Klantlevenswaarde voorspellen (CLV)

Voorspel potentiële waarde (omzet) die individuele actieve klanten binnenbrengen in uw bedrijf via een gedefinieerde toekomstige periode. Met deze voorspelling kunt u het volgende doen:

• Identificeer waardevolle klanten en verwerkt dit inzicht.
• Maak strategische klantsegmenten op basis van hun potentiële waarde om gepersonaliseerde campagnes uit te voeren met gerichte verkoop-, marketing- en ondersteuningsinspanningen.
• Gids voor productontwikkeling door te focussen op functies die de klantwaarde verhogen.
• Optimaliseer verkoop- of marketingstrategie en wijs budget nauwkeuriger toe voor het bereiken van klanten.
• Klanten met een hoge waarde herkennen en belonen via loyaliteits- of rewards-programma's.

Bepaal wat CLV betekent voor uw bedrijf. We ondersteunen clv-voorspelling op basis van transacties. De voorspelde waarde van een klant is gebaseerd op de geschiedenis van zakelijke transacties. Overweeg om verschillende modellen te maken met verschillende invoervoorkeuren en modelresultaten te vergelijken om te zien welk modelscenario het beste past bij uw bedrijfsbehoeften.

Vereiste voorwaarden

• Ten minste inzendermachtigingen
• Ten minste 1000 klantprofielen binnen het gewenste voorspellingsvenster
• Klant-id, een unieke id om transacties aan een afzonderlijke klant te koppelen
• Minimaal één jaar aan transactiegeschiedenis, bij voorkeur twee tot drie jaar. In het ideale geval zijn er ten minste twee tot drie transacties per klant-id, bij voorkeur voor meerdere datums. Transactiegeschiedenis moet het volgende omvatten:
  • Transactie-id: unieke id van elke transactie
  • Transactiedatum: Datum of tijdstempel van elke transactie
  • Transactiebedrag: Monetaire waarde (bijvoorbeeld omzet of winstmarge) van elke transactie
  • Label toegewezen aan retourneert: Booleaanse waarde waar/onwaar die aangeeft of de transactie een retour is
  • Product-id: Product-id van het product dat betrokken is bij de transactie
• Gegevens over klantactiviteiten:
  • Primaire sleutel: unieke id voor een activiteit
  • Tijdstempel: Datum en tijd van de gebeurtenis die wordt geïdentificeerd door de primaire sleutel
  • Gebeurtenis (activiteitsnaam): naam van gebeurtenis die u wilt gebruiken
  • Details (bedrag of waarde): details over de klantactiviteit
• Aanvullende gegevens, zoals:
  • Webactiviteiten: Bezoekgeschiedenis van website of e-mailgeschiedenis
  • Loyaliteitsactiviteiten: beloningspunten voor loyaliteit en aflossingsgeschiedenis
  • Klantenservicelogboek: serviceoproep, klacht of retourgeschiedenis
  • Klantprofielgegevens
• Minder dan 20% ontbrekende waarden in vereiste velden

Een voorspelling voor de levensduur van de klant maken

Selecteer Concept opslaan op elk gewenst moment om de voorspelling op te slaan als concept. De conceptvoorspelling wordt weergegeven op het tabblad Mijn voorspellingen .

1. Ga naarInzichtenvoorspellingen>.

2. Selecteer Op het tabblad Makenmodel gebruiken op de tegel Levensduur van klant .

3. Selecteer Aan de slag.

4. Geef dit model een naam en de naam van de uitvoertabel om deze te onderscheiden van andere modellen of tabellen.

5. Kies Volgende.

Modelvoorkeuren definiëren

1. Stel een voorspellingsperiode in om te definiëren hoe ver in de toekomst u de CLV wilt voorspellen. De eenheid wordt standaard ingesteld als maanden.

   Aanbeveling

   Om CLV nauwkeurig te voorspellen voor de ingestelde periode, is een vergelijkbare periode van historische gegevens vereist. Als u bijvoorbeeld CLV wilt voorspellen voor de komende 12 maanden, moet u ten minste 18 tot 24 maanden aan historische gegevens hebben.

2. Stel het tijdsbestek in waarin een klant ten minste één transactie moet hebben om als actief te worden beschouwd. Het model voorspelt alleen CLV voor actieve klanten.

   • Laat model het aankoopinterval berekenen (aanbevolen):Model analyseert uw gegevens en bepaalt een periode op basis van historische aankopen.
   • Interval handmatig instellen: Tijdsperiode voor uw definitie van een actieve klant.

3. Definieer het percentiel van klant met hoge waarde.

   • Modelberekening (aanbevolen): model maakt gebruik van 80/20-regel. Het percentage klanten dat heeft bijgedragen aan 80% cumulatieve omzet voor uw bedrijf in de historische periode, worden beschouwd als waardevolle klanten. Doorgaans dragen minder dan 30-40% klanten bij aan 80% cumulatieve omzet. Dit aantal kan echter variëren, afhankelijk van uw bedrijf en branche.
   • Percentage van de belangrijkste actieve klanten: specifiek percentiel voor een klant met hoge waarde. Voer bijvoorbeeld 25 in om hoogwaardige klanten te definiëren als de top 25% van toekomstige betalende klanten.

   Als uw bedrijf klanten met een hoge waarde op een andere manier definieert, laat het ons dan weten zoals we graag willen horen.

4. Kies Volgende.

Vereiste gegevens toevoegen

1. Selecteer Gegevens toevoegen voor de transactiegeschiedenis van de klant.

2. Selecteer het semantische activiteitstype , SalesOrder of SalesOrderLine, dat de transactiegeschiedenis bevat. Als de activiteit niet is ingesteld, selecteert u hier en maakt u deze.

3. Als onder Activiteiten de activiteitskenmerken semantisch zijn toegewezen toen de activiteit werd gemaakt, kiest u de specifieke kenmerken of tabel waarop u de berekening wilt richten. Als er geen semantische toewijzing is opgetreden, selecteert u Bewerken en uw gegevens toewijzen.

   

4. Selecteer Volgende en controleer de kenmerken die vereist zijn voor dit model.

5. Selecteer Opslaan.

6. Voeg meer activiteiten toe of selecteer Volgende.

Optionele activiteitsgegevens toevoegen

Gegevens die belangrijke klantinteracties (zoals web-, klantenservice- en gebeurtenislogboeken) weerspiegelen, voegen context toe aan transactierecords. Meer patronen in de gegevens van uw klantactiviteit kunnen de nauwkeurigheid van de voorspellingen verbeteren.

1. Selecteer Gegevens toevoegen onder Boost-modelinzichten met aanvullende activiteitsgegevens.

2. Selecteer een activiteitstype dat overeenkomt met het type klantactiviteit dat u toevoegt. Als de activiteit niet is ingesteld, selecteert u hier en maakt u deze.

3. Als onder Activiteiten de activiteitskenmerken zijn toegewezen toen de activiteit werd gemaakt, kiest u de specifieke kenmerken of tabel waarop u de berekening wilt richten. Als de toewijzing niet is uitgevoerd, selecteert u Bewerken en uw gegevens toewijzen.

4. Selecteer Volgende en controleer de kenmerken die vereist zijn voor dit model.

5. Selecteer Opslaan.

6. Kies Volgende.

7. Voeg optionele klantgegevens toe of selecteer Volgende en ga naar Updateschema instellen.

Optionele klantgegevens toevoegen

Selecteer uit 18 veelgebruikte kenmerken van het klantprofiel om op te nemen als invoer voor het model. Deze kenmerken kunnen leiden tot meer gepersonaliseerde, relevante en bruikbare modelresultaten voor uw zakelijke use cases.

Bijvoorbeeld: Contoso Coffee wil klantlevenswaarde voorspellen om klanten te voorzien van een persoonlijke aanbieding met betrekking tot de lancering van hun nieuwe espressomachine. Contoso gebruikt het CLV-model en voegt alle 18 kenmerken van het klantprofiel toe om te zien welke factoren van invloed zijn op hun klanten met de hoogste waarde. Ze vinden klantlocatie de meest invloedrijke factor voor deze klanten. Met deze informatie organiseren ze een lokaal evenement voor de lancering van de espressomachine en werken ze samen met lokale leveranciers voor gepersonaliseerde aanbiedingen en een speciale ervaring op het evenement. Zonder deze informatie heeft Contoso mogelijk alleen algemene marketing-e-mails verzonden en de mogelijkheid gemist om deze lokale segment van hun klanten met een hoge waarde te personaliseren.

1. Selecteer Gegevens toevoegen onder Boost-modelinzichten nog verder met extra klantgegevens.

2. Voor Tabel kiest u Klant: CustomerInsights om het geïntegreerde klantprofiel te selecteren dat wordt toegewezen aan klantkenmerkgegevens. Kies System.Customer.CustomerId voor klant-id.

3. Wijs meer velden toe als de gegevens beschikbaar zijn in uw geïntegreerde klantprofielen.

   

4. Selecteer Opslaan.

5. Kies Volgende.

Updateschema instellen

1. Kies de frequentie om uw model opnieuw te trainen op basis van de meest recente gegevens. Deze instelling is belangrijk om de nauwkeurigheid van voorspellingen bij te werken wanneer nieuwe gegevens worden opgenomen. De meeste bedrijven kunnen één keer per maand opnieuw trainen en een goede nauwkeurigheid krijgen voor hun voorspelling.

2. Kies Volgende.

De modelconfiguratie controleren en uitvoeren

De stap Controleren en uitvoeren toont een samenvatting van de configuratie en biedt een kans om wijzigingen aan te brengen voordat u de voorspelling maakt.

1. Selecteer Bewerken bij een van de stappen die u wilt controleren en wijzigingen aanbrengen.

2. Als u tevreden bent met uw selecties, selecteert u Opslaan en uitvoeren om het model uit te voeren. Kies Gereed. Het tabblad Mijn voorspellingen wordt weergegeven terwijl de voorspelling wordt gemaakt. Het proces kan enkele uren duren, afhankelijk van de hoeveelheid gegevens die in de voorspelling wordt gebruikt.

Voorspellingsresultaten weergeven

1. Ga naarInzichtenvoorspellingen>.

2. Selecteer op het tabblad Mijn voorspellingen de voorspelling die u wilt weergeven.

Er zijn drie primaire secties met gegevens op de resultatenpagina.

• Prestaties van het trainingsmodel: Cijfers A, B of C geven de prestaties van de voorspelling aan en kunnen u helpen de beslissing te nemen om de resultaten te gebruiken die zijn opgeslagen in de uitvoertabel.

  

  Het systeem evalueert hoe het AI-model heeft uitgevoerd bij het voorspellen van de hoge waarde klanten in vergelijking met een basislijnmodel.

  Cijfers worden bepaald op basis van de volgende regels:

  • Een wanneer het model ten minste 5% meer klanten met een hoge waarde nauwkeurig heeft voorspeld in vergelijking met het basislijnmodel.
  • B wanneer het model nauwkeurig voorspelde tussen 0 en 5% meer hoogwaardige klanten in vergelijking met het basislijnmodel.
  • C wanneer het model minder klanten met een hoge waarde nauwkeurig heeft voorspeld in vergelijking met het basislijnmodel.

  Selecteer Meer informatie over deze score om het deelvenster Modelclassificatie te openen met meer informatie over de prestaties van het AI-model en het basislijnmodel. Het helpt u beter inzicht te krijgen in de onderliggende prestatiegegevens van het model en hoe de uiteindelijke prestatieklasse van het model is afgeleid. Het basislijnmodel maakt gebruik van een niet-AI-benadering om de levensduur van klanten te berekenen op basis van historische aankopen die klanten hebben gedaan.

• Waarde van klanten per percentiel: klanten met een lage waarde en een hoge waarde worden weergegeven in een grafiek. Beweeg de muisaanwijzer over de balken in het histogram om het aantal klanten in elke groep en de gemiddelde CLV van die groep weer te geven. Maak desgewenst segmenten van klanten op basis van hun CLV-voorspellingen.

  

• De meeste invloedrijke factoren: er worden verschillende factoren overwogen bij het maken van uw CLV-voorspelling op basis van de invoergegevens die aan het AI-model worden verstrekt. Elk van de factoren heeft hun belang berekend voor de geaggregeerde voorspellingen die een model maakt. Gebruik deze factoren om uw voorspellingsresultaten te valideren. Deze factoren bieden ook meer inzicht in de meest invloedrijke factoren die hebben bijgedragen aan het voorspellen van CLV voor al uw klanten.

  

Meer informatie over de score

De standaardformule die wordt gebruikt om CLV te berekenen op basislijnmodel:

CLV voor elke klant = Gemiddelde maandelijkse aankoop gedaan door de klant in het actieve klantvenster * Aantal maanden in de CLV-voorspellingsperiode * Totale bewaartermijn van alle klanten

Het AI-model wordt vergeleken met het basislijnmodel op basis van twee metrische gegevens over modelprestaties.

• Succespercentage bij het voorspellen van klanten met een hoge waarde

  Bekijk het verschil in het voorspellen van hoogwaardige klanten met behulp van het AI-model in vergelijking met het basislijnmodel. 84% slagingspercentage betekent bijvoorbeeld dat van alle hoogwaardige klanten in de trainingsgegevens het AI-model 84%nauwkeurig kon vastleggen. Vervolgens vergelijken we dit slagingspercentage met het slagingspercentage van het basislijnmodel om de relatieve wijziging te rapporteren. Deze waarde wordt gebruikt om een cijfer toe te wijzen aan het model.

• Metrische foutgegevens

  Bekijk de algehele prestaties van het model in termen van fouten bij het voorspellen van toekomstige waarden. We gebruiken de algemene RMSE-meetwaarde (Root Mean Squared Error) om deze fout te beoordelen. RMSE is een standaardmethode om de fout van een model te meten bij het voorspellen van kwantitatieve gegevens. De RMSE van het AI-model wordt vergeleken met de RMSE van het basislijnmodel en het relatieve verschil wordt gerapporteerd.

Het AI-model geeft prioriteit aan de nauwkeurige rangschikking van klanten op basis van de waarde die ze aan uw bedrijf toevoegen. Dus alleen het succespercentage van het voorspellen van klanten met een hoge waarde wordt gebruikt om de uiteindelijke modelkwaliteit af te leiden. De RMSE-metrische gegevens zijn gevoelig voor uitbijters. In scenario's waarin u een klein percentage klanten hebt met buitengewoon hoge aankoopwaarden, geeft de algemene RMSE-metrische waarde mogelijk niet het volledige beeld van de prestaties van het model.