LTV: müşteri değerini tahmin etmek için mevcut verilerin nasıl kullanılacağı

Uzun vadeli büyüme, tek seferlik müşterileri düzenli ve sadık müşterilere dönüştürmeye odaklanan modern pazarlamanın özüdür. LTV metriğini kullanmak, şirketlerin pazarlamayı anlamlı bir şekilde kişiselleştirmesine yardımcı olur: kişiselleştirilmiş ürün önerileri ve reklam kampanyaları için çözümler oluşturun.

Ancak, LTV'yi basit formüller kullanarak, örneğin bir kayıp oranı yoluyla resmi olarak elde ettiğinizde, sonuçlar genellikle iş için tatmin edici değildir. Büyük bir e-ticaret işletmesi örneğini kullanarak, kullanıcı verilerinin tek bir havuza nasıl entegre edileceğini ve farklı müşteri gruplarını kullanarak bir hesaplama metodolojisinin nasıl seçileceğini gösteriyoruz.

İşletme, müşteri değerini tahmin etmek, müşteri ömrünü ve tüm müşteri tabanının YBD'sini artırmak için mevcut tüm verileri kullanmak istediğinden, aşağıdaki gibi hedefler belirlendi:

• Müşterileri satın alma faaliyetlerine göre segmentlere ayırın.
• Dijital iletişim ve doğrudan pazarlama kanallarını (e-posta, SMS, çağrı merkezleri) kullanarak elde edilen müşteri segmentleri ile iletişimi kişiselleştirin.

Kullanılan araçlar arasında, kullanıcı davranışı verilerini toplamak ve depolamak için Google Analytics ve tamamlanan siparişler hakkında veri toplamak için bir CRM sistemi (Microsoft Dynamics) vardı. Bu veriler de (müşterilerin satın alma sıklığına göre) müşterileri segmentlere ayırmak için tek bir veri sisteminde birleştirilmelidir. Daha sonra elde edilen müşteri segmentleri reklam servislerine gönderilerek ilgili reklamların gösterilmesi ve doğrudan pazarlama iletişiminin kişiselleştirilmesi için kullanılabilir.

Google BigQuery (GBQ), yüksek güvenlik standartları ve diğer hizmetlerle basit entegrasyonlar nedeniyle verileri birleştirmek için bir bulut veri deposu olarak seçildi. Oysa OWOX BI Pipeline, kullanıcı davranışı hakkında örneklenmemiş ham verileri neredeyse gerçek zamanlı olarak GBQ'ya göndermek için uygulandı.

API ve İstemci Kitaplıkları yardımıyla, CRM'den gelen aşağıdaki veriler Google BigQuery'ye aktarıldı:

• Tamamlanan siparişler de dahil olmak üzere tüm siparişlerle ilgili veriler (çevrimiçi, çevrimdışı ve çağrı merkezleri aracılığıyla).
• Müşteri kullanıcı kimlikleri ile birlikte kişisel verileri (ad, cinsiyet, doğum günü, e-posta adresi, telefon numarası, kayıt tarihi, sadakat programı durumu, e-posta, SMS aboneliği vb.) ve müşterilerin satın alma faaliyetleriyle ilgili veriler (bir müşteri tarafından yapılan sipariş sayısı).

İşte veri akışı şeması:

Müşterimiz çok kanallı bir moda perakende işletmesi olduğundan, ek özel parametrelerle kendi müşteri segmentlerini yaratma zorunluluğu vardı.

Segmentasyon süresini hesaplamak için müşteri bazının tüketim çevrim süresi 1,5 ay ± 2 gün olarak belirlenmiştir. Bu değer, iki komşu sipariş arasındaki medyan gün sayısıdır. Bu medyan sayıyı kontrol etmek için, çevrimiçi siparişler arasındaki gün sayısı, ardından her iki sipariş türü için ağırlıklı ortalama değeri elde etmek için çevrimdışı siparişler arasındaki gün sayısı hesaplandı.

Daha sonra, ana segment türleri, aşağıdaki gibi segmentler için hesaplanan süreye göre belirlendi:

• Yeni üyeler . Satın alma işlemi yapmayan yeni kayıtlı kullanıcılar.
• Eski üyeler . Satın alma işlemi yapmayan eski kayıtlı kullanıcılar.
• Yeni alıcılar . İlk alışverişini yapan müşteriler.
• İyi alıcılar . Son 6 zaman diliminde 3 veya daha fazla satın alma işlemi yapan müşteriler.
• Çok iyi alıcılar . Son 6 zaman diliminde en çok satın alma yapan müşteriler. Bu segment için üst eşik olarak, OWOX BI analistleri Dönüşüm Oranını (raporlama dönemi içinde satın alma yapan müşterilerin yüzdesi) kullandı. Örneğin, her zaman diliminde veya son 6 zaman diliminden 4-5'inde bir şey satın alan bir müşteri.
• Sıradan alıcılar . Son 6 dönemin 1-2'sinde alışveriş yapan müşteriler.
• Uyku alıcıları . Son 6 zaman diliminde satın alma işlemi yapmamış kullanıcılar.
• etkin değil Son 12 zaman diliminde satın alma işlemi yapmamış kullanıcılar.

Ekip, segmentasyon koşullarını belirledikten sonra, müşteri grupları arasında olası kullanıcı geçişlerinin bir şemasını oluşturdu. Analiz edilen süre içerisinde ve müşterilerle dijital ve doğrudan pazarlama kanalları aracılığıyla iletişim kurduktan sonra, bir segmentten diğerine kullanıcı geçişini görmek çok önemlidir.

Yukarıdaki şema, bir raporlama döneminde daha aktif segmentlere geçiş yapan kullanıcıların yüzdesini gösterir. Daha aktif bölümlere geçiş olumlu bir eğilim olup yeşil ile gösterilirken, pasif bölümlere geçiş olumsuz bir eğilim olup kırmızı ile gösterilir. Örneğin, kayıtlı kullanıcıların ( Yeni üyeler ) %15'inin ilk satın alma işlemini gerçekleştirdiğini ve Yeni alıcılar olduğunu görebilirsiniz ki bu iyi bir eğilimdir. Bir önceki zaman diliminde alışveriş yapanların %86'sı, analiz edilen zaman diliminde hiçbir şey satın almamış ve nihayetinde Casual alıcı olmuştur ki bu olumsuz bir eğilimdir.

OWOX BI analistleri, SQL sorguları uygulayarak kullanıcı segmentleri oluşturdu. Sonuç olarak, Kullanıcı Kimliklerini, kişisel kullanıcı verilerini ve segment adını içeren bir tablo aldılar.

Daha sonra, her bir segment için ana verimlilik oranlarını içeren tablo oluşturulmuştur:

• Segmentteki kullanıcı sayısı ve müşteri tabanındaki segment yüzdesi.
• Sipariş sayısı: bir segmentteki toplam ve tamamlanmış siparişler.
• Kullanıcı başına ortalama gelir.
• Kullanıcı başına sipariş sayısı.
• Toplam sipariş sayısı ve segmentin genel cirodaki payı.
• Bir segmentteki kullanıcı sayısındaki değişiklikler (büyüme oranı).

Müşteri, raporları Google E-Tablolar aracılığıyla oluşturmayı tercih ettiğinden, OWOX BI BigQuery Raporları eklentisi, Google BigQuery'den veri aktarmanın basit ve güvenilir bir yolu olarak kullanıldı. Elde edilen verilere dayanarak hangi raporların oluşturulduğunu görelim.

İlk rapor, başka bir segmente geçiş yapan veya aynı segmentte kalan kullanıcıların sayısını gösterir .

Müşteriler metriği kullanıcı sayısını gösterir, StartSegment sütunu önceki dönemdeki kullanıcı segmentini gösterir ve EndSegment sütunu mevcut zaman periyodu için kullanıcı segmentini gösterir. Örneğin, 7. satırda, Kaç müşterinin Günlük alıcılardan İyi alıcılara geçtiğini görebiliriz ve bu yine iyi bir eğilimdir. Ancak 10. satırda tamamen zıt bir durum görebiliyoruz ki bu kötü bir eğilim. Satır 5, Etkin Olmayan müşterileri temsil eder. Bu, işletmenin bu müşterilerle daha sık veya daha etkili bir şekilde iletişim kurması ve 6 zaman dilimi boyunca hareketsiz kaldıktan sonra onları tekrar satın almaya ikna etmesi gerektiği anlamına gelir.

İkinci rapor, belirli bir süre içinde her kullanıcıya ilişkin mevcut verileri gösterir.

Dokuz segmentin her birinin üyesi olan müşterilerin mevcut listesini görüntüler. Bu rapor ayrıca doğrudan iletişim için tüm kişisel kullanıcı verilerini gösterir: e-posta adresi, telefon numarası, doğum günü, ad, cinsiyet, sadakat programı durumu, kullanıcı başına ortalama gelir ve toplam kullanıcı bonusu sayısı. Eldeki bu verilerle, pazarlama uzmanları her bir kullanıcı segmenti için kişiselleştirilmiş reklamlar oluşturabilir. Örneğin, Gündelik alıcıları 0101000 etkinliğiyle (7 ay içinde 2 satın alma) gruplayabilir ve onlara gizli bir indirim için davetiye gönderebilirsiniz.

Ayrıca, rapordaki bilgiler reklam bütçesinden tasarruf etmeye yardımcı olur ve doğrudan pazarlama kanallarını kullanarak şirketin halihazırda iletişim kurduğu hedef kitleden büyük kullanıcı segmentlerini hariç tutmayı sağlar. Ayrıca bu veriler her bir müşteri hakkında daha detaylı bilgilerle zenginleştirilerek, bir reklam stratejisi oluşturulurken marka, kategori ve müşteri tercihlerinin fiyatı göz önünde bulundurulabilir.

Üçüncü rapor, bir önceki döneme kıyasla, analiz edilen zaman aralığında müşteri segmentleri genelinde satın alma faaliyetinin ölçümlerini gösterir.

Bu rapor, her müşteri segmenti için KPI değişikliklerinin izlenmesine yardımcı olur:

• Bir müşteri segmentinin ürettiği gelir ve toplam şirketin cirosu içindeki payı.
• Satın alma etkinliği için karşılaştırmalı rakamlar: satın alma sıklığı ve kullanıcı başına ortalama gelir.
• Sipariş tamamlama oranı: Ödenen siparişlerin yüzdesi.
• Aktif segmentlerdeki kullanıcı sayısındaki değişiklikler. Olumlu bir eğilim, aktif segmentlerde ( İyi alıcılar, Çok iyi alıcılar, Yeni alıcılar ) kullanıcı büyümesini ve pasif segmentlerde ( Uyuyan alıcılar, Aktif olmayan, ***000, **0000 ve satın alma etkinliği olan Gündelik alıcılar ) kullanıcı azalmasını gösterir. *00000). Segment değişiklikleri hakkında daha ayrıntılı bilgi almak için bir segmentten diğerine olası kullanıcı geçişlerinin şeması kullanılabilir. Bu şema aynı zamanda raporlama döneminde müşterilerle iletişimin ne kadar iyi organize edildiğinin görülmesini sağlar.

• Google ve OWOX BI araçlarını kullanan e-ticaret projesi, müşteri segmentleri oluşturmak için eksiksiz ve ayrıntılı veriler toplamayı başardı.
• OWOX BI analistleri, rapor oluşturmanın otomatikleştirilmesine yardımcı oldu. Artık önemli KPI'lar, herhangi bir segmentteki her müşteriye ilişkin veriler dikkate alınarak müşteri segmentleri ve veri kümeleri genelinde analiz edilebilir.
• İşletme, detaylı reklam kampanyaları uygulayarak müşterileriyle olan iletişimini zenginleştirmiştir.