LTV: Nutzung verfügbarer Daten zur Vorhersage des Kundenwerts

Langfristiges Wachstum ist die Essenz des modernen Marketings, das sich darauf konzentriert, einmalige Kunden zu Stammkunden zu machen. Die Verwendung der LTV-Metrik hilft Unternehmen, Marketing sinnvoll zu personalisieren: Erstellen Sie Lösungen für personalisierte Produktempfehlungen und Werbekampagnen.

Wenn Sie den LTV jedoch formell mit einfachen Formeln erhalten, beispielsweise über eine Abwanderungsrate, sind die Ergebnisse für das Unternehmen oft unbefriedigend. Am Beispiel eines großen E-Commerce-Unternehmens zeigen wir, wie man Benutzerdaten in ein einziges Repository integriert und eine Berechnungsmethodik anhand verschiedener Kundenkohorten auswählt.

Da das Unternehmen alle verfügbaren Daten nutzen wollte, um den Kundenwert vorherzusagen, die Kundenlebensdauer und den LTV des gesamten Kundenstamms zu erhöhen, wurden folgende Ziele gesetzt:

• Segmentieren Sie Kunden basierend auf ihrer Kaufaktivität.
• Personalisieren Sie die Kommunikation mit den gewonnenen Kundensegmenten, indem Sie digitale Kommunikations- und Direktmarketingkanäle (E-Mail, SMS, Call Center) nutzen.

Zu den verwendeten Tools gehörten Google Analytics zum Sammeln und Speichern von Daten zum Benutzerverhalten und ein CRM-System (Microsoft Dynamics) zum Sammeln von Daten über abgeschlossene Bestellungen. Auch diese Daten sollten (basierend auf der Kaufhäufigkeit der Kunden) in einem einzigen Datensystem zur Kundensegmentierung zusammengeführt werden. Anschließend können die erhaltenen Kundensegmente an Anzeigendienste gesendet und zur Anzeige relevanter Anzeigen und zur Personalisierung der Direktmarketingkommunikation verwendet werden.

Google BigQuery (GBQ) wurde aufgrund der hohen Sicherheitsstandards und der einfachen Integration mit anderen Diensten als Cloud-Datenspeicher für die Zusammenführung der Daten ausgewählt. Wohingegen OWOX BI Pipeline angewendet wurde, um ungesampelte Rohdaten über das Benutzerverhalten nahezu in Echtzeit an GBQ zu senden.

Mit Hilfe der API und Client Libraries wurden folgende Daten aus CRM an Google BigQuery übertragen:

• Daten zu allen Bestellungen, einschließlich der abgeschlossenen Bestellungen (online, offline und über Callcenter).
• Kunden-Benutzer-IDs zusammen mit ihren persönlichen Daten (Name, Geschlecht, Geburtstag, E-Mail-Adresse, Telefonnummer, Registrierungsdatum, Status des Treueprogramms, E-Mail, SMS-Abonnement usw.) sowie die Daten über die Kaufaktivität der Kunden (a Anzahl der Bestellungen eines Kunden).

Hier ist das Datenflussschema:

Da unser Kunde ein Omnichannel-Modeeinzelhändler war, war es notwendig, seine eigenen Kundensegmente mit zusätzlichen benutzerdefinierten Parametern zu schaffen.

Die Verbrauchszykluszeit des Kundenstamms wurde auf 1,5 Monate ± 2 Tage festgelegt, um den Zeitraum für die Segmentierung zu berechnen. Dieser Wert ist die mittlere Anzahl von Tagen zwischen den beiden benachbarten Bestellungen. Um diesen Mittelwert zu überprüfen, wurde die Anzahl der Tage zwischen den Online-Bestellungen berechnet, dann die Anzahl der Tage zwischen den Offline-Bestellungen, um den gewichteten Mittelwert für beide Arten von Bestellungen zu erhalten.

Als nächstes wurden die Hauptsegmenttypen basierend auf dem berechneten Zeitraum für solche Segmente identifiziert wie:

• Neue Mitglieder . Neu registrierte Benutzer, die keine Käufe getätigt haben.
• Alte Mitglieder . Alte registrierte Benutzer, die keine Einkäufe getätigt haben.
• Neue Käufer . Kunden, die ihren ersten Einkauf getätigt haben.
• Gute Käufer . Kunden, die in den letzten 6 Zeiträumen 3 oder mehr Käufe getätigt haben.
• Sehr gute Käufer . Kunden, die in den letzten 6 Zeiträumen die meisten Einkäufe getätigt haben. Als obere Schwelle für dieses Segment haben die OWOX BI-Analysten die Transformationsrate (der Prozentsatz der Kunden, die innerhalb des Berichtszeitraums einen Kauf getätigt haben) verwendet. Zum Beispiel ein Kunde, der in jedem Zeitraum oder in 4-5 der 6 letzten Zeiträume etwas gekauft hat.
• Gelegenheitskäufer . Kunden, die in 1–2 der letzten 6 Zeiträume einen Kauf getätigt haben.
• Schlafkäufer . Benutzer, die in den letzten 6 Zeiträumen nichts gekauft haben.
• Inaktiv . Benutzer, die in den letzten 12 Zeiträumen nichts gekauft haben.

Nachdem die Bedingungen für die Segmentierung festgelegt wurden, erstellte das Team ein Schema der möglichen Benutzerübergänge zwischen den Kundengruppen. Es ist wichtig, die Benutzermigration von einem Segment in ein anderes innerhalb des analysierten Zeitraums und nach der Kommunikation mit Kunden über die digitalen und direkten Marketingkanäle zu sehen.

Das obige Schema zeigt den Prozentsatz der Benutzer, die innerhalb eines Berichtszeitraums zu aktiveren Segmenten wechseln. Der Übergang zu aktiveren Segmenten ist eine positive Tendenz und wird grün dargestellt, während der Übergang zu passiven Segmenten eine negative Tendenz darstellt und rot dargestellt wird. Sie können zum Beispiel sehen, dass 15 % der registrierten Benutzer ( Neumitglieder ) den ersten Kauf tätigen und zu Neukäufern werden, was eine gute Tendenz ist. 86 % der Personen, die im vorangegangenen Zeitraum etwas gekauft haben, haben im analysierten Zeitraum nichts gekauft und wurden schließlich Gelegenheitskäufer , was eine negative Tendenz darstellt.

Die OWOX BI-Analysten erstellten Benutzersegmente, indem sie SQL-Abfragen anwendeten. Als Ergebnis erhielten sie eine Tabelle mit UserIDs, persönlichen Benutzerdaten und dem Segmentnamen.

Als nächstes wurde die Tabelle mit den Haupteffizienzraten für jedes der Segmente erstellt:

• Die Anzahl der Benutzer im Segment und der Segmentprozentsatz im Kundenstamm.
• Die Anzahl der Bestellungen: Gesamtzahl und abgeschlossene Bestellungen in einem Segment.
• Der durchschnittliche Umsatz pro Benutzer.
• Die Anzahl der Bestellungen pro Benutzer.
• Die Gesamtzahl der Bestellungen und der Segmentanteil am Gesamtumsatz.
• Die Änderungen in der Anzahl der Benutzer in einem Segment (Wachstumsrate).

Da der Kunde es vorzieht, die Berichte über Google Sheets zu erstellen, wurde das Add-on OWOX BI BigQuery Reports als einfache und zuverlässige Methode zur Übertragung von Daten aus Google BigQuery verwendet. Mal sehen, welche Berichte auf der Grundlage der erhaltenen Daten erstellt wurden.

Der erste Bericht zeigt die Anzahl der Benutzer, die zu einem anderen Segment gewechselt sind oder im selben Segment geblieben sind.

Die Metrik „ Clients “ zeigt die Anzahl der Benutzer, die Spalte „StartSegment“ zeigt das Benutzersegment im vorherigen Zeitraum und die Spalte „EndSegment“ zeigt das Benutzersegment für den aktuellen Zeitraum. Zum Beispiel können wir in Zeile 7 sehen, wie viele Kunden von Gelegenheitskäufern zu Guten Käufern gewechselt sind, und wieder ist es eine gute Tendenz. Aber wir können eine völlig entgegengesetzte Situation in Zeile 10 sehen, was eine schlechte Tendenz ist. Zeile 5 stellt Kunden dar, die inaktiv geblieben sind . Das bedeutet, dass das Unternehmen häufiger oder effektiver mit diesen Kunden kommunizieren und sie davon überzeugen muss, nach 6 Zeiträumen der Inaktivität wieder mit dem Kauf zu beginnen.

Der zweite Bericht zeigt die aktuellen Daten zu jedem Benutzer innerhalb eines festgelegten Zeitraums.

Es zeigt die aktuelle Liste der Kunden an, die Mitglieder jedes der neun Segmente waren. Dieser Bericht zeigt auch alle persönlichen Benutzerdaten für die direkte Kommunikation: E-Mail-Adresse, Telefonnummer, Geburtstag, Name, Geschlecht, Status des Treueprogramms, durchschnittlicher Umsatz pro Benutzer und die Gesamtzahl der Benutzerboni. Mit diesen Daten können die Marketingspezialisten personalisierte Anzeigen für jedes Benutzersegment erstellen. Beispielsweise können Sie Gelegenheitskäufer mit der Aktivität 0101000 (2 Käufe innerhalb von 7 Monaten) gruppieren und ihnen eine Einladung zu einem geheimen Verkauf senden.

Darüber hinaus helfen die Informationen aus dem Bericht, Werbebudget zu sparen, indem sie große Segmente von Benutzern aus der Zielgruppe ausschließen, mit denen das Unternehmen bereits über Direktmarketingkanäle kommuniziert. Außerdem können diese Daten mit detaillierteren Informationen über jeden Kunden angereichert werden, was es einem ermöglicht, die Marke, Kategorie und den Preis der Kundenauswahl zu berücksichtigen, während man eine Werbestrategie entwickelt.

Der dritte Bericht zeigt Kennzahlen zur Kaufaktivität in den Kundensegmenten innerhalb des analysierten Zeitraums im Vergleich zum vorherigen Zeitraum.

Dieser Bericht hilft, KPI-Änderungen für jedes Kundensegment zu verfolgen:

• Umsatz eines Kundensegments und dessen Anteil am Gesamtumsatz des Unternehmens.
• Vergleichszahlen zur Kaufaktivität: Kaufhäufigkeit und durchschnittlicher Umsatz pro Nutzer.
• Bestellabschlussrate: Der Prozentsatz der Bestellungen, die ausgezahlt wurden.
• Änderungen in der Anzahl der Benutzer aus den aktiven Segmenten. Eine positive Tendenz zeigt ein Benutzerwachstum in aktiven Segmenten ( Gute Käufer, Sehr gute Käufer, Neue Käufer ) und eine Benutzerreduktion in den passiven Segmenten ( Schlafkäufer, Inaktive, Gelegenheitskäufer mit einer Kaufaktivität von ***000, **0000 und *00000). Um detailliertere Informationen zu den Segmentänderungen zu erhalten, kann das Schema möglicher Benutzerübergänge von einem Segment zum anderen verwendet werden. Anhand dieses Schemas lässt sich auch erkennen, wie gut die Kommunikation mit den Kunden im Berichtszeitraum organisiert war.

• Mithilfe von Google- und OWOX-BI-Tools gelang es dem E-Commerce-Projekt, vollständige und detaillierte Daten für die Erstellung von Kundensegmenten zu sammeln.
• Die OWOX BI-Analysten halfen bei der Automatisierung der Berichterstellung. Jetzt können die wichtigen KPIs über Kundensegmente und Datensätze hinweg analysiert werden, wobei die Daten zu jedem Kunden aus jedem Segment berücksichtigt werden.
• Das Unternehmen bereicherte die Kommunikation mit seinen Kunden durch die Anwendung detaillierter Werbekampagnen.