LTV：如何使用可用數據來預測客戶價值

長期增長是現代營銷的精髓，它專注於將一次性客戶轉變為經常和忠誠的客戶。 使用 LTV 指標可幫助公司有意義地個性化營銷：為個性化產品推薦和廣告活動創建解決方案。

但是，當您使用簡單的公式（例如，通過流失率）正式獲得 LTV 時，結果往往對業務不滿意。 以大型電子商務企業為例，我們展示瞭如何將用戶數據集成到單個存儲庫中，並使用不同的客戶群選擇計算方法。

由於企業希望使用所有可用數據來預測客戶價值，增加客戶壽命和整個客戶群的 LTV，因此設定了以下目標：

• 根據客戶的購買活動對客戶進行細分。
• 使用數字通信和直接營銷渠道（電子郵件、短信、呼叫中心）與獲得的客戶群進行個性化溝通。

使用的工具包括用於收集和存儲用戶行為數據的 Google Analytics（分析）和用於收集有關已完成訂單數據的 CRM 系統（Microsoft Dynamics）。 這些數據也應該合併（基於客戶的購買頻率）在一個單一的數據系統中，用於對客戶進行細分。 然後，可以將獲得的客戶細分發送到廣告服務並用於展示相關廣告和個性化直接營銷傳播。

Google BigQuery (GBQ) 被選為用於合併數據的雲數據存儲，因為它具有高安全標準和與其他服務的簡單集成。 而 OWOX BI Pipeline 則用於近乎實時地向 GBQ 發送有關用戶行為的原始未採樣數據。

在 API 和客戶端庫的幫助下，以下來自 CRM 的數據被傳輸到 Google BigQuery：

• 有關所有訂單的數據，包括已完成的訂單（在線、離線和通過呼叫中心）。
• 客戶用戶 ID，以及他們的個人數據（姓名、性別、生日、電子郵件地址、電話號碼、註冊日期、忠誠度計劃狀態、電子郵件、短信訂閱等），以及有關客戶購買活動的數據（a客戶的訂單數量）。

這是數據流模式：

由於我們的客戶是一家全渠道時尚零售企業，因此有必要使用額外的自定義參數創建自己的客戶群。

客戶群的消費周期時間設定為1.5個月±2天，計算細分的時間週期。 此值是兩個相鄰訂單之間的天數中位數。 為了檢查這個中位數，計算了在線訂單之間的天數，然後是離線訂單之間的天數，以獲得兩種訂單的加權平均值。

接下來，根據計算的時間段確定主要的細分類型，例如：

• 新成員。 未進行購買的新註冊用戶。
• 老會員。 未進行購買的老註冊用戶。
• 新買家。 首次購買的客戶。
• 好買家。 在過去 6 個時間段內進行了 3 次或更多購買的客戶。
• 非常好的買家。 在過去 6 個時間段內購買最多的客戶。 作為該細分市場的上限，OWOX BI 分析師使用了轉化率（在報告期內進行購買的客戶的百分比）。 例如，客戶在每個時間段或最後 6 個時間段中的 4-5 個購買了東西。
• 休閒買家。 在過去 6 個時間段中的 1-2 個時間段內進行購買的客戶。
• 睡買家。 在過去 6 個時間段內未進行購買的用戶。
• 不活動。 在過去 12 個時間段內未進行購買的用戶。

指定細分條件後，該團隊創建了客戶組之間可能的用戶轉換模式。 在分析的時間段內以及通過數字和直接營銷渠道與客戶溝通之後，看到用戶從一個細分市場遷移到另一個細分市場至關重要。

上面的架構展示了在報告期內切換到更活躍細分的用戶百分比。 過渡到更活躍的部分是一種積極的趨勢，用綠色顯示，而過渡到被動的部分是一種消極的趨勢，用紅色顯示。 例如，您可以看到 15% 的註冊用戶（新會員）首次購買並成為新買家，這是一個很好的趨勢。 86% 的人在上一個時間段內購買，在分析的時間段內沒有購買任何東西，最終成為休閒購買者，這是一種負面趨勢。

OWOX BI 分析師通過應用 SQL 查詢來創建用戶細分。 結果，他們收到了一個包含用戶 ID、個人用戶數據和分段名稱的表。

接下來，形成了每個部分的主要效率表：

• 細分中的用戶數量和客戶群中的細分百分比。
• 訂單數量：一個細分市場中的總訂單和已完成訂單。
• 每個用戶的平均收入。
• 每個用戶的訂單數。
• 訂單總數和分部在總營業額中的份額。
• 細分中用戶數量的變化（增長率）。

由於客戶更喜歡通過 Google 表格創建報告，因此 OWOX BI BigQuery Reports 插件被用作從 Google BigQuery 傳輸數據的簡單且值得信賴的方式。 讓我們看看根據獲得的數據構建了哪些報告。

第一份報告顯示了轉移到另一個細分市場或留在同一細分市場的用戶數量。

Clients指標顯示用戶數量， StartSegment列顯示上一期間的用戶段， EndSegment列顯示當前時間段的用戶段。 例如，在第 7 行中，我們可以看到有多少客戶從Casual Buyer切換到Good Buyer，這也是一個好的趨勢。 但是我們可以在第 10 行看到完全相反的情況，這是一個不好的趨勢。 第 5 行代表仍然處於非活動狀態的客戶。 這意味著企業需要更頻繁或更有效地與這些客戶溝通，並說服他們在 6 個不活躍時間段後再次開始購買。

第二個報告顯示了在設定的時間段內每個用戶的當前數據。

它顯示了屬於九個細分市場中每個細分市場的客戶的當前列表。 此報告還顯示用於直接通信的所有個人用戶數據：電子郵件地址、電話號碼、生日、姓名、性別、忠誠度計劃狀態、每位用戶的平均收入以及用戶獎金的總數。 有了這些數據，營銷專家可以為每個用戶群設置個性化廣告。 例如，您可以將休閒買家與 0101000 活動（7 個月內購買 2 次）分組，並向他們發送秘密銷售邀請。

此外，報告中的信息有助於節省廣告預算，允許使用直接營銷渠道從公司已經與之溝通的目標受眾中排除大量用戶。 此外，可以通過有關每個客戶的更詳細信息來豐富此數據，從而在製定廣告策略時考慮客戶選擇的品牌、類別和價格。

第三份報告顯示了與上一時期相比，在分析的時間段內跨客戶群的購買活動指標。

此報告有助於跟踪每個客戶群的 KPI 變化：

• 一個客戶群產生的收入，以及它在公司總營業額中的份額。
• 購買活動的比較數據：購買頻率和每位用戶的平均收入。
• 訂單完成率：已支付訂單的百分比。
• 來自活動細分的用戶數量的變化。 積極趨勢表明活躍用戶群（好買家、非常好用戶、新用戶）的用戶增長和被動用戶群的減少（睡眠用戶、非活躍用戶、休閒用戶，購買活動為 ***000、**0000 和*00000)。 要獲得有關段更改的更詳細信息，可以使用從一個段到另一個段的可能用戶轉換的模式。 此模式還允許查看報告期內與客戶的溝通組織得如何。

• 使用 Google 和 OWOX BI 工具，電子商務項目設法收集完整和詳細的數據以創建客戶群。
• OWOX BI 分析師幫助自動創建報告。 現在，可以跨客戶細分和數據集分析重要的 KPI，考慮來自任何細分市場的每個客戶的數據。
• 該業務通過應用詳細的廣告活動豐富了與客戶的溝通。