LTV: как использовать доступные данные для прогнозирования ценности клиента

Долгосрочный рост — суть современного маркетинга, который направлен на превращение разовых клиентов в постоянных и лояльных. Использование метрики LTV помогает компаниям целенаправленно персонализировать маркетинг: создавать решения для персонализированных рекомендаций по продуктам и рекламных кампаний.

Однако, когда вы формально получаете LTV по простым формулам, например, через churn rate, результаты зачастую неудовлетворительны для бизнеса. На примере крупного бизнеса электронной коммерции покажем, как интегрировать пользовательские данные в единый репозиторий и выбрать методологию расчета с использованием разных когорт клиентов.

Поскольку бизнес хотел использовать все доступные данные для прогнозирования ценности клиента, увеличения продолжительности жизни клиента и LTV всей клиентской базы, были поставлены такие цели, как:

• Сегментируйте клиентов на основе их покупательской активности.
• Персонализируйте общение с полученными сегментами клиентов, используя цифровые коммуникации и каналы прямого маркетинга (электронная почта, SMS, колл-центры).

Среди используемых инструментов были Google Analytics для сбора и хранения данных о поведении пользователей и система CRM (Microsoft Dynamics) для сбора данных о выполненных заказах. Эти данные также должны быть объединены (в зависимости от частоты покупок клиентов) в единую систему данных для сегментации клиентов. Затем полученные сегменты клиентов можно отправить в рекламные службы и использовать для показа релевантной рекламы и персонализации прямого маркетингового общения.

Google BigQuery (GBQ) был выбран в качестве облачного хранилища для объединения данных из-за высоких стандартов безопасности и простой интеграции с другими сервисами. В то время как OWOX BI Pipeline применялся для отправки необработанных несемплированных данных о поведении пользователей в GBQ в режиме, близком к реальному времени.

С помощью API и клиентских библиотек в Google BigQuery были переданы следующие данные из CRM:

• Данные обо всех заказах, включая выполненные заказы (онлайн, офлайн и через колл-центры).
• Идентификаторы пользователей клиентов, а также их личные данные (имя, пол, день рождения, адрес электронной почты, номер телефона, дата регистрации, статус программы лояльности, адрес электронной почты, подписка на SMS и т. д.), а также данные о покупательской активности клиентов ( количество заказов, сделанных клиентом).

Вот схема потока данных:

Так как нашим клиентом был омниканальный фэшн-ритейл, возникла необходимость создания собственных клиентских сегментов с дополнительными кастомными параметрами.

Время цикла потребления клиентской базы было установлено как 1,5 месяца ± 2 дня, чтобы рассчитать период времени для сегментации. Это значение представляет собой среднее количество дней между двумя соседними заказами. Чтобы проверить это срединное число, было рассчитано количество дней между онлайн-заказами, а затем количество дней между офлайн-заказами, чтобы получить средневзвешенное значение для обоих типов заказов.

Далее были выделены основные типы сегментов на основе расчетного периода времени для таких сегментов, как:

• Новые участники . Новые зарегистрированные пользователи, которые не совершали покупок.
• Старые участники . Старые зарегистрированные пользователи, которые не совершали покупок.
• Новые покупатели . Клиенты, совершившие первую покупку.
• Хорошие покупатели . Клиенты, совершившие 3 и более покупок за последние 6 периодов времени.
• Очень хорошие покупатели . Клиенты, совершившие наибольшее количество покупок за последние 6 периодов времени. В качестве верхнего порога для этого сегмента аналитики OWOX BI использовали Transformation Rate (процент клиентов, совершивших покупку за отчетный период). Например, клиент, который что-то купил в каждом временном периоде или в 4-5 из 6 последних временных периодов.
• Случайные покупатели . Клиенты, совершившие покупку в 1-2 из последних 6 периодов времени.
• Покупатели сна . Пользователи, которые не совершали покупки в течение последних 6 периодов времени.
• Неактивный . Пользователи, которые не совершали покупки в течение последних 12 периодов времени.

Указав условия сегментации, команда создала схему возможных переходов пользователей между группами клиентов. Крайне важно видеть миграцию пользователей из одного сегмента в другой в течение анализируемого периода времени и после общения с клиентами через каналы цифрового и прямого маркетинга.

Схема выше показывает процент пользователей, которые переключаются на более активные сегменты в течение отчетного периода. Переход к более активным сегментам является положительной тенденцией и показан зеленым цветом, а переход к пассивным сегментам является отрицательной тенденцией и показан красным цветом. Например, вы можете видеть, что 15% зарегистрированных пользователей ( Новые участники ) совершают первую покупку и становятся Новыми покупателями , что является хорошей тенденцией. 86% людей, совершивших покупку в предыдущий временной период, ничего не покупали в анализируемом временном периоде и в итоге стали случайными покупателями , что является негативной тенденцией.

Аналитики OWOX BI создали пользовательские сегменты с помощью SQL-запросов. В результате они получили таблицу, содержащую UserID, персональные данные пользователей и название сегмента.

Далее была сформирована таблица с основными показателями эффективности по каждому из сегментов:

• Количество пользователей в сегменте и доля сегмента в клиентской базе.
• Количество заказов: всего и выполненных заказов в сегменте.
• Средний доход на пользователя.
• Количество заказов на одного пользователя.
• Общее количество заказов и доля сегмента в общем обороте.
• Изменение количества пользователей в сегменте (темпы роста).

Поскольку клиент предпочитает создавать отчеты через Google Sheets, в качестве простого и надежного способа передачи данных из Google BigQuery был использован аддон OWOX BI BigQuery Reports. Посмотрим, какие отчеты были построены на основе полученных данных.

Первый отчет показывает количество пользователей, которые перешли в другой сегмент или остались в том же.

Метрика Clients показывает количество пользователей, столбец StartSegment демонстрирует пользовательский сегмент за предыдущий период, а столбец EndSegment демонстрирует пользовательский сегмент за текущий период времени. Например, в строке 7 мы видим, сколько клиентов перешли к Хорошим покупателям из Случайных покупателей , и, опять же, это хорошая тенденция. А вот в строке 10 мы видим совершенно противоположную ситуацию, что является плохой тенденцией. Строка 5 представляет клиентов, которые оставались неактивными . Это означает, что бизнесу необходимо чаще или эффективнее общаться с этими клиентами и убеждать их снова начать покупать после 6 периодов неактивности.

Второй отчет показывает текущие данные по каждому пользователю за заданный период времени.

Он отображает текущий список клиентов, которые были членами каждого из девяти сегментов. В этом отчете также отображаются все личные данные пользователя для прямого общения: адрес электронной почты, номер телефона, день рождения, имя, пол, статус программы лояльности, средний доход на одного пользователя и общее количество бонусов пользователя. Имея эти данные, специалисты по маркетингу могут настроить персонализированную рекламу для каждого сегмента пользователей. Например, вы можете сгруппировать случайных покупателей с активностью 0101000 (2 покупки за 7 месяцев) и отправить им приглашение на секретную распродажу.

Более того, информация из отчета помогает экономить рекламный бюджет, позволяя исключить из целевой аудитории огромные сегменты пользователей, с которыми компания уже общается, используя каналы прямого маркетинга. Кроме того, эти данные могут быть дополнены более подробной информацией о каждом покупателе, что позволит учитывать бренд, категорию и цену выбора клиента при формировании рекламной стратегии.

В третьем отчете указаны показатели покупательской активности в клиентских сегментах за анализируемый период времени по сравнению с предыдущим периодом.

Этот отчет помогает отслеживать изменения KPI для каждого сегмента клиентов:

• Выручка клиентского сегмента и ее доля в общем обороте компании.
• Сравнительные показатели покупательской активности: частота покупок и средний доход на пользователя.
• Скорость выполнения заказов: процент заказов, которые были оплачены.
• Изменения количества пользователей из активных сегментов. Положительная тенденция показывает рост пользователей в активных сегментах ( Хорошие покупатели, Очень хорошие покупатели, Новые покупатели ) и сокращение пользователей в пассивных сегментах ( Спящие покупатели, Неактивные, Случайные покупатели с покупательской активностью ***000, **0000 и *00000). Для получения более подробной информации об изменении сегмента можно использовать схему возможных переходов пользователя из одного сегмента в другой. Эта схема также позволяет увидеть, насколько хорошо было организовано общение с клиентами в течение отчетного периода.

• С помощью инструментов Google и OWOX BI проекту электронной коммерции удалось собрать полные и подробные данные для создания клиентских сегментов.
• Аналитики OWOX BI помогли автоматизировать создание отчетов. Теперь важные KPI можно анализировать по клиентским сегментам и наборам данных, учитывая данные по каждому клиенту из любого сегмента.
• Бизнес обогатил общение со своими клиентами, применяя подробные рекламные кампании.