CLV系列第3部分:轻松识别您最有价值的客户

奥斯汀·迪斯泰尔拍摄于美国洛杉矶

共有

这篇文章是一系列文章中的第三篇,旨在引导初创企业创始人了解我们如何看待客户终身价值(CLV),如何计算(或避免计算),以及如何利用客户终身价值为他们的利益服务企业。如果你错过了第1部分:未审查的生活不值得过第2部分:您的客户不正常,我们邀请您同时检查它们。

早期阶段的好消息:少学数学

你最有价值的客户是那些拥有R心态购买(R),最多F频繁购买(F),谁花费最多M每次购买(m)享用。要使用速记,它们具有最强的RFM分数。因此,作为早期启动团队的成员,您无需开发预测模型或费用计算CLV以获得您的业务阶段所需的内容。相反,将每个客户分配到r,f和m stayalles中,并保存预测模型以供稍后。有关为什么的详细信息,请参阅第二部分.在这篇文章中,我们将首先解释为什么RFM BIN充当剩余客户价值(RCV)的代理,剩余客户价值是客户CLV中尚未实现的部分(参见第一部分)。然后我们将讨论如何将客户分配给垃圾箱。在我们的下一期间,我们会在拥有它后讨论如何处理该信息。

观察顾客行为

要了解为什么RFM可用于识别具有最高价值的客户,让我们首先看一些客户购买历史。在这个例子中,该公司正在向企业销售零食。在下面的图表中,每行是客户(业务),每个点都是沿时间表绘制的购买。点的大小代表了支付的金额。在运行预测模型以计算预期的未来RCV之后,客户按顶部最高RCV的降序排序。

我们在上图中放大的第一位顾客有七个月相当稳定的历史,每周花15美元买两次零食。最近一次购买是在两天前。预测模型预测该客户的RCV价值为3362美元(以今天的美元计)。

我们的下一个客户还在两天前购买了零食,每次购买时花费大约相同的金额(14美元),但这项业务通常只购买每三个星期左右一次。预测模型预测,此客户在今天的美元中额外价值1,164美元。这个RCV是更频繁地购买的客户的价值中的三分之一;唯一有意义的差异是购买频率。

在此比较中的最后一个客户就像以前的频率和货币价值。但是,这项业务在67天内没有购买任何零食。由于它一直在每隔一周购买,因此这位客户遭受搅拌的可能性很高。也许他们找到了另一个小吃店或决定在间歇性禁食中全力以赴。出于这个原因,预测模型预计将在这位客户的未来价值中预计仅365美元 - 第一个客户RCV的十分之一,以及最后一个客户RCV的三分之一。

概括客户行为

看客户行为导致以下一般观察结果:

  • 当一个顾客活跃时,她会随机地以一定的购买率购买
  • 客户有异质的购物习惯,既是购买率和货币金额
  • 有些客户可能已经失去了,再也回不来了
  • 并非所有客户对产品/服务的承诺都是平等的

简言之,客户是复杂、混乱和异构的。计算CLV有助于我们庆祝这种异质性,并将其用于我们的优势十二生肖指标将CLV表示为以下高级因素的函数:

计算每个预测因素(括号内)所需的数学运算比早期创业需要更多的时间。相反,我们可以使用这些因素的输入来指导我们。具有最佳输入的客户具有最高的RCV。那么输入是什么呢?RFM!

  • 流失风险是近期和频率的函数
  • 购买倾向也来自于新近和频率,但以不同的方式得出
  • 支出习惯是频率和货币价值的函数
  • (历史价值是迄今为止的客户交易的总和,可变成本的净额)

这是伟大的新闻:如果我们可以弄清楚哪些客户拥有最佳的RFM分数,我们可以识别我们最好的客户.Steps以创建RFM量级

1.按用户将原始事务数据转换为RFM摘要

从您的购物车出口、振幅、Mixpanel、条带交易或其他来源收集交易,以确定单个客户、日期和购买金额(扣除可变成本)。然后使用透视表、SQL查询或脚本按用户聚合事务。结果将如下面右侧的摘要所示。

2.弄清楚你想要多大的垃圾箱

对于RFM,我们希望将客户分成大小相同的箱子。它有助于保持在3个箱子(“五分位”)和5个箱子(“五分位”)之间。你可能需要一些尝试和错误,才能找到适合你的方法。下图有助于说明垃圾箱的概念。如果您的客户数量不能平均除以垃圾箱的数量,则某些垃圾箱将缩小1。这不会影响分析。

另一个注意:为了标记目的,我们将最高的数量放在最强,最有价值的垃圾箱上。因此,如果我们有三个新月(Terciles),#3包含最新的客户,#1包含在最近的时间前购买的客户 - 在那两个极端的中间#2。

3.按新近度排序以将客户分配给新班车

  • 使用Excel:根据数据集中自上次购买日期起的天数计算最近期,并将此值存储在其自己的列中。然后使用Excel的数据排序将该列按排序顺序手动分配箱,或使用Excel的百分位函数。如果选择后者,则可以设置一个小表,其中包含每个箱子的阈值,并使用If函数确定箱子。这是您将用于4个四分位箱的内容:
  • 使用python.:将qcut功能与相应的箱子参数一起使用。下面是4个四分位箱的一个示例:rfm['recenty\u quantile']=pd.qcut(rfm['real\u recenty'].rank(method='first',ascending=False),4,labels=range(1,5)).astype('int')

4.用频率和货币值重复排序分配过程

与其不同,最低,最近的值是“最佳”,频率和货币值越高越好。因此,您需要调整您的电子表格或Python公式以解释此项。否则,将客户分配给这些垃圾箱的过程与步骤3中的相同。

5.使用分割矩阵进行可视化

一旦您将所有客户分配给R,F和M个垃圾箱,它就有助于在图表中总结您的研究结果。展示信息直观地帮助团队讨论与不同群体有关的策略,并开发一个常见的词汇,以提及各种行为细分。提供此信息没有人“正确”方法。我们建议某些试验和错误,因为您弄清楚了您的团队的工作原因。在一个标准的方式中,将R,F和M Terciles一起汇集到一个矩阵中,具有更高的顾客计数在较暗的蓝色中:

如果您使用了三个以上的存储箱,那么显示所有三个变量——R、F和M——可以形成一个非常繁忙的图表。为了简化,许多团队选择RF矩阵。这在平均订单规模范围不广的情况下尤其有用。以下是4x4射频矩阵的示例:

这是一个5x5 RF矩阵,看起来很相似,但包含更具体的段名称:

收尾

在这一分期付款中,我们已经看到了为什么您想要将客户分组使用RFM垃圾箱分组,以及如何从一组原始事务数据执行。RFM BINS通过根据其采购行为进行分组,帮助构建我们对异构客户群的理解。