คาดการณ์ค่าอายุการใช้งานของลูกค้า (CLV)

คาดการณ์ค่าที่เป็นไปได้ (รายได้) ที่ลูกค้ารายบุคคลที่ใช้งานอยู่จะนําเข้าธุรกิจของคุณผ่านช่วงเวลาในอนาคตที่กําหนด การคาดการณ์นี้ช่วยให้คุณ:

• ระบุลูกค้าที่มีมูลค่าสูงและประมวลผลข้อมูลเชิงลึกนี้
• สร้างกลุ่มลูกค้าเชิงกลยุทธ์ตามมูลค่าที่คาดเดาได้เพื่อเรียกใช้แคมเปญส่วนบุคคลที่ปรับแต่งให้เหมาะกับบุคคล พร้อมด้วยความพยายามด้านการขาย การตลาด และการสนับสนุนที่เจาะจง
• แนะนําการพัฒนาผลิตภัณฑ์โดยมุ่งเน้นที่คุณสมบัติที่เพิ่มมูลค่าของลูกค้า
• ปรับกลยุทธ์การขายหรือการตลาดให้เหมาะสมและจัดสรรงบประมาณได้อย่างถูกต้องยิ่งขึ้นสำหรับการเข้าถึงลูกค้า
• จดจําและให้รางวัลลูกค้าที่มีมูลค่าสูงผ่านโปรแกรมความซื่อสัตย์หรือรางวัล

กําหนดว่า CLV มีความหมายอย่างไรสําหรับธุรกิจของคุณ เรารองรับการทํานาย CLV ตามทรานแซคชัน มูลค่าที่คาดการณ์ของลูกค้าจะขึ้นอยู่กับประวัติของธุรกรรมทางธุรกิจ พิจารณาการสร้างหลายแบบจําลองที่มีการกําหนดลักษณะการป้อนข้อมูลที่แตกต่างกัน และเปรียบเทียบผลลัพธ์แบบจําลองเพื่อดูว่าสถานการณ์แบบจําลองใดที่เหมาะสมกับความต้องการทางธุรกิจของคุณที่สุด

ข้อกําหนดเบื้องต้น

• สิทธิ์ ผู้สนับสนุน เป็นอย่างน้อย
• โปรไฟล์ลูกค้าอย่างน้อย 1,000 โปรไฟล์ภายในหน้าต่างการคาดการณ์ที่ต้องการ
• รหัสลูกค้า ซึ่งเป็นตัวระบุที่ไม่ซ้ํากันเพื่อให้ตรงกับธุรกรรมกับลูกค้าแต่ละราย
• ประวัติการทำธุรกรรมอย่างน้อยหนึ่งปี โดยเฉพาะอย่างยิ่งสองถึงสามปี ควรมีธุรกรรมอย่างน้อยสองถึงสามรายการต่อรหัสลูกค้าโดยเฉพาะอย่างยิ่งในหลายวันที่ ประวัติธุรกรรมต้องมี:
  • รหัสธุรกรรม: ตัวระบุที่ไม่ซ้ํากันของแต่ละธุรกรรม
  • วันที่ทํารายการ: ประทับวันที่หรือเวลาของแต่ละธุรกรรม
  • ยอดเงินในธุรกรรม: มูลค่าทางการเงิน (ตัวอย่างเช่น รายได้หรืออัตรากําไร) ของแต่ละธุรกรรม
  • ป้ายชื่อที่กำหนดให้ส่งคืน: ค่าบูลีน true/false ที่ระบุว่าธุรกรรมนั้นเป็นการส่งคืนหรือไม่
  • รหัสผลิตภัณฑ์: ID ผลิตภัณฑ์ของผลิตภัณฑ์ที่เกี่ยวข้องกับธุรกรรม
• ข้อมูลเกี่ยวกับกิจกรรมของลูกค้า:
  • คีย์หลัก: ตัวระบุที่ไม่ซ้ํากันสําหรับกิจกรรม
  • ประทับเวลา: วันที่และเวลาของเหตุการณ์ที่ระบุโดยคีย์หลัก
  • เหตุการณ์ (ชื่อกิจกรรม): ชื่อของเหตุการณ์ที่คุณต้องการใช้
  • รายละเอียด (จํานวนหรือค่า): รายละเอียดเกี่ยวกับกิจกรรมของลูกค้า
• ข้อมูลเพิ่มเติม เช่น:
  • กิจกรรมบนเว็บ: ประวัติการเยี่ยมชมเว็บไซต์หรือประวัติอีเมล
  • กิจกรรมความภักดี: คะแนนสะสมของความภักดีและประวัติการแลกคะแนนสะสม
  • บันทึกการบริการลูกค้า: ติดต่อฝ่ายบริการ ร้องเรียน หรือประวัติการคืนสินค้า
  • ข้อมูลโปรไฟล์ของลูกค้า
• น้อยกว่า 20% ค่าที่ขาดหายไปในเขตข้อมูลที่จําเป็น

สร้างการคาดการณ์ค่าอายุการใช้งานของลูกค้า

เลือก บันทึกแบบร่าง ได้ตลอดเวลาเพื่อบันทึกการคาดการณ์เป็นแบบร่าง การคาดการณ์แบบร่างจะแสดงในแท็บ การคาดการณ์ของฉัน

1. ไปยังการคาดการณ์>

2. บนแท็บสร้าง เลือกใช้แบบจําลองบนไทล์ค่าอายุการใช้งานของลูกค้า

3. เลือกเริ่มต้นใช้งาน

4. ตั้งชื่อแบบจําลองนี้ และ ชื่อตารางผลลัพธ์ เพื่อแยกความแตกต่างจากแบบจําลองหรือตารางอื่น

5. เลือก ถัดไป

กําหนดการกําหนดลักษณะของแบบจําลอง

1. ตั้งค่า ระยะเวลาการคาดการณ์ เพื่อกําหนดว่าในอนาคตคุณต้องการทํานาย CLV ได้ไกลเพียงใด ตามค่าเริ่มต้น หน่วยจะถูกตั้งค่าเป็นเดือน

   เคล็ดลับ

   เพื่อทํานาย CLV อย่างถูกต้องสําหรับช่วงเวลาที่กําหนด ต้องมีช่วงเวลาเปรียบเทียบของข้อมูลในอดีต ตัวอย่างเช่น ถ้าคุณต้องการคาดการณ์ CLV ในช่วง 12 เดือนข้างหน้า มีข้อมูลในอดีตอย่างน้อย 18 - 24 เดือน

2. กำหนดกรอบเวลาที่ลูกค้าต้องดำเนินธุรกรรมอย่างน้อยหนึ่งครั้งเพื่อให้ถือว่ามีการใช้งาน แบบจําลองคาดการณ์เฉพาะ CLV สําหรับลูกค้าที่ใช้งานอยู่เท่านั้น

   • ให้แบบจําลองคํานวณช่วงการซื้อ (แนะนํา): แบบจําลองวิเคราะห์ข้อมูลของคุณและกําหนดช่วงเวลาตามการซื้อในอดีต
   • ตั้งค่าช่วงเวลาด้วยตนเอง: ระยะเวลาสําหรับข้อกําหนดของลูกค้าที่ใช้งานอยู่

3. กําหนดเปอร์เซ็นไทล์ของลูกค้าที่มีมูลค่าสูง

   • การคํานวณแบบจําลอง (แนะนํา): แบบจําลองใช้กฎ 80/20 เปอร์เซ็นต์ของลูกค้าที่มีส่วนร่วมใน 80% รายได้สะสมสําหรับธุรกิจของคุณในอดีตถือว่าเป็นลูกค้าที่มีมูลค่าสูง โดยทั่วไปแล้ว ลูกค้า% น้อยกว่า 30-40 รายมีส่วนทําให้เกิดรายได้สะสม 80% อย่างไรก็ตาม ตัวเลขนี้อาจแตกต่างกันไปขึ้นอยู่กับธุรกิจและอุตสาหกรรมของคุณ
   • เปอร์เซ็นต์ของลูกค้าที่ใช้งานอยู่สูงสุด: เปอร์เซ็นไทล์เฉพาะสําหรับลูกค้าที่มีมูลค่าสูง ตัวอย่างเช่น ป้อน 25 เพื่อกําหนดลูกค้าที่มีมูลค่าสูงเป็น 25% อันดับแรกของลูกค้าที่ชําระเงินในอนาคต

   หากธุรกิจของคุณกําหนดลูกค้าที่มีคุณค่าสูงด้วยวิธีอื่นแจ้งให้เราทราบเนื่องจากเราต้องการรับฟัง

4. เลือก ถัดไป

เพิ่มข้อมูลที่จําเป็น

1. เลือกเพิ่มข้อมูลสําหรับประวัติธุรกรรมของลูกค้า

2. เลือกชนิดกิจกรรมเชิงความหมาย SalesOrder หรือ SalesOrderLine ที่มีประวัติธุรกรรม ถ้าไม่ได้ตั้งค่ากิจกรรม ไว้ ให้เลือก ที่นี่ และสร้างกิจกรรมขึ้น

3. ภายใต้ กิจกรรม ถ้ามีการแมปแอตทริบิวต์กิจกรรมในเชิงความหมายเมื่อสร้างกิจกรรม ให้เลือกแอตทริบิวต์หรือตารางเฉพาะที่คุณต้องการให้การคํานวณเน้น ถ้าการแมปเชิงความหมายไม่เกิดขึ้น ให้เลือก แก้ไข และแมปข้อมูลของคุณ

   

4. เลือก ถัดไป และตรวจสอบแอตทริบิวต์ที่จําเป็นสําหรับแบบจําลองนี้

5. เลือก บันทึก

6. เพิ่มกิจกรรมเพิ่มเติม หรือเลือก ถัดไป

เพิ่มข้อมูลกิจกรรมทางเลือก

ข้อมูลสะท้อนการโต้ตอบที่สําคัญของลูกค้า (เช่น เว็บ การบริการลูกค้า และบันทึกเหตุการณ์) เพิ่มบริบทไปยังบันทึกธุรกรรม รูปแบบที่พบได้มากขึ้นในข้อมูลกิจกรรมของลูกค้าสามารถปรับปรุงความแม่นยําของการทํานายได้

1. เลือก เพิ่มข้อมูล ภายใต้ เพิ่มข้อมูลเชิงลึกแบบจําลองด้วยข้อมูลกิจกรรมเพิ่มเติม

2. เลือกชนิดกิจกรรมที่ตรงกับชนิดของกิจกรรมลูกค้าที่คุณกําลังเพิ่ม ถ้าไม่ได้ตั้งค่ากิจกรรม ไว้ ให้เลือก ที่นี่ และสร้างกิจกรรมขึ้น

3. ภายใต้ กิจกรรม หากแอตทริบิวต์กิจกรรมถูกแมปเมื่อสร้างกิจกรรมขึ้น ให้เลือกแอตทริบิวต์หรือตารางเฉพาะที่คุณต้องการให้การคํานวณเน้น ถ้าไม่ได้แมปเกิดขึ้น เลือก แก้ไข และแมปข้อมูลของคุณ

4. เลือก ถัดไป และตรวจสอบแอตทริบิวต์ที่จําเป็นสําหรับแบบจําลองนี้

5. เลือก บันทึก

6. เลือก ถัดไป

7. เพิ่มข้อมูลลูกค้าที่เป็นทางเลือกหรือเลือกถัดไปและไปที่ตั้งค่ากําหนดเวลาการอัปเดต

เพิ่มข้อมูลลูกค้าทางเลือก

เลือกจากแอตทริบิวต์โปรไฟล์ลูกค้าที่ใช้กันทั่วไป 18 รายการเพื่อรวมเป็นข้อมูลป้อนเข้าไปยังแบบจําลอง แอตทริบิวต์เหล่านี้อาจนําไปสู่ผลลัพธ์แบบจําลองส่วนบุคคล ที่เกี่ยวข้อง และดําเนินการได้มากขึ้นสําหรับกรณีการใช้งานทางธุรกิจของคุณ

ตัวอย่างเช่น Contoso Coffee ต้องการคาดการณ์มูลค่าตลอดอายุการใช้งานของลูกค้าเพื่อกําหนดเป้าหมายลูกค้าที่มีคุณค่าสูงด้วยข้อเสนอส่วนบุคคลที่เกี่ยวข้องกับการเปิดตัวเครื่องเอสเพรสโซ่ใหม่ของพวกเขา Contoso ใช้แบบจําลอง CLV และเพิ่มแอตทริบิวต์โปรไฟล์ลูกค้าทั้ง 18 รายการเพื่อดูว่าปัจจัยใดที่มีผลต่อลูกค้าที่มีมูลค่าสูงสุด พวกเขาพบว่าตําแหน่งที่ตั้งของลูกค้าเป็นปัจจัยที่มีอิทธิพลมากที่สุดสําหรับลูกค้าเหล่านี้ ด้วยข้อมูลนี้พวกเขาจัดกิจกรรมท้องถิ่นสําหรับการเปิดตัวเครื่องเอสเพรสโซและคู่ค้ากับผู้ขายในพื้นที่เพื่อข้อเสนอส่วนบุคคลและประสบการณ์พิเศษในกิจกรรม หากไม่มีข้อมูลนี้ Contoso อาจส่งอีเมลทางการตลาดทั่วไปเท่านั้น และพลาดโอกาสในการปรับแต่งกลุ่มลูกค้าที่มีคุณค่าสูงในท้องถิ่นนี้

1. เลือก เพิ่มข้อมูล ภายใต้ เพิ่มข้อมูลเชิงลึกแบบจําลอง เพิ่มเติมด้วยข้อมูลลูกค้าเพิ่มเติม

2. สําหรับ ตาราง เลือก ลูกค้า : CustomerInsights เพื่อเลือกโปรไฟล์ลูกค้าแบบรวมที่แมปกับข้อมูลแอตทริบิวต์ลูกค้า สําหรับ ID ลูกค้า เลือก System.Customer.CustomerId

3. แมปเขตข้อมูลเพิ่มเติมถ้าข้อมูลพร้อมใช้งานในโปรไฟล์ลูกค้าแบบรวมของคุณ

   

4. เลือก บันทึก

5. เลือก ถัดไป

ตั้งค่ากําหนดเวลาอัปเดต

1. เลือกความถี่ในการฝึกแบบจําลองของคุณตามข้อมูลล่าสุด การตั้งค่านี้เป็นสิ่งสําคัญในการอัปเดตความแม่นยําของการคาดการณ์เมื่อมีการนําเข้าข้อมูลใหม่ ธุรกิจส่วนใหญ่สามารถฝึกซ้ําได้หนึ่งครั้งต่อเดือนและได้รับความแม่นยําที่ดีสําหรับการคาดการณ์ของพวกเขา

2. เลือก ถัดไป

ตรวจทานและเรียกใช้การกําหนดค่าแบบจําลอง

ขั้นตอน การตรวจสอบและเรียกใช้ จะแสดงข้อมูลสรุปของการกําหนดค่าและมีโอกาสทําการเปลี่ยนแปลงก่อนที่คุณจะสร้างการคาดการณ์

1. เลือก แก้ไข บนขั้นตอนใด ๆ เพื่อตรวจสอบและทําการเปลี่ยนแปลง

2. ถ้าคุณพอใจกับการเลือกของคุณ เลือก บันทึกและเรียกใช้ เพื่อเริ่มเรียกใช้แบบจําลอง เลือก เสร็จสิ้น แท็บ การคาดการณ์ของฉัน จะแสดงขณะสร้างการคาดการณ์ กระบวนการอาจใช้เวลาหลายชั่วโมงในการดําเนินการให้เสร็จสมบูรณ์ โดยขึ้นอยู่กับจํานวนข้อมูลที่ใช้ในการคาดการณ์

ดูผลลัพธ์การคาดการณ์

1. ไปยังการคาดการณ์>

2. ในแท็บ การคาดการณ์ของฉัน ให้เลือกการคาดการณ์ที่คุณต้องการดู

มีสามส่วนหลักของข้อมูลภายในหน้าผลลัพธ์

• ประสิทธิภาพของแบบจําลองการฝึก: เกรด A, B หรือ C ระบุประสิทธิภาพของการคาดการณ์และสามารถช่วยให้คุณตัดสินใจที่จะใช้ผลลัพธ์ที่จัดเก็บไว้ในตารางผลลัพธ์

  

  ระบบจะประเมินว่าแบบจําลอง AI ดําเนินการอย่างไรในการคาดการณ์ลูกค้าที่มีมูลค่าสูงเมื่อเทียบกับแบบจําลองข้อมูลพื้นฐาน

  เกรดจะถูกกําหนดตามกฎต่อไปนี้:

  • เมื่อ แบบจําลองคาดการณ์อย่างแม่นยําอย่างน้อย 5% ลูกค้าที่มีมูลค่าสูงกว่าเมื่อเทียบกับแบบจําลองข้อมูลพื้นฐาน
  • B เมื่อแบบจําลองได้รับการคาดการณ์อย่างถูกต้องระหว่าง 0-5% ลูกค้าที่มีมูลค่าสูงกว่าเมื่อเทียบกับแบบจําลองข้อมูลพื้นฐาน
  • C เมื่อแบบจําลองทํานายลูกค้าที่มีค่าสูงน้อยลงอย่างแม่นยําเมื่อเทียบกับแบบจําลองพื้นฐาน

  เลือก เรียนรู้เกี่ยวกับคะแนนนี้ เพื่อเปิดบานหน้าต่าง การจัดอันดับแบบจําลอง ซึ่งแสดงรายละเอียดเพิ่มเติมเกี่ยวกับประสิทธิภาพของแบบจําลอง AI และแบบจําลองพื้นฐาน ซึ่งจะช่วยให้คุณเข้าใจเมตริกประสิทธิภาพของแบบจําลองพื้นฐานและวิธีการได้เกรดประสิทธิภาพของแบบจําลองขั้นสุดท้าย แบบจําลองพื้นฐานใช้วิธีการที่ไม่ใช่ AI เพื่อคํานวณค่าอายุการใช้งานของลูกค้าตามการซื้อในอดีตที่ลูกค้าทําขึ้นเป็นหลัก

• ค่าของลูกค้าตามเปอร์เซ็นไทล์: ลูกค้าที่มีมูลค่าต่ําและลูกค้าที่มีมูลค่าสูงจะแสดงในแผนภูมิ วางเมาส์เหนือแถบในฮิสโทแกรมเพื่อดูจํานวนลูกค้าในแต่ละกลุ่มและ CLV เฉลี่ยของกลุ่มนั้น อีกทางหนึ่งคือ สร้างกลุ่มของลูกค้า ตามการคาดการณ์ CLV ของพวกเขา

  

• ปัจจัยที่มีอิทธิพลมากที่สุด: ปัจจัยต่าง ๆ จะได้รับการพิจารณาเมื่อสร้างการคาดการณ์ CLV ของคุณตามข้อมูลป้อนเข้าที่ให้ไว้ในแบบจําลอง AI แต่ละปัจจัยมีความสําคัญในการคํานวณสําหรับการทํานายรวมที่สร้างแบบจําลองขึ้น ใช้ปัจจัยเหล่านี้เพื่อช่วยในการตรวจสอบผลลัพธ์การคาดการณ์ของคุณ ปัจจัยเหล่านี้ยังให้ข้อมูลเชิงลึกเพิ่มเติมเกี่ยวกับปัจจัยที่มีอิทธิพลมากที่สุดซึ่งร่วมมือกับการคาดการณ์ CLV ในลูกค้าทั้งหมดของคุณ

  

เรียนรู้เกี่ยวกับคะแนน

สูตรมาตรฐานที่ใช้ในการคํานวณ CLV ตามแบบจําลองพื้นฐาน:

CLV สําหรับลูกค้าแต่ละราย = ค่าเฉลี่ยที่ลูกค้าซื้อรายเดือนในหน้าต่างลูกค้าที่ใช้งานอยู่ * จํานวนเดือนในระยะเวลาการคาดการณ์ CLV * อัตราการเก็บรักษาโดยรวมของลูกค้าทั้งหมด

แบบจําลอง AI จะถูกเปรียบเทียบกับแบบจําลองพื้นฐานตามเมตริกประสิทธิภาพของแบบจําลองสองตัว

• อัตราความสําเร็จในการคาดการณ์ลูกค้าที่มีมูลค่าสูง

  ดูความแตกต่างในการคาดการณ์ลูกค้าที่มีมูลค่าสูงโดยใช้แบบจําลอง AI เมื่อเทียบกับแบบจําลองพื้นฐาน ตัวอย่างเช่น อัตราความสำเร็จ 84% หมายความว่าจากลูกค้าที่มีมูลค่าสูงทั้งหมดในข้อมูลการฝึกอบรม แบบจำลอง AI สามารถจับภาพได้อย่างแม่นยำในอัตรา 84% จากนั้นเราจะเปรียบเทียบอัตราความสําเร็จนี้กับอัตราความสําเร็จของแบบจําลองพื้นฐานเพื่อรายงานการเปลี่ยนแปลงสัมพัทธ์ ค่านี้ใช้เพื่อกําหนดเกรดให้กับแบบจําลอง

• เมตริกข้อผิดพลาด

  ดูประสิทธิภาพโดยรวมของแบบจําลองในแง่ของข้อผิดพลาดในการคาดการณ์มูลค่าในอนาคต เราใช้ค่ารากเฉลี่ยกำลังสอง (RMSE) เพื่อประเมินข้อผิดพลาดนี้ RMSE เป็นวิธีมาตรฐานในการวัดข้อผิดพลาดของแบบจําลองในการทํานายข้อมูลเชิงปริมาณ RMSE ของแบบจําลอง AI จะถูกเปรียบเทียบกับ RMSE ของแบบจําลองพื้นฐานและมีการรายงานความแตกต่างที่เกี่ยวข้อง

แบบจําลอง AI จัดลําดับความสําคัญในการจัดอันดับลูกค้าที่ถูกต้องตามค่าที่พวกเขานํามาสู่ธุรกิจของคุณ ดังนั้นจะใช้อัตราความสําเร็จของการคาดการณ์ลูกค้าที่มีมูลค่าสูงเพื่อให้ได้เกรดแบบจําลองขั้นสุดท้าย เมตริก RMSE มีความไวต่อค่าผิดปกติ ในสถานการณ์ที่คุณมีเปอร์เซ็นต์ขนาดเล็กของลูกค้าที่มีมูลค่าการซื้อสูงเป็นพิเศษ เมตริก RMSE โดยรวมอาจไม่ได้ให้ภาพเต็มของประสิทธิภาพของแบบจําลอง