

  • Métricas de erro

    Consulte o desempenho geral do modelo em termos de erro na predição de valores futuros. Utilizamos a métrica geral do Erro do Desvio da Raiz Quadrada Média (RMSE) para avaliar este erro. A RMSE é uma forma padrão de medir o erro de um modelo na predição de dados quantitativos. A RMSE do modelo de IA é comparado com a RMSE do modelo de base e a diferença relativa é reportada.

O modelo de IA dá prioridade à classificação precisa dos clientes de acordo com o valor que trazem para o seu negócio. Assim, apenas a taxa de sucesso da predição de clientes de alto valor é usada para obter o nível final do modelo. A métrica RMSE é sensível a valores atípicos. Em cenários em que tem uma pequena percentagem de clientes com valores de compra extraordinariamente elevados, a métrica geral da RMSE pode não dar a imagem completa do desempenho do modelo.