Customer Lifetime Value

Služby

Customer Lifetime Value

Customer Lifetime Value (CLV) představuje čistou současnou hodnotu budoucího zisku či výnosu vašeho zákazníka. Namísto měření minulé nebo současné hodnoty zákazníka se CLV zaměřuje na jeho budoucí potenciál.

Customer Lifetime Value (CLV) vám umožní plánovat a realizovat rozhodnutí a strategie efektivněji na základě budoucí hodnoty vašeho zákazníka. Už nemusíte koukat jen na minulost.

Řešení

Customer Lifetime Value (CLV) představuje čistou současnou hodnotu (present value) budoucího zisku či výnosu vašeho konkrétního zákazníka. Namísto měření minulé hodnoty zákazníka se CLV zaměřuje na jeho budoucí potenciál, který má významný vliv na podnikatelské rozhodování například v následujících oblastech:

  • Zacílení marketingových a retenčních kampaní,
  • nastavení úrovně zákaznických služeb a obsluhy,
  • design potenciálních nových produktů/obchodních plánů,
  • plánování a prognózy celého businessu,
  • ocenění portfolia.

Pomocí změny retenčního procesu s využitím modelů CLV a Propensity to Churn jsme zlepšili 4,9x retenci klientů velké banky v ČR.

Přínosy

  • Použití CLV k zacílení kampaní generuje vyšší výnosy.
  • CLV má potenciál snížit odchodovost zákazníků a umožňuje udržení zákazníků s vysokou budoucí hodnotou.
  • CLV zlepšuje celkovou profitabilitu organizace a návratnost investic marketingových kampaní.
  • CLV může fungovat jako hlavní indikátor výkonnosti podniku.

Postup

Na začátku si definujeme účel CLV modelu a target. S uživateli probíráme, jaký dlouhý predikční horizont je nejvhodnější, jestli nás zajímá budoucí výnos zákazníka nebo budoucí profit (výnos očištěný o náklady). Zajímáme se o dostupnost spolehlivých dat o historických výnosech v detailu na zákazníka a časovou jednotku, jakož i o historických nákladech v detailu na klienta a časovou jednotku. Potřebujeme vědět, jaké instrumentální proměnné máme do CLV modelu zahrnout pro účely what-if analýzy.


V druhé fázi začíná práce s daty, které je potřeba profilovat, vyčistit a akceptovat. Před námi stojí úkol vytvořit mikrosegmentaci zákazníků, která bude mít na vstupu instrumentální proměnné a prediktory a bude vysvětlovat současnou hodnotu. Zde se nám osvědčily regresní stromy s velkou mírou expertního vstupu. Správný počet segmentů je 10 až 100 podle velikosti dat, takže se skutečně jedná o mikrosegmenty specificky vyvinuté pro CLV a nikoliv o hrubé segmenty vhodné například pro obslužný model. Jsou dva mikrosegmenty se speciální rolí: inflow (noví zákazníci) a churn (zákazníci co odešli). Na kvalitě mikrosegmentace je závislá kvalita celého CLV modelu.


Ve třetí fázi se pracuje s maticí přechodu mezi mikrosegmenty. Pro odhad matice přechodu se musí nejdříve oskórovat celá báze klientů mikrosegmentačním modelem zpětně za předem definované historické období. Pravděpodobnosti přechodu se odhadnou porovnáním mikrosegmentu zákazníka ve dvou po sobě jdoucích obdobích a zprůměrováním za celé historické období. Pravděpodobnost přechodu do mikrosegmentu churn udává churn rate, který je významným faktorem pro hodnotu zákazníka. Pomocí lineární algebry a teorie homogenních Markovských řetězců se projektuje rozložení zákazníků podle mikrosegmentů do budoucnosti a jejich budoucí hodnota se diskontuje do současnosti. Nastavení predikčního horizontu a diskontní míra jsou dva vstupy od klienta, které určují, jak daleko se CLV model dívá do budoucnosti. Jinak řečeno, jak velkou váhu dává CLV model výnosům z daleké budoucnosti versus výnosům z blízké budoucnosti. Výstupem je přiřazení diskontované budoucí hodnoty přes mikrosegment na úroveň zákazníka.


Ve čtvrté fázi se CLV vizualizuje a interpretuje prostřednictvím dashboardů. Současně se implementuje produkční skórovací job, který bude na čerstvých datech počítat změny CLV a historizovat vývoj CLV v čase. Teď je ten správný čas využít CLV pro business rozhodování. Například postavit business case na cross-sell, retenci nebo vymáhání. S pomocí CLV modelu jsme hodnotili úspěšnost zrušení málo používaných tarifů, úspěšnost zavedení nového typu běžného účtu, nebo ohodnocení portfolia zákazníků pro účely sloučení a akvizice.

Kontakt

Filip Trojan

Filip Trojan

Senior manažer

Filip je senior manažer v oddělení Pokročilé analytiky a má více než 15 let zkušeností z oblasti analytiky, machine learning, matematické optimalizace a data science. Filip má široké spektrum znalostí... více

Veronika Počerová

Veronika Počerová

Manažerka

Veronika je manažerkou v oddělení Pokročilé analytiky. Specializuje se hlavně na end-to-end analytická řešení pro klienty z finančního, energetického a retail sektoru. Veronika se zaměřuje na predikti... více

Související články