LTV: cara menggunakan data yang tersedia untuk memprediksi nilai pelanggan

Pertumbuhan jangka panjang adalah inti dari pemasaran modern, yang berfokus pada mengubah pelanggan satu kali menjadi pelanggan tetap dan setia. Menggunakan metrik LTV membantu perusahaan mempersonalisasi pemasaran secara bermakna: membuat solusi untuk rekomendasi produk dan kampanye iklan yang dipersonalisasi.

Namun, ketika Anda secara resmi memperoleh LTV menggunakan rumus sederhana, misalnya, melalui tingkat churn, hasilnya seringkali tidak memuaskan untuk bisnis. Dengan menggunakan contoh bisnis e-niaga besar, kami menunjukkan cara mengintegrasikan data pengguna ke dalam satu repositori dan memilih metodologi penghitungan menggunakan kelompok pelanggan yang berbeda.

Karena bisnis ingin menggunakan semua data yang tersedia untuk memprediksi nilai pelanggan, meningkatkan umur pelanggan, dan LTV dari seluruh basis pelanggan, maka ditetapkanlah tujuan seperti:

• Segmentasikan pelanggan berdasarkan aktivitas pembelian mereka.
• Personalisasi komunikasi dengan segmen pelanggan yang diperoleh, menggunakan komunikasi digital dan saluran pemasaran langsung (email, SMS, call center).

Di antara alat yang digunakan adalah Google Analytics untuk mengumpulkan dan menyimpan data perilaku pengguna dan sistem CRM (Microsoft Dynamics) untuk mengumpulkan data tentang pesanan yang telah diselesaikan. Data ini juga harus digabungkan (berdasarkan frekuensi pembelian pelanggan) dalam satu sistem data untuk segmentasi pelanggan. Kemudian, segmen pelanggan yang diperoleh dapat dikirim ke layanan iklan dan digunakan untuk menampilkan iklan yang relevan dan mempersonalisasi komunikasi pemasaran langsung.

Google BigQuery (GBQ) dipilih sebagai penyimpanan data cloud untuk menggabungkan data, karena standar keamanan yang tinggi dan integrasi yang sederhana dengan layanan lain. Sedangkan OWOX BI Pipeline diterapkan untuk mengirim data mentah tanpa sampel tentang perilaku pengguna ke GBQ, hampir secara real time.

Dengan bantuan API dan Pustaka Klien, data berikut dari CRM telah ditransfer ke Google BigQuery:

• Data tentang semua pesanan, termasuk pesanan yang sudah selesai (online, offline, dan melalui call center).
• ID pengguna pelanggan, beserta data pribadinya (nama, jenis kelamin, tanggal lahir, alamat email, nomor telepon, tanggal pendaftaran, status program loyalitas, email, langganan SMS, dll.), serta data tentang aktivitas pembelian pelanggan (a jumlah pesanan yang dibuat oleh pelanggan).

Berikut skema aliran datanya:

Karena klien kami adalah bisnis ritel mode omnichannel, ada kebutuhan untuk membuat segmen pelanggannya sendiri dengan parameter khusus tambahan.

Waktu siklus konsumsi basis pelanggan ditetapkan sebagai 1,5 bulan ± 2 hari untuk menghitung jangka waktu segmentasi. Nilai ini adalah jumlah hari rata-rata antara dua pesanan yang berdekatan. Untuk mengecek jumlah median ini, dihitung jumlah hari antar pesanan online, kemudian jumlah hari antar pesanan offline, untuk mendapatkan nilai rata-rata tertimbang untuk kedua jenis pesanan.

Selanjutnya, jenis segmen utama diidentifikasi berdasarkan periode waktu yang dihitung untuk segmen seperti:

• Anggota baru . Pengguna baru terdaftar yang tidak melakukan pembelian.
• Anggota lama . Pengguna terdaftar lama yang tidak melakukan pembelian.
• pembeli baru . Pelanggan yang melakukan pembelian pertama mereka.
• pembeli yang baik . Pelanggan yang melakukan 3 pembelian atau lebih dalam 6 periode waktu terakhir.
• pembeli yang sangat baik . Pelanggan yang melakukan pembelian paling banyak dalam 6 periode waktu terakhir. Sebagai ambang batas atas untuk segmen ini, analis OWOX BI menggunakan Transformation Rate (persentase pelanggan yang melakukan pembelian dalam periode pelaporan). Misalnya, seorang pelanggan yang membeli sesuatu dalam setiap periode waktu atau dalam 4-5 dari 6 periode waktu terakhir.
• Pembeli biasa . Pelanggan yang melakukan pembelian dalam 1-2 dari 6 periode waktu terakhir.
• Pembeli tidur . Pengguna yang belum melakukan pembelian dalam 6 periode waktu terakhir.
• Tidak aktif . Pengguna yang belum melakukan pembelian dalam 12 periode waktu terakhir.

Setelah menentukan kondisi untuk segmentasi, tim membuat skema kemungkinan transisi pengguna di antara grup pelanggan. Sangat penting untuk melihat migrasi pengguna dari satu segmen ke segmen lain dalam periode waktu yang dianalisis dan setelah berkomunikasi dengan pelanggan melalui saluran pemasaran digital dan langsung.

Skema di atas menunjukkan persentase pengguna yang beralih ke segmen yang lebih aktif dalam periode pelaporan. Transisi ke segmen yang lebih aktif adalah kecenderungan positif dan ditunjukkan dengan warna hijau, sedangkan transisi ke segmen pasif adalah kecenderungan negatif dan ditunjukkan dengan warna merah. Misalnya, Anda dapat melihat bahwa 15% pengguna terdaftar ( Anggota baru ) melakukan pembelian pertama dan menjadi pembeli baru , yang merupakan kecenderungan yang baik. 86% orang, yang melakukan pembelian pada periode waktu sebelumnya, tidak membeli apa pun dalam periode waktu yang dianalisis dan akhirnya menjadi pembeli Kasual , yang merupakan kecenderungan negatif.

Analis OWOX BI membuat segmen pengguna dengan menerapkan kueri SQL. Hasilnya, mereka menerima tabel yang berisi UserID, data pengguna pribadi, dan nama segmen.

Selanjutnya, tabel dengan tingkat efisiensi utama untuk masing-masing segmen dibentuk:

• Jumlah pengguna di segmen dan persentase segmen di basis pelanggan.
• Jumlah pesanan: total dan pesanan yang diselesaikan dalam satu segmen.
• Pendapatan rata-rata per pengguna.
• Jumlah pesanan per pengguna.
• Jumlah total pesanan dan pangsa segmen dalam omset umum.
• Perubahan jumlah pengguna dalam suatu segmen (tingkat pertumbuhan).

Karena klien lebih suka membuat laporan melalui Google Spreadsheet, add-on OWOX BI BigQuery Reports digunakan sebagai cara sederhana dan tepercaya untuk mentransfer data dari Google BigQuery. Mari kita lihat laporan apa yang dibangun berdasarkan data yang diperoleh.

Laporan pertama mengungkapkan jumlah pengguna yang beralih ke segmen lain atau tetap di segmen yang sama.

Metrik Klien menunjukkan jumlah pengguna, kolom StartSegment menunjukkan segmen pengguna pada periode sebelumnya, dan kolom EndSegment menunjukkan segmen pengguna untuk periode waktu saat ini. Misalnya, pada baris 7 kita dapat melihat berapa banyak pelanggan yang beralih ke Pembeli yang baik dari Pembeli biasa , dan, sekali lagi, kecenderungannya bagus. Tapi kita bisa melihat situasi yang benar-benar berlawanan di baris 10, yang merupakan kecenderungan buruk. Baris 5 mewakili pelanggan yang tetap Tidak Aktif . Ini berarti bahwa bisnis perlu berkomunikasi dengan pelanggan ini lebih sering atau lebih efektif dan membujuk mereka untuk mulai membeli lagi setelah 6 periode tidak aktif.

Laporan kedua menunjukkan data saat ini pada setiap pengguna dalam jangka waktu yang ditentukan.

Ini menampilkan daftar pelanggan saat ini yang menjadi anggota masing-masing dari sembilan segmen. Laporan ini juga menampilkan semua data pribadi pengguna untuk komunikasi langsung: alamat email, nomor telepon, tanggal lahir, nama, jenis kelamin, status program loyalitas, pendapatan rata-rata per pengguna, dan jumlah total bonus pengguna. Dengan data ini, pakar pemasaran dapat menyiapkan iklan yang dipersonalisasi untuk setiap segmen pengguna. Misalnya, Anda dapat mengelompokkan pembeli Kasual dengan aktivitas 0101000 (2 pembelian dalam 7 bulan), dan mengirimi mereka undangan ke penjualan rahasia.

Selain itu, informasi dari laporan membantu menghemat anggaran iklan, memungkinkan untuk mengecualikan segmen besar pengguna dari audiens target yang sudah berkomunikasi dengan perusahaan, menggunakan saluran pemasaran langsung. Selain itu, data ini dapat diperkaya dengan informasi yang lebih detail tentang setiap pelanggan, sehingga memungkinkan seseorang untuk mempertimbangkan merek, kategori, dan harga pilihan pelanggan sambil menyusun strategi iklan.

Laporan ketiga menunjukkan metrik aktivitas pembelian di seluruh segmen pelanggan dalam periode waktu yang dianalisis, dibandingkan dengan periode sebelumnya.

Laporan ini membantu melacak perubahan KPI untuk setiap segmen pelanggan:

• Pendapatan yang dihasilkan oleh segmen pelanggan, dan bagiannya dalam total omset perusahaan.
• Angka perbandingan untuk aktivitas pembelian: frekuensi pembelian dan pendapatan rata-rata per pengguna.
• Tingkat penyelesaian pesanan: persentase pesanan yang telah dibayarkan.
• Perubahan jumlah pengguna dari segmen aktif. Kecenderungan positif menunjukkan pertumbuhan pengguna pada segmen aktif ( Pembeli baik, Pembeli sangat baik, Pembeli baru ) dan pengurangan pengguna pada segmen pasif ( Pembeli tidur, Pembeli tidak aktif, Pembeli biasa dengan aktivitas pembelian ***000, **0000, dan *00000). Untuk mendapatkan informasi yang lebih detail tentang perubahan segmen, skema kemungkinan transisi pengguna dari satu segmen ke segmen lainnya dapat digunakan. Skema ini juga memungkinkan melihat seberapa baik komunikasi dengan pelanggan diatur dalam periode pelaporan.

• Menggunakan alat Google dan OWOX BI, proyek e-niaga berhasil mengumpulkan data yang lengkap dan terperinci untuk membuat segmen pelanggan.
• Analis OWOX BI membantu mengotomatiskan pembuatan laporan. Sekarang KPI penting dapat dianalisis di seluruh segmen pelanggan dan kumpulan data, dengan mempertimbangkan data setiap pelanggan dari segmen mana pun.
• Bisnis ini memperkaya komunikasi dengan kliennya dengan menerapkan kampanye iklan yang terperinci.