LTV: come utilizzare i dati disponibili per prevedere il valore del cliente

La crescita a lungo termine è l'essenza del marketing moderno, che si concentra sulla trasformazione dei clienti occasionali in clienti regolari e fedeli. L'utilizzo della metrica LTV aiuta le aziende a personalizzare in modo significativo il marketing: creare soluzioni per consigli personalizzati sui prodotti e campagne pubblicitarie.

Tuttavia, quando si ottiene formalmente LTV utilizzando formule semplici, ad esempio attraverso un tasso di abbandono, i risultati sono spesso insoddisfacenti per le aziende. Utilizzando l'esempio di una grande azienda di e-commerce, mostriamo come integrare i dati degli utenti in un unico repository e selezionare una metodologia di calcolo utilizzando diverse coorti di clienti.

Poiché l'azienda desiderava utilizzare tutti i dati disponibili per prevedere il valore del cliente, aumentare la durata della vita del cliente e l'LTV dell'intera base di clienti, sono stati fissati obiettivi come:

• Segmenta i clienti in base alla loro attività di acquisto.
• Personalizzare la comunicazione con i segmenti di clientela acquisiti, utilizzando la comunicazione digitale ei canali di marketing diretto (e-mail, SMS, call center).

Tra gli strumenti utilizzati c'erano Google Analytics per raccogliere e archiviare dati sul comportamento degli utenti e un sistema CRM (Microsoft Dynamics) per raccogliere dati sugli ordini completati. Anche questi dati dovrebbero essere uniti (in base alla frequenza di acquisto dei clienti) in un unico sistema di dati per segmentare i clienti. Quindi, i segmenti di clienti ottenuti possono essere inviati ai servizi pubblicitari e utilizzati per visualizzare annunci pertinenti e personalizzare la comunicazione di marketing diretto.

Google BigQuery (GBQ) è stato scelto come archivio dati cloud per unire i dati, per via degli elevati standard di sicurezza e della semplice integrazione con altri servizi. Mentre OWOX BI Pipeline è stato applicato per inviare dati grezzi non campionati sul comportamento degli utenti a GBQ, quasi in tempo reale.

Con l'aiuto dell'API e delle librerie client, i seguenti dati da CRM sono stati trasferiti a Google BigQuery:

• Dati su tutti gli ordini, inclusi gli ordini completati (online, offline e tramite call center).
• ID utente del cliente, insieme ai suoi dati personali (nome, sesso, compleanno, indirizzo e-mail, numero di telefono, data di registrazione, stato del programma fedeltà, e-mail, abbonamento SMS, ecc.), nonché i dati sull'attività di acquisto dei clienti (a numero di ordini effettuati da un cliente).

Ecco lo schema del flusso di dati:

Poiché il nostro cliente era un'azienda di vendita al dettaglio di moda omnicanale, era necessario creare i propri segmenti di clienti con parametri personalizzati aggiuntivi.

Il tempo del ciclo di consumo della base clienti è stato fissato a 1,5 mesi ± 2 giorni per calcolare il periodo di segmentazione. Questo valore è il numero mediano di giorni tra i due ordini vicini. Per verificare questo numero mediano, è stato calcolato il numero di giorni tra gli ordini online, quindi il numero di giorni tra gli ordini offline, per ottenere il valore medio ponderato per entrambi i tipi di ordini.

Successivamente, sono state identificate le principali tipologie di segmento in base al periodo di tempo calcolato per segmenti quali:

• Nuovi membri . Utenti appena registrati che non hanno effettuato acquisti.
• Membri vecchi . Vecchi utenti registrati che non hanno effettuato acquisti.
• Nuovi acquirenti . Clienti che hanno effettuato il primo acquisto.
• Buoni acquirenti . Clienti che hanno effettuato 3 o più acquisti negli ultimi 6 periodi di tempo.
• Acquirenti molto buoni . Clienti che hanno effettuato il maggior numero di acquisti negli ultimi 6 periodi di tempo. Come soglia superiore per questo segmento, gli analisti di OWOX BI hanno utilizzato il Transformation Rate (la percentuale di clienti che hanno effettuato un acquisto nel periodo di rendicontazione). Ad esempio, un cliente che ha acquistato qualcosa in ogni periodo di tempo o in 4-5 degli ultimi 6 periodi di tempo.
• Acquirenti casuali . Clienti che hanno effettuato un acquisto in 1-2 degli ultimi 6 periodi di tempo.
• Acquirenti del sonno . Utenti che non hanno effettuato un acquisto negli ultimi 6 periodi di tempo.
• Inattivo . Utenti che non hanno effettuato un acquisto negli ultimi 12 periodi di tempo.

Dopo aver specificato le condizioni per la segmentazione, il team ha creato uno schema delle possibili transizioni di utenti tra i gruppi di clienti. È fondamentale vedere la migrazione degli utenti da un segmento all'altro entro il periodo di tempo analizzato e dopo aver comunicato con i clienti attraverso i canali di marketing digitale e diretto.

Lo schema sopra mostra la percentuale di utenti che passano a segmenti più attivi entro un periodo di rapporto. Il passaggio ai segmenti più attivi è una tendenza positiva ed è indicato in verde, mentre il passaggio ai segmenti passivi è una tendenza negativa ed è indicato in rosso. Ad esempio, puoi vedere che il 15% degli utenti registrati ( Nuovi membri ) effettua il primo acquisto e diventa Nuovi acquirenti , il che è una buona tendenza. L'86% delle persone, che ha effettuato un acquisto nel periodo di tempo precedente, non ha acquistato nulla nel periodo di tempo analizzato e alla fine è diventato Acquirenti casuali , che è una tendenza negativa.

Gli analisti di OWOX BI hanno creato segmenti di utenti applicando query SQL. Di conseguenza, hanno ricevuto una tabella contenente UserID, dati utente personali e il nome del segmento.

Successivamente è stata formata la tabella con i principali tassi di efficienza per ciascuno dei segmenti:

• Il numero di utenti nel segmento e la percentuale del segmento nella base clienti.
• Il numero di ordini: ordini totali e completati in un segmento.
• Il ricavo medio per utente.
• Il numero di ordini per utente.
• Il numero totale di ordini e la quota del segmento nel fatturato generale.
• Le variazioni del numero di utenti in un segmento (tasso di crescita).

Poiché il cliente preferisce creare i rapporti tramite Fogli Google, il componente aggiuntivo OWOX BI BigQuery Reports è stato utilizzato come un modo semplice e affidabile per trasferire i dati da Google BigQuery. Vediamo quali report sono stati costruiti in base ai dati ottenuti.

Il primo rapporto rivela il numero di utenti che sono transitati in un altro segmento o sono rimasti nello stesso.

La metrica Clienti mostra il numero di utenti, la colonna StartSegment mostra il segmento di utenti nel periodo precedente e la colonna EndSegment mostra il segmento di utenti per il periodo di tempo corrente. Ad esempio, nella riga 7 possiamo vedere quanti clienti sono passati a Buoni acquirenti da Acquirenti casuali e, ancora una volta, è una buona tendenza. Ma possiamo vedere una situazione totalmente opposta nella riga 10, che è una cattiva tendenza. La riga 5 rappresenta i clienti che sono rimasti inattivi . Significa che l'azienda deve comunicare con questi clienti più spesso o in modo più efficace e convincerli a ricominciare ad acquistare dopo 6 periodi di inattività.

Il secondo rapporto mostra i dati attuali su ciascun utente entro un determinato periodo di tempo.

Visualizza l'elenco corrente dei clienti che erano membri di ciascuno dei nove segmenti. Questo rapporto mostra anche tutti i dati personali degli utenti per la comunicazione diretta: indirizzo e-mail, numero di telefono, compleanno, nome, sesso, stato del programma fedeltà, ricavo medio per utente e numero totale di bonus utente. Con questi dati a portata di mano, gli specialisti di marketing possono impostare annunci personalizzati per ogni segmento di utenti. Ad esempio, puoi raggruppare gli acquirenti occasionali con l'attività 0101000 (2 acquisti entro 7 mesi) e inviare loro un invito a una vendita segreta.

Inoltre, le informazioni del report aiutano a risparmiare budget pubblicitario, consentendo di escludere enormi segmenti di utenti dal target di riferimento con cui l'azienda già comunica, utilizzando i canali di marketing diretto. Inoltre, questi dati possono essere arricchiti con informazioni più dettagliate su ciascun cliente, consentendo di considerare il marchio, la categoria e il prezzo delle scelte dei clienti mentre si forma una strategia pubblicitaria.

Il terzo rapporto indica le metriche dell'attività di acquisto attraverso i segmenti di clientela nel periodo di tempo analizzato, rispetto al periodo precedente.

Questo rapporto aiuta a tenere traccia delle modifiche ai KPI per ciascun segmento di clienti:

• Entrate generate da un segmento di clientela e la sua quota nel fatturato totale dell'azienda.
• Dati comparativi per attività di acquisto: frequenza di acquisto e ricavo medio per utente.
• Tasso di completamento degli ordini: la percentuale di ordini che sono stati pagati.
• Cambiamenti nel numero di utenti dai segmenti attivi. Una tendenza positiva mostra la crescita dell'utenza nei segmenti attivi ( Acquirenti buoni, Acquirenti molto buoni, Nuovi acquirenti ) e la riduzione dell'utenza nei segmenti passivi (Acquirenti del sonno, Acquirenti inattivi, occasionali con l'attività di acquisto di ***000, **0000 e *00000). Per ottenere informazioni più dettagliate sulle modifiche del segmento, è possibile utilizzare lo schema delle possibili transizioni dell'utente da un segmento all'altro. Questo schema permette anche di vedere come è stata organizzata la comunicazione con i clienti all'interno del periodo di rendicontazione.

• Utilizzando gli strumenti di Google e OWOX BI, il progetto e-commerce è riuscito a raccogliere dati completi e dettagliati per la creazione di segmenti di clientela.
• Gli analisti di OWOX BI hanno contribuito ad automatizzare la creazione di report. Ora i KPI importanti possono essere analizzati attraverso segmenti di clienti e set di dati, considerando i dati su ciascun cliente da qualsiasi segmento.
• L'azienda ha arricchito la comunicazione con i propri clienti applicando dettagliate campagne pubblicitarie.