Ennusta asiakkaan elinkaariarvo (CLV)

Ennusta potentiaalinen arvo (liikevaihto), jonka yksittäiset aktiiviset asiakkaat tuovat yrityksellesi tietyn tulevan ajanjakson aikana. Tämä ennuste auttaa sinua:

• Tunnista arvokkaita asiakkaita ja toimi tämän oivalluksen pohjalta.
• Luo strategisia asiakassegmenttejä niiden mahdollisen arvon perusteella mukautettujen kampanjoiden suorittamiseksi kohdennettujen myynti-, markkinointi- ja tukitoimien avulla.
• Ohjaa tuotekehitystä keskittymällä ominaisuuksiin, jotka lisäävät asiakasarvoa.
• Optimoi myynti- tai markkinointistrategia ja varaa budjetti tarkemmin asiakkaan tavoittamiseen.
• Tunnista ja palkitse arvokkaita asiakkaita uskollisuus- tai palkitsemisohjelmien kautta.

Selvitä, mitä CLV tarkoittaa yrityksellesi. Järjestelmä tukee transaktiopohjaista CLV-ennustamista, joten se laskee asiakkaan ennustetun arvon hänen liiketoimintatransaktioiden historiansa perusteella. Harkitse useiden eri syöteasetusten mallien luomista ja vertaa mallituloksia, jotta näet, mikä malliskenaario sopii parhaiten yrityksesi tarpeisiin.

Tietojen edellytysten yhteenveto

Jos haluat yleisiä tietovaatimuksia kaikissa ennustemalleissa, katso Ennustemallien tietoedellytykset.

Edellytykset

• Vähintään osallistujan käyttöoikeudet
• Vähintään 1 000 asiakasprofiilia halutussa ennusteikkunassa
• Asiakkaan tunnus on yksilöivä tunnus, joka yhdistää tapahtumat yksittäiseen asiakkaaseen
• Vähintään 1 ja mielellään 2–3 vuoden tapahtumahistoria. Ihannetapauksessa asiakastunnusta kohden olisi vähintään 2–3 tapahtumaa, mieluiten useiden päivämäärien välillä. Tapahtumahistorian on sisällettävä seuraavat tiedot:
  • Tapahtumatunnus: kunkin tapahtuman yksilöllinen tunnus
  • Tapahtuman päivämäärä: kunkin tapahtuman päivämäärä- tai aikaleima
  • Tapahtuman summa: Kunkin tapahtuman rahallinen arvo (esimerkiksi tuotto tai voittomarginaali)
  • Label assigned to returns: Boolean totuusarvo tosi/epätosi, joka ilmoittaa, onko tapahtuma palautus
  • Tuotetunnus: tapahtumaan liittyvän tuotteen tuotetunnus
• Asiakastoimintaa koskevat tiedot:
  • Perusavain: aktiviteetin yksilöllinen tunnus
  • Aikaleima: Perusavaimen tunnistaman tapahtuman päivämäärä ja aika
  • Tapahtuma (aktiviteetin nimi): Käytettävän tapahtuman nimi
  • Tiedot (summa tai arvo): Asiakasaktiviteetin tiedot
• Lisätietoja, kuten:
  • Verkkotoiminnot: Sivuston vierailuhistoria tai sähköpostihistoria
  • Uskollisuustoiminta: Uskollisuuspalkintopisteitä kertyy ja lunastushistoria
  • Asiakaspalveluloki: palvelupuhelu, valitus tai palautushistoria
  • Asiakasprofiilin tiedot
• Alle 20% pakollisten kenttien arvoista puuttuu.

Asiakkaan elinkaariarvon ennusteen luominen

Valitse Tallenna luonnos milloin tahansa, jos haluat tallentaa ennusteen luonnoksena. Ennusteluonnos näkyy Omat ennusteet -välilehdessä.

1. Siirry kohteeseen Merkitykselliset tiedot>Ennusteet.

2. Valitse Luo-välilehdessäKäytä malliaAsiakkaan elinkaariarvo -ruudussa.

3. Valitse Aloitus.

4. Anna tälle mallille ja tulostaulukolle nimi, jotta ne voidaan erottaa muista malleista tai entiteeteistä.

5. Valitse Seuraava.

Määritä malliasetukset

1. Määritä ennusteen ajanjakso , joka määrittää, kuinka pitkälle tulevaisuuteen haluat ennustaa CLV:n. Yksikkö on oletusarvoisesti määritetty kuukausiksi.

   Vinkki

   JOTTA CLV voidaan ennustaa tarkasti määritetylle ajanjaksolle, vaaditaan vertailukelpoinen historiallisten tietojen jakso. Jos esimerkiksi haluat ennustaa CLV:n seuraaviksi 12 kuukaudeksi, sinulla on vähintään 18–24 kuukautta historiallisia tietoja.

2. Määritä ajanjakso, jonka kuluessa asiakkaalla täytyy olla vähintään yksi tapahtuma, jotta sitä voidaan pitää aktiivisena. Malli ennustaa CLV-mallin vain aktiivisille asiakkaille.

   • Anna mallin laskea ostoväli (suositus): Malli analysoi tietosi ja määrittää ajanjakson historiallisten ostojen perusteella.
   • Määritä aikaväli manuaalisesti: Aktiivisen asiakkaan määrityksen ajanjakso.

3. Määritä suuren arvon asiakkaan prosenttipiste.

   • Mallin laskutoimitus (suositus): Malli käyttää 80/20-sääntöä. Prosenttiosuutena asiakkaista, jotka vaikuttivat 80% kumulatiiviseen tuottoon yrityksessäsi historiallisella kaudella, pidetään korkean arvon asiakkaina. Yleensä alle 30–40% asiakas osallistuu kumulatiiviseen tuottoon 80%. Tämä luku saattaa kuitenkin vaihdella yrityksesi ja toimialasi mukaan.
   • Prosenttia aktiivisista asiakkaista: Tietty prosenttipiste suuren arvon asiakkaalle. Voit esimerkiksi määrittää arvokkaat asiakkaat tulevien maksavien asiakkaiden 25 parhaaksi% kirjoittamalla 25 .

   Jos yrityksesi määrittää arvokkaat asiakkaat eri tavalla, kerro meille haluamallamme tavalla.

4. Valitse Seuraava.

Lisää pakolliset tiedot

1. Valitse Lisää tiedotasiakkaan tapahtumahistoriaan.

2. Valitse semanttinen toimintotyyppi, SalesOrder tai SalesOrderLine, joka sisältää tapahtumahistorian. Jos aktiviteettia ei ole määritetty, valitse tästä ja luo se.

3. Jos aktiviteetin määritteet on yhdistetty semanttisesti aktiviteettia luotaessa, valitse Aktiviteetit- kohdassa määritteet tai taulukko, joihin laskelma keskittyy. Jos semanttista yhdistämistä ei tapahtunut, valitse Muokkaa ja yhdistä tietosi.

   

4. Valitse Seuraava ja tarkista tälle mallille tarvittavat määritteet.

5. Valitse Tallenna.

6. Lisää enemmän aktiviteetteja ja valitse Seuraava.

Valinnaisten toimintotietojen lisääminen

Tärkeimmät asiakastapahtumat (kuten verkko, asiakaspalvelu ja tapahtumalokit) vastaavat tiedot lisäävät kontekstia tapahtumatietueisiin. Jos asiakkaan toimintatiedoissa on enemmän kuvioita, voit parantaa ennusteiden tarkkuutta.

1. Valitse Lisää tietoja kohdasta Mallin merkityksellisten tietojen parantaminen ja lisätoimia koskevat tiedot.

2. Valitse aktiviteettityyppi, joka vastaa lisättävän asiakasaktiviteetin tyyppiä. Jos aktiviteettia ei ole määritetty, valitse tästä ja luo se.

3. Jos aktiviteetin määritteet yhdistettiin Aktiviteetit-kohdassa, valitse tietyt määritteet tai taulukko, joihin haluat laskutoimituksen keskittyvän. Jos yhdistämistä ei tapahtunut, valitse Muokkaa ja yhdistä tiedot.

4. Valitse Seuraava ja tarkista tälle mallille tarvittavat määritteet.

5. Valitse Tallenna.

6. Valitse Seuraava.

7. Lisää valinnaisia asiakastietoja tai valitse Seuraava ja siirry kohtaan Määritä päivitysaikataulu.

Valinnaisten asiakastietojen lisääminen

Valitse 18:sta yleisesti käytetystä asiakasprofiilin määritteestä, jotka sisällytetään syötteenä malliin. Nämä määritteet voivat johtaa mukautetumpiin, merkityksellisiin ja toiminnallisempiin mallituloksiin liiketoimintakäyttötapauksissa.

Esimerkiksi: Contoso Coffee haluaa ennustaa asiakkaan elinkaariarvon kohdentaakseen arvokkaille asiakkaille uuden espressokoneen julkaisuun liittyvällä mukautetulla tarjouksella. Contoso käyttää CLV-mallia ja lisää kaikki 18 asiakasprofiilimääritettä nähdäkseen, mitkä tekijät vaikuttavat heidän arvoisimpiin asiakkaisiinsa. Heidän mielestään asiakkaan sijainti on vaikuttavin tekijä näille asiakkaille. Näiden tietojen avulla he järjestävät paikallisen tapahtuman espressokoneen julkaisua varten ja tekevät yhteistyötä paikallisten myyjien kanssa räätälöityjä tarjouksia varten ja erityiskokemuksen tapahtumassa. Ilman näitä tietoja Contoso on saattanut lähettää vain yleisiä markkinointisähköposteja ja hukata mahdollisuuden mukauttaa tätä paikallista segmenttiä arvokkaille asiakkailleen.

1. Valitse Lisää tietoja kohdasta Kehitä mallien merkityksellisiä tietoja vielä lisää asiakastietoja.

2. Valitse Table-taulukoksiAsiakas : CustomerInsights , jotta voit valita yhdistetyn asiakasprofiilin, joka yhdistää asiakkaan määritetiedot. Valitse Asiakastunnus-kohdassaSystem.Customer.CustomerId.

3. Yhdistä enemmän kenttiä, jos tiedot ovat käytettävissä yhtenäisissä asiakasprofiileissasi.

   

4. Valitse Tallenna.

5. Valitse Seuraava.

Päivitysaikataulun määrittäminen

1. Valitse toistuvuus, jonka avulla voit kouluttaa mallisi uudelleen uusimpien tietojen perusteella. Tämä asetus on tärkeä ennusteiden tarkkuuden päivittämiseksi, kun uusia tietoja otetaan käyttöön. Useimmat yritykset voivat harjoittaa uudelleen kerran kuukaudessa ja saada hyvän tarkkuuden ennusteisiinsa.

2. Valitse Seuraava.

Mallimäärityksen tarkasteleminen ja suorittaminen

Tarkistus ja suoritus -vaiheessa näkyy määritysten yhteenveto. Siinä on myös mahdollista tehdä muutoksia ennen ennusteen luontia.

1. Valitse Muokkaa missä tahansa kohdassa, jotta voit tarkastella ja tehdä muutoksia.

2. Jos olet tyytyväinen valinteihisi, aloita mallin suorittaminen valitsemalla Tallenna ja suorita . Valitse Valmis. Omat ennusteet -välilehti tulee näkyviin, kun ennustetta luodaan. Prosessin valmistumiseen voi kulua useita tunteja ennusteessa käytettyjen tietojen määrästä riippuen.

Näytä ennustetulokset

1. Siirry kohteeseen Merkitykselliset tiedot>Ennusteet.

2. Valitse Omat ennusteet -välilehdestä ennustus, jota haluat tarkastella.

Tulossivulla on kolme ensisijaista tieto-osaa.

• Harjoitusmallin suorituskyky: Luokat A, B tai C ilmaisevat ennusteen suorituskyvyn ja voivat auttaa sinua tekemään päätöksen käyttää tulostaulukkoon tallennettuja tuloksia.

  

  Järjestelmä arvioi, miten tekoälymalli suoriutui suuren arvon asiakkaiden ennustamisessa perusmalliin verrattuna.

  Luokat määritetään seuraavien sääntöjen perusteella:

  • Kun malli ennusti tarkasti vähintään 5% enemmän korkean arvon asiakkaita perusmalliin verrattuna.
  • B , kun malli tarkasti ennustettiin 0–5-% suurempiarvoisia asiakkaita perusmalliin verrattuna.
  • C , kun malli tarkasti ennusti vähemmän suuren arvon asiakkaita verrattuna perusmalliin.

  Valitse Lisätietoja ominaisuuksista , jolloin näkyviin tulee Mallin luokitus -ruutu, joka näyttää lisätietoja tekoälymallin suorituskyvystä ja perusmallista. Sen avulla ymmärrät paremmin taustalla olevat mallin suorituskykymittarit ja sen, miten lopullinen mallin suorituskykyluokka on johdettu. Perusmalli käyttää ei-tekoälypohjaista menetelmää asiakkaan elinkaariarvon laskemiseen pääasiassa asiakkaiden tekemien historiallisten ostojen perusteella.

• Asiakkaiden arvo prosenttipisteen mukaan: Alhaisen arvon ja suuren arvon asiakkaat näkyvät kaaviossa. Pidä hiiren osoitinta histogrammin palkkien päällä, niin näet kunkin ryhmän asiakkaiden määrän ja ryhmän keskimääräisen CLV-arvon. Vaihtoehtoisesti voit luoda asiakkaiden segmenttejä heidän CLV-ennusteidensa perusteella.

  

• Vaikuttavimmat tekijät: Eri tekijät otetaan huomioon luotaessa CLV-ennustetta tekoälymallille annettujen syötetietojen perusteella. Jokaisen tekijän tärkeys lasketaan mallin luomia koosteennusteita varten. Näiden tekijöiden avulla voit vahvistaa ennustetulokset. Nämä tekijät antavat myös enemmän tietoa vaikuttavimmista tekijöistä, jotka vaikuttivat CLV:n ennustamiseen kaikilla asiakkaillasi.

  

Lisätietoja pisteistä

Vakiokaava, jota käytetään CLV:n laskemiseen perusmallin mukaan:

JOKAISEN asiakkaan CLV = asiakkaan keskimääräinen kuukausittainen osto aktiivisen asiakkaan ikkunassa * Kuukausien määrä CLV-ennustekaudella * Kaikkien asiakkaiden yleinen säilytysaste

Tekoälymallia verrataan perusmalliin kahden mallin suorituskykymittarin perusteella.

• Onnistumisprosentti arvokkaiden asiakkaiden ennustamisessa

  Katso ero ennakoidessasi suuren arvon asiakkaita tekoälymallin avulla verrattuna perusmalliin. Esimerkiksi 84% onnistumisprosentti tarkoittaa sitä, että kaikista koulutustietojen arvokkaista asiakkaista tekoälymalli pystyi sieppaamaan tarkasti 84%. Vertailemme sitten tätä onnistumisastetta perusmallin onnistumisprosenttiin suhteellisen muutoksen ilmoittamiseksi. Tätä arvoa käytetään määrittämään mallille luokka.

• Virhemittarit

  Tarkastele mallin yleistä suorituskykyä virheiden perusteella tulevien arvojen ennustamisessa. Arvioimme tämän virheen yleisen RMSE (Root Mean Squared Error) -mittarin avulla. RMSE on vakiotapa mitata mallin virhettä kvantitatiivisten tietojen ennustamisessa. Tekoälymallin RMSE-rmSE:llä verrataan perusmallin RMSE:hen ja suhteellinen ero raportoidaan.

Tekoälymalli priorisoi asiakkaiden tarkan sijoituksen yrityksellesi tuomien arvojen mukaan. Näin ollen vain arvoltaan arvokkaiden asiakkaiden ennustamisen onnistumisprosenttia käytetään lopullisen malliluokan muodostamiseen. RMSE-arvo huomioi poikkeavat arvot. Tilanteissa, joissa sinulla on pieni prosenttiosuus asiakkaista, joilla on poikkeuksellisen suuria ostoarvoja, yleinen RMSE-arvo ei välttämättä anna kokonaiskuvaa mallin suorituskyvystä.