Prédire la valeur de durée de vie du client (CLV)

Prédire la valeur potentielle (chiffre d’affaires) que les clients actifs individuels apporteront à votre entreprise par le biais d’une période ultérieure définie. Cette prédiction vous aide à :

• Identifiez les clients à valeur élevée et traitez ces informations.
• Créez des segments de clients stratégiques en fonction de leur valeur potentielle pour exécuter des campagnes personnalisées avec des ventes, des marketing et des efforts de support ciblés.
• Guidez le développement de produits en mettant l’accent sur les fonctionnalités qui augmentent la valeur du client.
• Optimisez les ventes ou la stratégie marketing et allouez un budget plus précis pour la sensibilisation des clients.
• Reconnaître et récompenser des clients à valeur élevée par le biais de programmes de fidélité ou de récompenses.

Déterminez ce que signifie CLV pour votre entreprise. Nous prenons en charge la prédiction CLV basée sur les transactions. La valeur prédite d’un client est basée sur l’historique des transactions commerciales. Envisagez de créer plusieurs modèles avec différentes préférences d’entrée et de comparer les résultats du modèle pour voir quel scénario de modèle convient le mieux à vos besoins métier.

Prerequisites

• Au moins des autorisations contributeur
• Au moins 1 000 profils clients dans la fenêtre de prédiction souhaitée
• Identificateur du client, identificateur unique permettant de faire correspondre les transactions à un client individuel
• Au moins, un an d’historique des transactions, de préférence deux à trois ans. Idéalement, au moins deux à trois transactions par ID client, de préférence entre plusieurs dates. L’historique des transactions doit inclure :
  • ID de transaction : identificateur unique de chaque transaction
  • Date de la transaction : horodatage de chaque transaction
  • Montant de la transaction : valeur monétaire (par exemple, chiffre d’affaires ou marge bénéficiaire) de chaque transaction
  • Étiquette affectée à des retours : valeur true/false booléenne indiquant si la transaction est un retour
  • ID de produit : ID de produit impliqué dans la transaction
• Données sur les activités des clients :
  • Clé primaire : identificateur unique pour une activité
  • Horodatage : Date et heure de l’événement identifiés par la clé primaire
  • Événement (nom de l’activité) : nom de l’événement que vous souhaitez utiliser
  • Détails (montant ou valeur) : détails sur l’activité du client
• Données supplémentaires telles que :
  • Activités web : historique de visite du site web ou historique des e-mails
  • Activités de fidélité : Historique des points de récompense de fidélité et historique d’échange
  • Journal du service clientèle : appel de service, plainte ou historique de retour
  • Informations de profil client
• Moins de 20% valeurs manquantes dans les champs obligatoires

Créer une prédiction de valeur de durée de vie du client

Sélectionnez Enregistrer le brouillon à tout moment pour enregistrer la prédiction en tant que brouillon. La prédiction brouillon s’affiche sous l’onglet Mes prédictions .

1. Accédez auxprédictions>.

2. Sous l’onglet Créer , sélectionnez Utiliser le modèle dans la vignette Valeur de durée de vie du client .

3. Sélectionnez Commencer.

4. Nommez ce modèle et le nom de la table de sortie pour les distinguer d’autres modèles ou tables.

5. Cliquez sur Suivant.

Définir les préférences de modèle

1. Définissez une période de prédiction pour définir jusqu’à quel point vous souhaitez prédire la bibliothèque CLV. Par défaut, l’unité est définie en tant que mois.

   Conseil / Astuce

   Pour prédire avec précision la valeur CLV pour la période définie, une période comparable de données historiques est requise. Par exemple, si vous souhaitez prédire la CLV pour les 12 prochains mois, avez au moins 18 à 24 mois de données historiques.

2. Définissez l’intervalle de temps dans lequel un client doit avoir au moins une transaction à considérer comme active. Le modèle prédit uniquement la fonction CLV pour les clients actifs.

   • Laissez le modèle calculer l’intervalle d’achat (recommandé) : le modèle analyse vos données et détermine une période en fonction des achats historiques.
   • Définir manuellement l’intervalle : période de temps pour votre définition d’un client actif.

3. Définissez le centile du client à valeur élevée.

   • Calcul du modèle (recommandé) : le modèle utilise la règle 80/20. Le pourcentage de clients qui ont contribué à 80% chiffre d’affaires cumulés pour votre entreprise au cours de la période historique est considéré comme des clients à valeur élevée. En règle générale, moins de 30 à 40 clients% contribuent à 80% chiffre d’affaires cumulé. Toutefois, ce nombre peut varier en fonction de votre activité et de votre industrie.
   • Pourcentage des principaux clients actifs : centile spécifique pour un client à valeur élevée. Par exemple, entrez 25 pour définir des clients à valeur élevée comme 25% principaux clients payants.

   Si votre entreprise définit des clients à valeur élevée d’une manière différente, faites-nous savoir que nous aimerions entendre.

4. Cliquez sur Suivant.

Ajouter des données requises

1. Sélectionnez Ajouter des données pour l’historique des transactions client.

2. Sélectionnez le type d’activité sémantique, SalesOrder ou SalesOrderLine, qui contient l’historique des transactions. Si l’activité n’a pas été configurée, sélectionnez-la ici et créez-la.

3. Sous Activités, si les attributs d’activité ont été mappés sémantiquement lors de la création de l’activité, choisissez les attributs spécifiques ou la table sur laquelle vous souhaitez que le calcul se concentre. Si le mappage sémantique n’a pas eu lieu, sélectionnez Modifier et mapper vos données.

   

4. Sélectionnez Suivant et passez en revue les attributs requis pour ce modèle.

5. Cliquez sur Enregistrer.

6. Ajoutez d’autres activités ou sélectionnez Suivant.

Ajouter des données d’activité facultatives

Les données reflétant les interactions clés des clients (comme le web, le service client et les journaux d’événements) ajoutent du contexte aux enregistrements de transaction. D’autres modèles trouvés dans vos données d’activité client peuvent améliorer la précision des prédictions.

1. Sélectionnez Ajouter des données sous Boost model Insights avec des données d’activité supplémentaires.

2. Sélectionnez un type d’activité qui correspond au type d’activité client que vous ajoutez. Si l’activité n’a pas été configurée, sélectionnez-la ici et créez-la.

3. Sous Activités, si les attributs d’activité ont été mappés lors de la création de l’activité, choisissez les attributs spécifiques ou la table sur laquelle vous souhaitez que le calcul se concentre. Si le mappage n’a pas eu lieu, sélectionnez Modifier et mapper vos données.

4. Sélectionnez Suivant et passez en revue les attributs requis pour ce modèle.

5. Cliquez sur Enregistrer.

6. Cliquez sur Suivant.

7. Ajoutez des données client facultatives ou sélectionnez Suivant , puis accédez à Définir la planification de mise à jour.

Ajouter des données client facultatives

Sélectionnez parmi 18 attributs de profil client couramment utilisés pour les inclure comme entrée dans le modèle. Ces attributs peuvent entraîner des résultats de modèle plus personnalisés, pertinents et actionnables pour vos cas d’usage métier.

Par exemple : Contoso Coffee souhaite prédire la valeur de durée de vie du client pour cibler des clients à valeur élevée avec une offre personnalisée liée au lancement de leur nouvelle machine espresso. Contoso utilise le modèle CLV et ajoute tous les 18 attributs de profil client pour voir quels facteurs influencent leurs clients les plus importants. Ils trouvent l’emplacement du client est le facteur le plus influent pour ces clients. Avec ces informations, ils organisent un événement local pour le lancement de la machine espresso et collaborent avec des fournisseurs locaux pour des offres personnalisées et une expérience spéciale à l’événement. Sans ces informations, Contoso n’a peut-être envoyé que des e-mails marketing génériques et manqué l’opportunité de personnaliser pour ce segment local de leurs clients à valeur élevée.

1. Sélectionnez Ajouter des données sous Boost model Insights encore plus loin avec d’autres données client.

2. Pour Table, choisissez Customer : CustomerInsights pour sélectionner le profil client unifié qui correspond aux données d’attribut du client. Pour l’ID client, choisissez System.Customer.CustomerId.

3. Mappez d’autres champs si les données sont disponibles dans vos profils clients unifiés.

   

4. Cliquez sur Enregistrer.

5. Cliquez sur Suivant.

Définir la planification des mises à jour

1. Choisissez la fréquence à réentraîner votre modèle en fonction des données les plus récentes. Ce paramètre est important pour mettre à jour la précision des prédictions à mesure que de nouvelles données sont ingérées. La plupart des entreprises peuvent réentraîner une fois par mois et obtenir une bonne précision pour leur prédiction.

2. Cliquez sur Suivant.

Passer en revue et exécuter la configuration du modèle

L’étape Révision et exécution affiche un résumé de la configuration et fournit une chance d’apporter des modifications avant de créer la prédiction.

1. Sélectionnez Modifier sur l’une des étapes à suivre pour passer en revue et apporter des modifications.

2. Si vous êtes satisfait de vos sélections, sélectionnez Enregistrer et exécuter pour commencer à exécuter le modèle. Cliquez sur Terminé. L’onglet Mes prédictions s’affiche pendant la création de la prédiction. Le processus peut prendre plusieurs heures en fonction de la quantité de données utilisées dans la prédiction.

Afficher les résultats de prédiction

1. Accédez auxprédictions>.

2. Dans l’onglet Mes prédictions , sélectionnez la prédiction que vous souhaitez afficher.

Il existe trois sections principales de données dans la page de résultats.

• Performances du modèle d’entraînement : notes A, B ou C indiquent les performances de la prédiction et peuvent vous aider à prendre la décision d’utiliser les résultats stockés dans la table de sortie.

  

  Le système évalue la façon dont le modèle IA a effectué pour prédire les clients à valeur élevée par rapport à un modèle de base.

  Les notes sont déterminées en fonction des règles suivantes :

  • Une fois que le modèle a prédit avec précision au moins 5% clients plus à valeur élevée par rapport au modèle de référence.
  • B lorsque le modèle a prédit avec précision entre 0 et 5% clients plus à valeur élevée par rapport au modèle de référence.
  • C lorsque le modèle prédit avec précision moins de clients à valeur élevée par rapport au modèle de référence.

  Sélectionnez En savoir plus sur ce score pour ouvrir le volet d’évaluation du modèle, qui affiche des détails supplémentaires sur les performances du modèle IA et le modèle de base. Il vous aidera à mieux comprendre les métriques de performances du modèle sous-jacent et la façon dont le niveau de performance final du modèle a été dérivé. Le modèle de base utilise une approche non basée sur l’IA pour calculer la valeur de durée de vie du client en fonction principalement des achats historiques effectués par les clients.

• Valeur des clients par centile : les clients à faible valeur et à valeur élevée s’affichent dans un graphique. Pointez sur les barres de l’histogramme pour voir le nombre de clients dans chaque groupe et la valeur CLV moyenne de ce groupe. Si vous le souhaitez, créez des segments de clients en fonction de leurs prédictions CLV.

  

• Facteurs les plus influents : différents facteurs sont pris en compte lors de la création de votre prédiction CLV en fonction des données d’entrée fournies au modèle IA. Chacun des facteurs a leur importance calculée pour les prédictions agrégées qu’un modèle crée. Utilisez ces facteurs pour vous aider à valider vos résultats de prédiction. Ces facteurs fournissent également plus d’informations sur les facteurs les plus influents qui ont contribué à prédire la CLV à tous vos clients.

  

En savoir plus sur le score

Formule standard utilisée pour calculer la fonction CLV par le modèle de base :

CLV pour chaque client = Taux moyen d’achat mensuel effectué par le client dans la fenêtre client active * Nombre de mois dans la période de prédiction de la CLV * Taux de rétention global de tous les clients

Le modèle IA est comparé au modèle de base basé sur deux métriques de performances de modèle.

• Taux de réussite dans la prédiction de clients à valeur élevée

  Découvrez la différence dans la prédiction de clients à valeur élevée à l’aide du modèle IA par rapport au modèle de référence. Par exemple, 84% taux de réussite signifie qu’en dehors de tous les clients à valeur élevée dans les données d’entraînement, le modèle IA a pu capturer avec précision 84%. Nous comparons ensuite ce taux de réussite au taux de réussite du modèle de base pour signaler la modification relative. Cette valeur est utilisée pour affecter une note au modèle.

• Métriques d’erreur

  Consultez les performances globales du modèle en termes d’erreur dans la prédiction de valeurs futures. Nous utilisons la métrique RMSE (Root Mean Squared Error) globale pour évaluer cette erreur. RMSE est un moyen standard de mesurer l’erreur d’un modèle dans la prédiction de données quantitatives. Le RMSE du modèle IA est comparé au RMSE du modèle de référence et la différence relative est signalée.

Le modèle IA hiérarchise le classement précis des clients en fonction de la valeur qu’ils apportent à votre entreprise. Ainsi, seul le taux de réussite de la prédiction de clients à valeur élevée est utilisé pour dériver la note finale du modèle. La métrique RMSE est sensible aux valeurs hors norme. Dans les scénarios où vous avez un petit pourcentage de clients avec des valeurs d’achat extrêmement élevées, la métrique RMSE globale peut ne pas donner l’image complète des performances du modèle.