LTV: como usar os dados disponíveis para prever o valor do cliente

O crescimento a longo prazo é a essência do marketing moderno, que se concentra em transformar clientes ocasionais em clientes regulares e leais. O uso da métrica LTV ajuda as empresas a personalizar significativamente o marketing: criar soluções para recomendações personalizadas de produtos e campanhas publicitárias.

No entanto, quando você obtém formalmente o LTV usando fórmulas simples, por exemplo, por meio de uma taxa de churn, os resultados geralmente são insatisfatórios para os negócios. Usando o exemplo de uma grande empresa de comércio eletrônico, mostramos como integrar os dados do usuário em um único repositório e selecionar uma metodologia de cálculo usando diferentes grupos de clientes.

Como a empresa queria usar todos os dados disponíveis para prever o valor do cliente, aumentar a vida útil do cliente e o LTV de toda a base de clientes, foram estabelecidas metas como:

• Segmente os clientes com base em sua atividade de compra.
• Personalizar a comunicação com os segmentos de clientes obtidos, utilizando comunicação digital e canais de marketing direto (e-mail, SMS, call centers).

Entre as ferramentas utilizadas estavam o Google Analytics para coletar e armazenar dados de comportamento do usuário e um sistema de CRM (Microsoft Dynamics) para coletar dados sobre pedidos concluídos. Esses dados também devem ser mesclados (com base na frequência de compra dos clientes) em um único sistema de dados para segmentação de clientes. Em seguida, os segmentos de clientes obtidos podem ser enviados para serviços de anúncios e usados ​​para exibir anúncios relevantes e personalizar a comunicação de marketing direto.

O Google BigQuery (GBQ) foi escolhido como um armazenamento de dados em nuvem para mesclar os dados, devido aos altos padrões de segurança e integrações simples com outros serviços. Enquanto o OWOX BI Pipeline foi aplicado para enviar dados brutos não amostrados sobre o comportamento do usuário para o GBQ, em tempo quase real.

Com a ajuda da API e das bibliotecas de cliente, os seguintes dados do CRM foram transferidos para o Google BigQuery:

• Dados sobre todos os pedidos, incluindo os pedidos concluídos (online, offline e por meio de call centers).
• IDs de usuário do cliente, juntamente com seus dados pessoais (nome, sexo, data de nascimento, endereço de e-mail, número de telefone, data de registro, status do programa de fidelidade, e-mail, assinatura de SMS etc.), bem como os dados sobre a atividade de compra dos clientes (um número de pedidos feitos por um cliente).

Este é o esquema de fluxo de dados:

Como nosso cliente era um negócio de varejo de moda omnicanal, havia a necessidade de criar seus próprios segmentos de clientes com parâmetros personalizados adicionais.

O tempo de ciclo de consumo da base de clientes foi definido em 1,5 meses ± 2 dias para calcular o período de tempo para segmentação. Este valor é o número médio de dias entre os dois pedidos vizinhos. Para verificar esse número mediano, foi calculado o número de dias entre os pedidos online e, em seguida, o número de dias entre os pedidos offline, para obter o valor médio ponderado para os dois tipos de pedidos.

Em seguida, os principais tipos de segmentos foram identificados com base no período de tempo calculado para segmentos como:

• Novos membros . Usuários recém-registrados que não fizeram compras.
• Membros antigos . Usuários cadastrados antigos que não fizeram compras.
• Novos compradores . Clientes que fizeram sua primeira compra.
• Bons compradores . Clientes que fizeram 3 ou mais compras nos últimos 6 períodos.
• Compradores muito bons . Clientes que fizeram mais compras nos últimos 6 períodos. Como limite superior para este segmento, os analistas de BI da OWOX usaram a Taxa de Transformação (a porcentagem de clientes que fizeram uma compra no período do relatório). Por exemplo, um cliente que comprou algo em cada período de tempo ou em 4-5 dos 6 últimos períodos de tempo.
• Compradores casuais . Clientes que fizeram uma compra em 1-2 dos últimos 6 períodos.
• Compradores de sono . Usuários que não fizeram uma compra nos últimos 6 períodos.
• Inativo . Usuários que não fizeram uma compra nos últimos 12 períodos.

Tendo especificado as condições para segmentação, a equipe criou um esquema das possíveis transições de usuários entre os grupos de clientes. É fundamental ver a migração do usuário de um segmento para outro dentro do período analisado e após a comunicação com os clientes por meio dos canais de marketing digital e direto.

O esquema acima demonstra a porcentagem de usuários que mudam para segmentos mais ativos em um período de relatório. A transição para segmentos mais ativos é uma tendência positiva e é mostrada em verde, enquanto a transição para segmentos passivos é uma tendência negativa e é mostrada em vermelho. Por exemplo, você pode ver que 15% dos usuários cadastrados ( Novos membros ) fazem a primeira compra e se tornam Novos compradores , o que é uma boa tendência. 86% das pessoas, que fizeram uma compra no período anterior, não compraram nada no período analisado e acabaram se tornando compradores casuais , o que é uma tendência negativa.

Os analistas de BI da OWOX criaram segmentos de usuários aplicando consultas SQL. Como resultado, eles receberam uma tabela contendo UserIDs, dados pessoais do usuário e o nome do segmento.

Em seguida, foi formada a tabela com os principais índices de eficiência para cada um dos segmentos:

• O número de usuários no segmento e a porcentagem do segmento na base de clientes.
• O número de pedidos: pedidos totais e concluídos em um segmento.
• A receita média por usuário.
• O número de pedidos por usuário.
• O número total de pedidos e a participação do segmento no faturamento geral.
• As mudanças no número de usuários em um segmento (taxa de crescimento).

Como o cliente prefere criar os relatórios via Planilhas Google, foi utilizado o add-on OWOX BI BigQuery Reports como uma forma simples e confiável de transferir dados do Google BigQuery. Vamos ver quais relatórios foram construídos com base nos dados obtidos.

O primeiro relatório revela o número de usuários que transitaram para outro segmento ou permaneceram no mesmo.

A métrica Clientes mostra o número de usuários, a coluna StartSegment demonstra o segmento de usuário no período anterior e a coluna EndSegment demonstra o segmento de usuário para o período atual. Por exemplo, na linha 7 podemos ver quantos clientes mudaram de Compradores casuais para Bons compradores e, novamente, é uma boa tendência. Mas podemos ver uma situação totalmente oposta na linha 10, o que é uma tendência ruim. A linha 5 representa os clientes que permaneceram inativos . Isso significa que a empresa precisa se comunicar com esses clientes com mais frequência ou de maneira mais eficaz e convencê-los a começar a comprar novamente após 6 períodos de inatividade.

O segundo relatório mostra os dados atuais de cada usuário dentro de um período de tempo definido.

Ele exibe a lista atual de clientes que eram membros de cada um dos nove segmentos. Este relatório também mostra todos os dados pessoais do usuário para comunicação direta: endereço de e-mail, número de telefone, aniversário, nome, sexo, status do programa de fidelidade, receita média por usuário e o número total de bônus do usuário. Com esses dados em mãos, os especialistas em marketing podem configurar anúncios personalizados para cada segmento de usuário. Por exemplo, você pode agrupar compradores casuais com a atividade 0101000 (2 compras em 7 meses) e enviar a eles um convite para uma venda secreta.

Além disso, as informações do relatório ajudam a economizar orçamento de publicidade, permitindo excluir grandes segmentos de usuários do público-alvo com o qual a empresa já se comunica, utilizando canais de marketing direto. Além disso, esses dados podem ser enriquecidos com informações mais detalhadas sobre cada cliente, permitindo que se considere a marca, a categoria e o preço das escolhas do cliente ao formar uma estratégia de anúncio.

O terceiro relatório indica as métricas da atividade de compra nos segmentos de clientes no período analisado, em comparação com o período anterior.

Este relatório ajuda a rastrear as alterações de KPI para cada segmento de cliente:

• Receita gerada por um segmento de clientes e sua participação no faturamento total da empresa.
• Dados comparativos para atividade de compra: frequência de compra e receita média por usuário.
• Taxa de conclusão de pedidos: a porcentagem de pedidos que foram pagos.
• Alterações no número de usuários dos segmentos ativos. Uma tendência positiva mostra crescimento de usuários nos segmentos ativos ( Bons compradores, Muito bons compradores, Novos compradores ) e redução de usuários nos segmentos passivos ( Compradores de sono, Inativos, Compradores casuais com atividade de compra de ***000, **0000 e *00000). Para obter informações mais detalhadas sobre as alterações do segmento, pode-se usar o esquema de possíveis transições do usuário de um segmento para outro. Esse esquema também permite ver como foi organizada a comunicação com os clientes no período do relatório.

• Utilizando as ferramentas de BI do Google e OWOX, o projeto de e-commerce conseguiu coletar dados completos e detalhados para a criação de segmentos de clientes.
• Os analistas de BI da OWOX ajudaram a automatizar a criação de relatórios. Agora, os KPIs importantes podem ser analisados ​​em todos os segmentos de clientes e conjuntos de dados, considerando os dados de cada cliente de qualquer segmento.
• A empresa enriqueceu a comunicação com seus clientes através da aplicação de campanhas publicitárias detalhadas.