Predicción del valor de duración del cliente (CLV)

Predecir el valor potencial (ingresos) que los clientes activos individuales incorporarán a su negocio a través de un período de tiempo futuro definido. Esta predicción le ayuda a:

• Identifique a los clientes de alto valor y procese esta información.
• Cree segmentos de clientes estratégicos en función de su valor potencial para ejecutar campañas personalizadas con los esfuerzos de ventas, marketing y soporte técnico dirigidos.
• Guiar el desarrollo de productos centrándose en características que aumentan el valor del cliente.
• Optimice la estrategia de ventas o marketing y asigne presupuesto con mayor precisión para la difusión de los clientes.
• Reconocer y recompensar a los clientes de alto valor a través de programas de fidelidad o recompensas.

Determine qué significa CLV para su negocio. Se admite la predicción de CLV basada en transacciones. El valor previsto de un cliente se basa en el historial de transacciones empresariales. Considere la posibilidad de crear varios modelos con distintas preferencias de entrada y comparar los resultados del modelo para ver qué escenario de modelo se adapta mejor a sus necesidades empresariales.

Prerrequisitos

• Al menos permisos de colaborador
• Al menos 1000 perfiles de cliente dentro de la ventana de predicción deseada
• Identificador de cliente, un identificador único para hacer coincidir las transacciones con un cliente individual
• Al menos un año de historial de transacciones, preferiblemente dos o tres. Idealmente, al menos dos a tres transacciones por identificador de cliente, preferiblemente en varias fechas. El historial de transacciones debe incluir:
  • Id. de transacción: identificador único de cada transacción
  • Fecha de transacción: marca de fecha o hora de cada transacción
  • Importe de la transacción: valor monetario (por ejemplo, ingresos o margen de beneficio) de cada transacción
  • Etiqueta asignada a devuelve: valor booleano true/false que indica si la transacción es una devolución.
  • Id. de producto: id. de producto implicado en la transacción
• Datos sobre las actividades del cliente:
  • Clave principal: identificador único de una actividad
  • Marca de tiempo: fecha y hora del evento identificado por la clave principal
  • Evento (nombre de la actividad):nombre del evento que desea usar
  • Detalles (cantidad o valor): detalles sobre la actividad del cliente
• Datos adicionales, como:
  • Actividades web: historial de visitas del sitio web o historial de correo electrónico
  • Actividades de fidelidad: Acumulación de puntos de recompensa de fidelidad y historial de canje
  • Registro de servicio al cliente: llamada al servicio, queja o historial de devolución
  • Información del perfil de cliente
• Menos de 20% valores que faltan en los campos obligatorios

Creación de una predicción de valor de duración del cliente

Seleccione Guardar borrador en cualquier momento para guardar la predicción como borrador. La predicción de borrador se muestra en la pestaña Mis predicciones .

1. Vaya a Predicciones de conclusiones>.

2. En la pestaña Crear , seleccione Usar modelo en el icono Valor de duración del cliente .

3. Seleccione Comenzar.

4. Asigne a este modelo elnombre de la tabla output para distinguirlos de otros modelos o tablas.

5. Seleccione Siguiente.

Definir preferencias de modelo

1. Establezca un período de tiempo de predicción para definir hasta qué punto en el futuro desea predecir el CLV. De forma predeterminada, la unidad se establece como meses.

   Sugerencia

   Para predecir con precisión CLV durante el período de tiempo establecido, se requiere un período comparable de datos históricos. Por ejemplo, si desea predecir CLV durante los próximos 12 meses, tenga al menos 18 a 24 meses de datos históricos.

2. Establezca el período de tiempo en el que un cliente debe haber tenido al menos una transacción para que se considere activa. El modelo solo predice CLV para clientes activos.

   • Permitir que el modelo calcule el intervalo de compra (recomendado): el modelo analiza los datos y determina un período de tiempo basado en las compras históricas.
   • Establecer el intervalo manualmente: período de tiempo para la definición de un cliente activo.

3. Defina el percentil del cliente de alto valor.

   • Cálculo del modelo (recomendado): el modelo usa la regla 80/20. El porcentaje de clientes que han contribuido a 80% ingresos acumulados para su negocio en el período histórico se consideran clientes de alto valor. Normalmente, menos de 30 a 40% los clientes contribuyen a 80% ingresos acumulados. Sin embargo, este número puede variar en función de su negocio y sector.
   • Porcentaje de clientes activos principales: percentil específico para un cliente de alto valor. Por ejemplo, escriba 25 para definir clientes de alto valor como los 25 principales% de clientes de pago futuros.

   Si su negocio define clientes de gran valor de una manera diferente, háganoslo saber como nos encantaría escuchar.

4. Seleccione Siguiente.

Adición de datos necesarios

1. Seleccione Agregar datos para el historial de transacciones del cliente.

2. Seleccione el tipo de actividad semántica , SalesOrder o SalesOrderLine, que contiene el historial de transacciones. Si no se ha configurado la actividad, seleccione aquí y créela.

3. En Actividades, si los atributos de actividad se asignaron semánticamente cuando se creó la actividad, elija los atributos o la tabla específicos en los que desea que se centre el cálculo. Si no se ha producido la asignación semántica, seleccione Editar y asignar los datos.

   

4. Seleccione Siguiente y revise los atributos necesarios para este modelo.

5. Haga clic en Guardar.

6. Agregue más actividades o seleccione Siguiente.

Adición de datos de actividad opcionales

Los datos que reflejan las interacciones clave del cliente (como web, servicio al cliente y registros de eventos) agregan contexto a los registros de transacciones. Más patrones encontrados en los datos de actividad del cliente pueden mejorar la precisión de las predicciones.

1. Seleccione Agregar datos en Boost model insights (Aumentar información del modelo) con datos de actividad adicionales.

2. Seleccione un tipo de actividad que coincida con el tipo de actividad del cliente que va a agregar. Si no se ha configurado la actividad, seleccione aquí y créela.

3. En Actividades, si los atributos de actividad se asignaron cuando se creó la actividad, elija los atributos o la tabla específicos en los que desea que se centre el cálculo. Si no se ha producido la asignación, seleccione Editar y asignar los datos.

4. Seleccione Siguiente y revise los atributos necesarios para este modelo.

5. Haga clic en Guardar.

6. Seleccione Siguiente.

7. Agregue datos de cliente opcionales o seleccione Siguiente y vaya a Establecer programación de actualizaciones.

Adición de datos de cliente opcionales

Seleccione entre 18 atributos de perfil de cliente usados habitualmente para incluir como entrada al modelo. Estos atributos pueden dar lugar a resultados de modelos más personalizados, relevantes y accionables para los casos de uso empresariales.

Por ejemplo: Contoso Coffee quiere predecir el valor de duración del cliente para dirigirse a clientes de alto valor con una oferta personalizada relacionada con el lanzamiento de su nueva máquina espresso. Contoso usa el modelo CLV y agrega todos los 18 atributos de perfil de cliente para ver qué factores influyen en sus clientes de mayor valor. Encuentran la ubicación del cliente es el factor más influyente para estos clientes. Con esta información, organizan un evento local para el lanzamiento de la máquina espresso y se asocian con proveedores locales para ofertas personalizadas y una experiencia especial en el evento. Sin esta información, Contoso podría haber enviado solo correos electrónicos de marketing genéricos y ha perdido la oportunidad de personalizar para este segmento local de sus clientes de alto valor.

1. Seleccione Agregar datos en Boost model Insights aún más con datos de clientes adicionales.

2. En Tabla, elija Customer : CustomerInsights para seleccionar el perfil de cliente unificado que se asigna a los datos de atributos del cliente. En Id. de cliente, elija System.Customer.CustomerId.

3. Asigne más campos si los datos están disponibles en los perfiles de cliente unificados.

   

4. Haga clic en Guardar.

5. Seleccione Siguiente.

Establecer la programación de actualizaciones

1. Elija la frecuencia para volver a entrenar el modelo en función de los datos más recientes. Esta configuración es importante para actualizar la precisión de las predicciones a medida que se ingieren nuevos datos. La mayoría de las empresas pueden volver a entrenar una vez al mes y obtener una buena precisión para su predicción.

2. Seleccione Siguiente.

Revisión y ejecución de la configuración del modelo

El paso Revisar y ejecutar muestra un resumen de la configuración y proporciona la oportunidad de realizar cambios antes de crear la predicción.

1. Seleccione Editar en cualquiera de los pasos para revisar y realizar los cambios.

2. Si está satisfecho con las selecciones, seleccione Guardar y ejecutar para empezar a ejecutar el modelo. Seleccione Listo. La pestaña Mis predicciones se muestra mientras se crea la predicción. El proceso puede tardar varias horas en completarse en función de la cantidad de datos utilizados en la predicción.

Visualización de los resultados de la predicción

1. Vaya a Predicciones de conclusiones>.

2. En la pestaña Mis predicciones , seleccione la predicción que desea ver.

Hay tres secciones principales de datos en la página de resultados.

• Rendimiento del modelo de entrenamiento: las calificaciones A, B o C indican el rendimiento de la predicción y pueden ayudarle a tomar la decisión de usar los resultados almacenados en la tabla de salida.

  

  El sistema evalúa cómo se ha realizado el modelo de IA en la predicción de los clientes de alto valor en comparación con un modelo de línea base.

  Las calificaciones se determinan en función de las reglas siguientes:

  • Cuando el modelo predijo con precisión al menos 5% clientes de mayor valor en comparación con el modelo de línea base.
  • B cuando el modelo predice con precisión entre 0 y 5% clientes de mayor valor en comparación con el modelo de línea base.
  • C cuando el modelo predijo con precisión menos clientes de alto valor en comparación con el modelo de línea base.

  Seleccione Obtener información sobre esta puntuación para abrir el panel Clasificación del modelo, que muestra más detalles sobre el rendimiento del modelo de IA y el modelo de línea de base. Le ayudará a comprender mejor las métricas de rendimiento del modelo subyacentes y cómo se ha derivado la calificación final de rendimiento del modelo. El modelo de línea base usa un enfoque no basado en ia para calcular el valor de duración del cliente en función principalmente de las compras históricas realizadas por los clientes.

• Valor de los clientes por percentil: los clientes de bajo valor y de alto valor se muestran en un gráfico. Mantenga el puntero sobre las barras del histograma para ver el número de clientes de cada grupo y el CLV promedio de ese grupo. Opcionalmente, cree segmentos de clientes en función de sus predicciones de CLV.

  

• Factores más influyentes: se consideran varios factores al crear la predicción de CLV en función de los datos de entrada proporcionados al modelo de IA. Cada uno de los factores tiene su importancia calculada para las predicciones agregadas que crea un modelo. Use estos factores para ayudar a validar los resultados de la predicción. Estos factores también proporcionan más información sobre los factores más influyentes que han contribuido a predecir CLV en todos los clientes.

  

Más información sobre la puntuación

Fórmula estándar que se usa para calcular CLV por el modelo de línea base:

CLV para cada cliente = Promedio de compras mensuales realizadas por el cliente en la ventana del cliente activo * Número de meses en el período de predicción de CLV * Tasa de retención global de todos los clientes

El modelo de IA se compara con el modelo de línea base en función de dos métricas de rendimiento del modelo.

• Tasa de éxito en la predicción de clientes de alto valor

  Consulte la diferencia en la predicción de clientes de alto valor que usan el modelo de IA en comparación con el modelo de línea de base. Por ejemplo, 84% tasa de éxito significa que, fuera de todos los clientes de alto valor de los datos de entrenamiento, el modelo de inteligencia artificial pudo capturar con precisión 84%. A continuación, comparamos esta tasa de éxito con la tasa de éxito del modelo de línea base para notificar el cambio relativo. Este valor se usa para asignar una calificación al modelo.

• Métricas de error

  Consulte el rendimiento general del modelo en términos de error en la predicción de valores futuros. Usamos la métrica global error cuadrático medio (RMSE) para evaluar este error. RMSE es una manera estándar de medir el error de un modelo en la predicción de datos cuantitativos. El RMSE del modelo de IA se compara con el RMSE del modelo de línea de base y se notifica la diferencia relativa.

El modelo de inteligencia artificial da prioridad a la clasificación precisa de los clientes según el valor que aportan a su negocio. Por lo tanto, solo se usa la tasa de éxito de predicción de clientes de alto valor para derivar la calificación final del modelo. La métrica RMSE es sensible a los valores atípicos. En escenarios en los que tiene un pequeño porcentaje de clientes con valores de compra extraordinariamente altos, es posible que la métrica RMSE general no proporcione la imagen completa del rendimiento del modelo.