LTV : comment utiliser les données disponibles pour prédire la valeur client

La croissance à long terme est l'essence même du marketing moderne, qui vise à transformer les clients ponctuels en clients réguliers et fidèles. L'utilisation de la métrique LTV aide les entreprises à personnaliser de manière significative le marketing : créer des solutions pour des recommandations de produits et des campagnes publicitaires personnalisées.

Cependant, lorsque vous obtenez formellement la LTV à l'aide de formules simples, par exemple, via un taux de désabonnement, les résultats sont souvent insatisfaisants pour les entreprises. A partir de l'exemple d'une grande entreprise de e-commerce, nous montrons comment intégrer les données utilisateurs dans un référentiel unique et sélectionner une méthodologie de calcul utilisant différentes cohortes de clients.

Comme l'entreprise souhaitait utiliser toutes les données disponibles pour prédire la valeur client, augmenter la durée de vie du client et la LTV de l'ensemble de la clientèle, des objectifs tels que :

• Segmentez les clients en fonction de leur activité d'achat.
• Personnalisez la communication avec les segments de clientèle obtenus, en utilisant les canaux de communication numérique et de marketing direct (e-mail, SMS, centres d'appels).

Parmi les outils utilisés figuraient Google Analytics pour collecter et stocker des données sur le comportement des utilisateurs et un système CRM (Microsoft Dynamics) pour collecter des données sur les commandes terminées. Ces données doivent également être fusionnées (basées sur la fréquence d'achat des clients) dans un système de données unique pour segmenter les clients. Ensuite, les segments de clientèle obtenus peuvent être envoyés aux services publicitaires et utilisés pour afficher des publicités pertinentes et personnaliser la communication de marketing direct.

Google BigQuery (GBQ) a été choisi comme stockage de données dans le cloud pour fusionner les données, en raison des normes de sécurité élevées et des intégrations simples avec d'autres services. Alors que OWOX BI Pipeline a été appliqué pour envoyer des données brutes non échantillonnées sur le comportement des utilisateurs à GBQ, en temps quasi réel.

À l'aide de l'API et des bibliothèques clientes, les données suivantes du CRM ont été transférées vers Google BigQuery :

• Données sur toutes les commandes, y compris les commandes terminées (en ligne, hors ligne et via les centres d'appels).
• Les identifiants des clients, ainsi que leurs données personnelles (nom, sexe, anniversaire, adresse e-mail, numéro de téléphone, date d'inscription, statut du programme de fidélité, e-mail, abonnement SMS, etc.), ainsi que les données sur l'activité d'achat des clients (un nombre de commandes passées par un client).

Voici le schéma du flux de données :

Comme notre client était une entreprise de vente au détail de mode omnicanal, il était nécessaire de créer ses propres segments de clientèle avec des paramètres personnalisés supplémentaires.

Le temps de cycle de consommation de la clientèle a été fixé à 1,5 mois ± 2 jours pour calculer le délai de segmentation. Cette valeur est le nombre médian de jours entre les deux commandes voisines. Pour vérifier ce nombre médian, le nombre de jours entre les commandes en ligne a été calculé, puis le nombre de jours entre les commandes hors ligne, pour obtenir la valeur moyenne pondérée pour les deux types de commandes.

Ensuite, les principaux types de segments ont été identifiés en fonction de la période de temps calculée pour des segments tels que :

• Nouveaux membres . Utilisateurs nouvellement enregistrés qui n'ont effectué aucun achat.
• Les anciens membres . Anciens utilisateurs enregistrés qui n'ont effectué aucun achat.
• Nouveaux acheteurs . Clients ayant effectué leur premier achat.
• Bons acheteurs . Les clients qui ont effectué 3 achats ou plus au cours des 6 dernières périodes.
• Très bons acheteurs . Clients ayant effectué le plus d'achats au cours des 6 dernières périodes. Comme seuil supérieur pour ce segment, les analystes OWOX BI ont utilisé le taux de transformation (le pourcentage de clients ayant effectué un achat au cours de la période de référence). Par exemple, un client qui a acheté quelque chose dans chaque période ou dans 4-5 des 6 dernières périodes.
• Acheteurs occasionnels . Clients ayant effectué un achat au cours de 1 à 2 des 6 dernières périodes.
• Acheteurs de sommeil . Utilisateurs qui n'ont pas effectué d'achat au cours des 6 dernières périodes.
• Inactif . Utilisateurs qui n'ont pas effectué d'achat au cours des 12 dernières périodes.

Après avoir précisé les conditions de segmentation, l'équipe a créé un schéma des transitions d'utilisateurs possibles entre les groupes de clients. Il est essentiel de voir la migration des utilisateurs d'un segment à un autre au cours de la période analysée et après avoir communiqué avec les clients via les canaux de marketing numérique et direct.

Le schéma ci-dessus illustre le pourcentage d'utilisateurs qui passent à des segments plus actifs au cours d'une période de rapport. La transition vers des segments plus actifs est une tendance positive et est représentée en vert, tandis que la transition vers des segments passifs est une tendance négative et est représentée en rouge. Par exemple, vous pouvez voir que 15 % des utilisateurs enregistrés ( Nouveaux membres ) effectuent le premier achat et deviennent de nouveaux acheteurs , ce qui est une bonne tendance. 86 % des personnes qui ont effectué un achat au cours de la période précédente n'ont rien acheté au cours de la période analysée et sont finalement devenues des acheteurs occasionnels , ce qui est une tendance négative.

Les analystes OWOX BI ont créé des segments d'utilisateurs en appliquant des requêtes SQL. En conséquence, ils ont reçu un tableau contenant les ID utilisateur, les données personnelles de l'utilisateur et le nom du segment.

Ensuite, le tableau avec les principaux taux d'efficacité pour chacun des segments a été formé :

• Le nombre d'utilisateurs dans le segment et le pourcentage du segment dans la base de clients.
• Le nombre de commandes : commandes totales et terminées dans un segment.
• Le revenu moyen par utilisateur.
• Le nombre de commandes par utilisateur.
• Le nombre total de commandes et la part du segment dans le chiffre d'affaires général.
• L'évolution du nombre d'utilisateurs dans un segment (taux de croissance).

Comme le client préfère créer les rapports via Google Sheets, le module complémentaire OWOX BI BigQuery Reports a été utilisé comme un moyen simple et fiable de transférer des données depuis Google BigQuery. Voyons quels rapports ont été construits sur la base des données obtenues.

Le premier rapport révèle le nombre d'utilisateurs qui ont transité vers un autre segment ou sont restés dans le même.

La métrique Clients indique le nombre d'utilisateurs, la colonne StartSegment indique le segment d'utilisateurs de la période précédente et la colonne EndSegment indique le segment d'utilisateurs pour la période actuelle. Par exemple, à la ligne 7, nous pouvons voir combien de clients sont passés à Bons acheteurs à partir d' Acheteurs occasionnels et, encore une fois, c'est une bonne tendance. Mais on peut voir une situation totalement opposée à la ligne 10, qui est une mauvaise tendance. La ligne 5 représente les clients restés inactifs . Cela signifie que l'entreprise doit communiquer avec ces clients plus souvent ou plus efficacement et les persuader de recommencer à acheter après 6 périodes d'inactivité.

Le deuxième rapport affiche les données actuelles sur chaque utilisateur au cours d'une période définie.

Il affiche la liste actuelle des clients qui étaient membres de chacun des neuf segments. Ce rapport affiche également toutes les données personnelles des utilisateurs pour une communication directe : adresse e-mail, numéro de téléphone, anniversaire, nom, sexe, statut du programme de fidélité, revenu moyen par utilisateur et nombre total de bonus utilisateur. Avec ces données à portée de main, les spécialistes du marketing peuvent mettre en place des publicités personnalisées pour chaque segment d'utilisateurs. Par exemple, vous pouvez regrouper les acheteurs occasionnels avec l'activité 0101000 (2 achats en 7 mois), et leur envoyer une invitation à une vente secrète.

De plus, les informations du rapport permettent d'économiser le budget publicitaire, permettant d'exclure d'énormes segments d'utilisateurs du public cible avec lequel l'entreprise communique déjà, en utilisant des canaux de marketing direct. En outre, ces données peuvent être enrichies d'informations plus détaillées sur chaque client, ce qui permet de prendre en compte la marque, la catégorie et le prix des choix des clients tout en formant une stratégie publicitaire.

Le troisième rapport indique les mesures de l'activité d'achat dans les segments de clientèle au cours de la période analysée, par rapport à la période précédente.

Ce rapport permet de suivre les changements de KPI pour chaque segment de clientèle :

• Chiffre d'affaires généré par un segment de clientèle et sa part dans le chiffre d'affaires total de l'entreprise.
• Chiffres comparatifs de l'activité d'achat : fréquence d'achat et revenu moyen par utilisateur.
• Taux d'exécution des commandes : le pourcentage de commandes qui ont été payées.
• Modifications du nombre d'utilisateurs des segments actifs. Une tendance positive montre une croissance des utilisateurs dans les segments actifs ( bons acheteurs, très bons acheteurs, nouveaux acheteurs ) et une réduction des utilisateurs dans les segments passifs ( acheteurs dormants, inactifs, acheteurs occasionnels avec une activité d'achat de ***000, **0000 et *00000). Pour obtenir des informations plus détaillées sur les changements de segment, le schéma des transitions possibles des utilisateurs d'un segment à l'autre peut être utilisé. Ce schéma permet également de voir dans quelle mesure la communication avec les clients a été organisée au cours de la période de reporting.

• En utilisant les outils Google et OWOX BI, le projet e-commerce a réussi à collecter des données complètes et détaillées pour créer des segments de clientèle.
• Les analystes OWOX BI ont aidé à automatiser la création de rapports. Désormais, les KPI importants peuvent être analysés sur l'ensemble des segments de clientèle et des ensembles de données, en tenant compte des données de chaque client de n'importe quel segment.
• L'entreprise a enrichi la communication avec ses clients en appliquant des campagnes publicitaires détaillées.