LTV: วิธีใช้ข้อมูลที่มีอยู่เพื่อคาดการณ์มูลค่าของลูกค้า

การเติบโตระยะยาวเป็นหัวใจสำคัญของการตลาดสมัยใหม่ ซึ่งมุ่งเน้นไปที่การเปลี่ยนลูกค้าขาจรให้กลายเป็นลูกค้าประจำและภักดี การใช้เมตริก LTV ช่วยให้บริษัทต่างๆ ปรับเปลี่ยนการตลาดให้เหมาะกับแต่ละบุคคลได้อย่างมีความหมาย: สร้างโซลูชันสำหรับคำแนะนำผลิตภัณฑ์เฉพาะบุคคลและแคมเปญโฆษณา

อย่างไรก็ตาม เมื่อคุณได้รับ LTV อย่างเป็นทางการโดยใช้สูตรง่ายๆ เช่น ผ่านอัตราการเลิกใช้งาน ผลลัพธ์มักจะไม่น่าพอใจสำหรับธุรกิจ โดยใช้ตัวอย่างของธุรกิจอีคอมเมิร์ซขนาดใหญ่ เราแสดงวิธีรวมข้อมูลผู้ใช้ไว้ในที่เก็บข้อมูลเดียวและเลือกวิธีการคำนวณโดยใช้กลุ่มลูกค้าที่ต่างกัน

เนื่องจากธุรกิจต้องการใช้ข้อมูลที่มีอยู่ทั้งหมดเพื่อคาดการณ์มูลค่าของลูกค้า เพิ่มอายุลูกค้าและ LTV ของฐานลูกค้าทั้งหมด จึงมีการกำหนดเป้​​าหมายเช่น:

• แบ่งกลุ่มลูกค้าตามกิจกรรมการซื้อของพวกเขา
• ปรับแต่งการสื่อสารกับกลุ่มลูกค้าที่ได้รับโดยใช้การสื่อสารดิจิทัลและช่องทางการตลาดทางตรง (อีเมล, SMS, ศูนย์บริการ)

เครื่องมือที่ใช้ ได้แก่ Google Analytics เพื่อรวบรวมและจัดเก็บข้อมูลพฤติกรรมผู้ใช้และระบบ CRM (Microsoft Dynamics) เพื่อรวบรวมข้อมูลเกี่ยวกับคำสั่งซื้อที่เสร็จสมบูรณ์ ข้อมูลนี้ควรถูกรวมเข้าด้วยกัน (ตามความถี่ในการซื้อของลูกค้า) ในระบบข้อมูลเดียวสำหรับการแบ่งกลุ่มลูกค้า จากนั้น กลุ่มลูกค้าที่ได้รับจะถูกส่งไปยังบริการโฆษณาและใช้สำหรับแสดงโฆษณาที่เกี่ยวข้องและปรับแต่งการสื่อสารการตลาดแบบตรง

Google BigQuery (GBQ) ได้รับเลือกให้เป็นที่จัดเก็บข้อมูลบนคลาวด์สำหรับการรวมข้อมูล เนื่องจากมีมาตรฐานความปลอดภัยสูงและการผสานรวมกับบริการอื่นๆ ที่ง่ายดาย ในขณะที่ใช้ OWOX BI Pipeline เพื่อส่งข้อมูลดิบที่ไม่ได้สุ่มตัวอย่างเกี่ยวกับพฤติกรรมผู้ใช้ไปยัง GBQ ในเวลาที่ใกล้เคียงจริง

ด้วยความช่วยเหลือของ API และไลบรารีของไคลเอ็นต์ ข้อมูลต่อไปนี้จาก CRM ถูกโอนไปยัง Google BigQuery:

• ข้อมูลเกี่ยวกับคำสั่งซื้อทั้งหมด รวมถึงคำสั่งซื้อที่เสร็จสมบูรณ์ (ออนไลน์ ออฟไลน์ และผ่านคอลเซ็นเตอร์)
• ID ผู้ใช้ของลูกค้า พร้อมด้วยข้อมูลส่วนบุคคล (ชื่อ เพศ วันเกิด ที่อยู่อีเมล หมายเลขโทรศัพท์ วันที่ลงทะเบียน สถานะโปรแกรมสมาชิก อีเมล การสมัคร SMS ฯลฯ) ตลอดจนข้อมูลเกี่ยวกับกิจกรรมการซื้อของลูกค้า (ก จำนวนการสั่งซื้อของลูกค้า)

นี่คือสคีมา dataflow:

เนื่องจากลูกค้าของเราเป็นธุรกิจค้าปลีกแฟชั่นแบบหลายช่องทาง จึงจำเป็นต้องสร้างกลุ่มลูกค้าของตัวเองด้วยพารามิเตอร์ที่กำหนดเองเพิ่มเติม

รอบเวลาการบริโภคของฐานลูกค้าถูกกำหนดเป็น 1.5 เดือน ± 2 วัน เพื่อคำนวณระยะเวลาสำหรับการแบ่งส่วน ค่านี้คือจำนวนวันมัธยฐานระหว่างสองคำสั่งซื้อที่อยู่ใกล้เคียง ในการตรวจสอบตัวเลขมัธยฐานนี้ จำนวนวันระหว่างคำสั่งซื้อออนไลน์จะถูกคำนวณ จากนั้นจึงคำนวณจำนวนวันระหว่างคำสั่งซื้อออฟไลน์ เพื่อรับค่าเฉลี่ยถ่วงน้ำหนักสำหรับคำสั่งซื้อทั้งสองประเภท

ถัดไป ประเภทของส่วนหลักถูกระบุตามช่วงเวลาที่คำนวณสำหรับส่วนต่างๆ เช่น:

• สมาชิกใหม่ . ผู้ใช้ที่ลงทะเบียนใหม่ซึ่งไม่ได้ทำการซื้อ
• สมาชิกเก่า . ผู้ใช้ที่ลงทะเบียนเก่าที่ไม่ได้ทำการซื้อ
• ผู้ซื้อรายใหม่ ลูกค้าที่ทำการซื้อครั้งแรก
• ผู้ซื้อที่ดี ลูกค้าที่ทำการซื้อ 3 ครั้งขึ้นไปภายใน 6 ช่วงเวลาล่าสุด
• ผู้ซื้อที่ดีมาก ลูกค้าที่ทำการซื้อมากที่สุดภายใน 6 ช่วงเวลาที่ผ่านมา นักวิเคราะห์ OWOX BI ใช้อัตราการเปลี่ยนแปลง (เปอร์เซ็นต์ของลูกค้าที่ซื้อภายในระยะเวลาการรายงาน) เป็นเกณฑ์สูงสุดสำหรับกลุ่มนี้ ตัวอย่างเช่น ลูกค้าที่ซื้อบางอย่างในแต่ละช่วงเวลาหรือใน 4-5 ของ 6 ช่วงเวลาที่ผ่านมา
• ผู้ซื้อ ทั่วไป ลูกค้าที่ซื้อ 1-2 งวดจาก 6 ช่วงเวลาล่าสุด
• ผู้ซื้อการนอนหลับ ผู้ใช้ที่ไม่ได้ทำการซื้อภายใน 6 ช่วงเวลาที่ผ่านมา
• ไม่ใช้งาน ผู้ใช้ที่ไม่ได้ทำการซื้อภายใน 12 ช่วงเวลาที่ผ่านมา

เมื่อระบุเงื่อนไขสำหรับการแบ่งกลุ่มแล้ว ทีมงานจึงสร้างสคีมาของการเปลี่ยนผู้ใช้ที่เป็นไปได้ระหว่างกลุ่มลูกค้า สิ่งสำคัญคือต้องเห็นการโยกย้ายผู้ใช้จากกลุ่มหนึ่งไปยังอีกกลุ่มหนึ่งภายในช่วงเวลาที่วิเคราะห์และหลังจากสื่อสารกับลูกค้าผ่านช่องทางดิจิทัลและการตลาดทางตรง

สคีมาด้านบนแสดงเปอร์เซ็นต์ของผู้ใช้ที่เปลี่ยนไปใช้กลุ่มที่มีการใช้งานมากขึ้นภายในระยะเวลาการรายงาน การเปลี่ยนไปใช้เซ็กเมนต์ที่ใช้งานมากขึ้นมีแนวโน้มเชิงบวกและแสดงด้วยสีเขียว ในขณะที่การเปลี่ยนไปใช้เซ็กเมนต์แบบพาสซีฟมีแนวโน้มเชิงลบและแสดงด้วยสีแดง ตัวอย่างเช่น คุณจะเห็นว่า 15% ของผู้ใช้ที่ลงทะเบียน ( สมาชิกใหม่ ) ทำการซื้อครั้งแรกและกลายเป็น ผู้ซื้อใหม่ ซึ่งเป็นแนวโน้มที่ดี 86% ของผู้คนที่ทำการซื้อในช่วงเวลาก่อนหน้า ไม่ได้ซื้ออะไรเลยในช่วงเวลาที่วิเคราะห์ และในที่สุดก็กลายเป็น ผู้ซื้อ ที่ไม่เป็นทางการ ซึ่งเป็นแนวโน้มเชิงลบ

นักวิเคราะห์ OWOX BI สร้างกลุ่มผู้ใช้โดยใช้การสืบค้น SQL ด้วยเหตุนี้ พวกเขาจึงได้รับตารางที่มี UserIDs ข้อมูลผู้ใช้ส่วนบุคคล และชื่อกลุ่ม

ถัดไป ตารางที่มีอัตราประสิทธิภาพหลักสำหรับแต่ละส่วนถูกสร้างขึ้น:

• จำนวนผู้ใช้ในกลุ่มและเปอร์เซ็นต์กลุ่มในฐานลูกค้า
• จำนวนคำสั่งซื้อ: คำสั่งซื้อทั้งหมดและคำสั่งซื้อที่เสร็จสมบูรณ์ในกลุ่ม
• รายได้เฉลี่ยต่อผู้ใช้
• จำนวนการสั่งซื้อต่อผู้ใช้
• จำนวนคำสั่งซื้อทั้งหมดและส่วนแบ่งส่วนแบ่งในผลประกอบการทั่วไป
• การเปลี่ยนแปลงจำนวนผู้ใช้ในกลุ่ม (อัตราการเติบโต)

เนื่องจากลูกค้าต้องการสร้างรายงานผ่าน Google ชีต ส่วนเสริม OWOX BI BigQuery Reports จึงถูกใช้เป็นวิธีที่ง่ายและเชื่อถือได้ในการถ่ายโอนข้อมูลจาก Google BigQuery มาดูกันว่ารายงานใดบ้างที่สร้างขึ้นจากข้อมูลที่ได้รับ

รายงานฉบับแรกเปิดเผย จำนวนผู้ใช้ที่ เปลี่ยนผ่านไปยังกลุ่มอื่นหรือยังคงอยู่ในกลุ่มเดียวกัน

เมตริก Clients แสดงจำนวนผู้ใช้ คอลัมน์ StartSegment แสดงกลุ่มผู้ใช้ในช่วงเวลาก่อนหน้า และคอลัมน์ EndSegment แสดงกลุ่มผู้ใช้สำหรับช่วงเวลาปัจจุบัน ตัวอย่างเช่น ในบรรทัดที่ 7 เราจะเห็นจำนวนลูกค้าที่เปลี่ยนไปเป็นผู้ซื้อที่ ดี จาก ผู้ซื้อ ทั่วไป และอีกครั้งก็เป็นแนวโน้มที่ดี แต่เราสามารถเห็นสถานการณ์ที่ตรงกันข้ามโดยสิ้นเชิงในบรรทัดที่ 10 ซึ่งเป็นแนวโน้มที่ไม่ดี บรรทัดที่ 5 แสดงถึงลูกค้าที่ยังคง ไม่ใช้งาน หมายความว่าธุรกิจจำเป็นต้องสื่อสารกับลูกค้าเหล่านี้บ่อยขึ้นหรือมีประสิทธิภาพมากขึ้นและชักชวนให้พวกเขาเริ่มซื้ออีกครั้งหลังจากไม่มีการใช้งาน 6 ช่วงเวลา

รายงานที่สองแสดง ข้อมูลปัจจุบันของผู้ใช้แต่ละราย ภายในระยะเวลาที่กำหนด

จะแสดงรายชื่อลูกค้าปัจจุบันที่เป็นสมาชิกของแต่ละเซ็กเมนต์ทั้งเก้าส่วน รายงานนี้ยังแสดงข้อมูลส่วนบุคคลของผู้ใช้ทั้งหมดสำหรับการสื่อสารโดยตรง: ที่อยู่อีเมล หมายเลขโทรศัพท์ วันเกิด ชื่อ เพศ สถานะโปรแกรมความภักดี รายได้เฉลี่ยต่อผู้ใช้ และจำนวนโบนัสผู้ใช้ทั้งหมด ด้วยข้อมูลนี้ ผู้เชี่ยวชาญด้านการตลาดสามารถตั้งค่าโฆษณาที่ปรับให้เหมาะกับแต่ละบุคคลสำหรับผู้ใช้แต่ละกลุ่ม ตัวอย่างเช่น คุณสามารถจัดกลุ่ม ผู้ซื้อ ทั่วไปที่มีกิจกรรม 0101000 (การซื้อ 2 ครั้งภายใน 7 เดือน) และส่งคำเชิญไปยังการขายแบบลับๆ

นอกจากนี้ ข้อมูลจากรายงานยังช่วยประหยัดงบประมาณโฆษณา ทำให้สามารถแยกผู้ใช้กลุ่มใหญ่ออกจากกลุ่มเป้าหมายที่บริษัทสื่อสารอยู่แล้วได้โดยใช้ช่องทางการตลาดแบบตรง นอกจากนี้ ข้อมูลนี้สามารถเสริมด้วยข้อมูลรายละเอียดเพิ่มเติมเกี่ยวกับลูกค้าแต่ละราย ซึ่งช่วยให้พิจารณาแบรนด์ หมวดหมู่ และราคาที่ลูกค้าเลือกในขณะที่สร้างกลยุทธ์โฆษณา

รายงานฉบับที่สามระบุ ตัวชี้วัดของกิจกรรมการซื้อในกลุ่มลูกค้า ภายในช่วงเวลาที่วิเคราะห์ เปรียบเทียบกับช่วงเวลาก่อนหน้า

รายงานนี้ช่วยในการติดตามการเปลี่ยนแปลง KPI สำหรับลูกค้าแต่ละกลุ่ม:

• รายได้ที่เกิดจากกลุ่มลูกค้าและส่วนแบ่งในผลประกอบการของบริษัททั้งหมด
• ตัวเลขเปรียบเทียบสำหรับกิจกรรมการซื้อ: ความถี่ในการซื้อและรายได้เฉลี่ยต่อผู้ใช้
• อัตราการเสร็จสิ้นการสั่งซื้อ: เปอร์เซ็นต์ของคำสั่งซื้อที่ชำระแล้ว
• การเปลี่ยนแปลงจำนวนผู้ใช้จากกลุ่มที่ใช้งานอยู่ แนวโน้มเชิงบวกแสดงถึงการเติบโตของผู้ใช้ในกลุ่มที่ใช้งานอยู่ ( ผู้ซื้อที่ดี ผู้ซื้อที่ดีมาก ผู้ซื้อใหม่ ) และการลดลงของผู้ใช้ในกลุ่มที่แฝงตัว ( ผู้ซื้อที่นอนหลับ ไม่ได้ใช้งาน ผู้ซื้อทั่วไป ที่มีกิจกรรมการซื้อ ***000 **0000 และ *00000). หากต้องการทราบข้อมูลโดยละเอียดเพิ่มเติมเกี่ยวกับการเปลี่ยนแปลงกลุ่ม คุณสามารถใช้สคีมาของการเปลี่ยนผู้ใช้ที่เป็นไปได้จากกลุ่มหนึ่งไปยังอีกกลุ่มหนึ่ง สคีมานี้ยังช่วยให้เห็นว่ามีการจัดระเบียบการสื่อสารกับลูกค้าภายในระยะเวลาการรายงานได้ดีเพียงใด

• การใช้เครื่องมือ Google และ OWOX BI ทำให้โครงการอีคอมเมิร์ซสามารถรวบรวมข้อมูลที่สมบูรณ์และละเอียดสำหรับการสร้างกลุ่มลูกค้า
• นักวิเคราะห์ OWOX BI ช่วยในการสร้างรายงานโดยอัตโนมัติ ตอนนี้ KPI ที่สำคัญสามารถวิเคราะห์ได้ระหว่างกลุ่มลูกค้าและชุดข้อมูล โดยพิจารณาจากข้อมูลของลูกค้าแต่ละรายจากกลุ่มใดๆ
• ธุรกิจเสริมการสื่อสารกับลูกค้าโดยใช้แคมเปญโฆษณาโดยละเอียด