综合实用指南之一：CLV技术和实际用例
无论你是数据科学家、营销人员还是数据领导者，如果你在谷歌上搜索“顾客生命周期价值”，你可能会感到失望。我也有同感，当我还在电子商务领域的数据科学团队领导CLV研究时，我们寻找最先进的方法，但谷歌只返回了一些基本的教程，这些教程使用的数据集过于理想化，并且有关CLV的营销文章也模糊且缺乏创意。在实际世界中应用这些方法的利弊没有任何信息。我们自己摸索了这些，现在我想分享给大家。
介绍：CLV教程遗漏的全部内容。
在这篇文章中，我将介绍：
- 什么是CLV？（这部分可能你已经知道）
- 你真的需要CLV预测吗？或者你可以从历史CLV计算开始？
- 你的公司可以从历史CLV信息中获得什么收益，特别是当你将其与其他业务数据结合使用时？
在接下来的系列文章中，我将介绍：
- CLV预测的用途
- 计算和预测CLV的方法及其优缺点
- 如何正确使用它们的经验教训。
我还会穿插一些数据科学的最佳实践。听起来不错吗？太好了，我们开始吧！
什么是顾客生命周期价值？
顾客生命周期价值是指顾客在与零售商的“生命周期”内产生的价值，也就是从他们第一次购买到最后一次购买的期间。‘价值’可以定义为纯收入：顾客花了多少钱。但在我从事电子商务的经验中，我发现更成熟的零售商更关注长期利润而不是短期收入。因此，他们更倾向于将‘价值’定义为收入减去成本。不过在接下来的第二部分中，我们会看到，知道应该减去哪些成本并不那么容易…
计算还是预测？
经验丰富的研发团队知道，在开始新的数据科学项目时，最好从简单的开始。对于CLV来说，这可以是使用历史交易来计算迄今为止的生命周期价值。你可以：
- 对所有顾客进行简单的平均计算，或者
- 根据逻辑分组（例如人口统计信息）进行平均计算。
即使这种向后看的视角对零售商的营销和采购（即库存管理）团队来说也有很多用途。实际上，根据公司的数据素养水平和可用资源，这可能已经足够了（至少可以开始）。此外，数据科学家可以对公司的顾客典型消费习惯有所了解，如果公司以后确实想要按顾客进行未来CLV预测，这将非常有价值。
为了帮助你和公司决定是否需要历史CLV洞察还是未来预测，让我们看一些每种情况的用例。毕竟，你希望营销、管理和数据科学团队从一开始就对项目的输出如何使用达成共识。这是避免建造错误东西并不得不重新开始的最佳方式。
将CLV信息与其他业务数据结合使用
许多教程只讨论了对于每个客户的CLV预测的用途。他们列出了明显的用例，比如“尝试重新吸引预测的低消费者以增加他们的购物次数”。但是其可能性远远不止于此。
无论您是通过计算还是预测获得CLV信息，您都可以通过将其与其他数据结合来增加其商业价值。您只需要每个客户ID的CLV值或某种CLV水平评分（例如高、小猪AI、低），然后将其与其他信息源进行关联，例如：
- 客户购买的产品
- 他们使用的销售渠道（实体店、在线等）
- 退货信息
- 运输时间
- 等等。
我在下面进行了说明。每个方框显示了一个数据表及其列名。请注意，每个表都包含一个Customer_ID。这就是使它们可以连接在一起的原因。我将在第三部分解释CLV_Info表的列；首先，我向您承诺了用例。
历史CLV计算的用途
假设您已经根据迄今为止的总消费额对所有客户进行了排名，并进行了某种分割。例如，您的营销团队要求您将数据分为前10%的消费者、中间20%和底部70%。也许您甚至在不同的子客户群体（例如按国家分）上多次执行了此操作，如果您在世界各地都有在线商店的话。现在，想象一下，您已经将其与上述其他业务数据结合在一起。您的公司可以利用这些信息做什么呢？
老实说，您可以向数据提问的问题很多，您可以根据答案做很多事情，而我永远无法涵盖所有内容。我没有您所具备的领域知识，这在数据科学中是非常重要、广泛被低估的事情。但是在接下来的几个部分中，我将为您提供一些思考如何成为以数据为驱动的营销人员的想法。接下来就由您来进一步探索吧……
探索CLV分段及其需求
- 什么样的顶级客户？ 他们是非常定期而适度消费者吗？还是购物次数较少，但每笔交易消费更多？了解这一点有助于您的营销和库存团队确定他们真正想要获取的客户类型，并保留下来！然后他们可以相应地计划营销和客户服务工作，甚至库存和产品促销活动。
- 为什么您的底层消费者成本高和/或收入低？ 他们只购买极度折扣的商品吗？总是退货？还是购买了信用卡支付未按时付款？显然存在产品与客户之间的匹配不良 – 您能通过向他们展示不同的产品来改善吗？或者还有一个问题：您的底层消费者总是购买一种产品，然后再也不与您购物了吗？也许这是一种“有毒产品”，应该从您的库存中删除。
- 高CLV的客户更满意吗？为什么？ 假设您是一家服装零售商，您的客户可以将其尺码信息保存到其账户中。这使得您的在线商店可以在登录的客户将商品添加到购物篮时提供尺码推荐。您还注意到，大多数高CLV客户都保存了他们的尺码，并且他们的退货率较低。因此，您怀疑推荐：降低退货率>提高客户满意度>保持购物者的忠诚。
- 您如何行动这些信息？这里只是一个想法：网站团队可以添加提示，提醒用户添加尺码信息。理想情况下，这将增加收入，减少成本，并提高客户满意度，但如果您真正以数据为驱动，那么您将希望对此更改进行A/B测试。这样，您可以测量影响，控制外部效果，并关注“防护”指标。这些是在A/B测试期间您不希望看到变化的指标，例如帐户删除的数量。
探索您的人口统计数据
上一节是关于CLV等级的内容；现在我要说的是不同的客户子群，比如基于年龄范围、性别或位置的子群。您可以有两种方式来做这个。
- 对您的整个客户群进行上述CLV分析，然后查看您的子群在CLV等级中的分布情况，如下所示：
2. 先分成子群，然后对每个子群进行CLV分析。
或者，您可以尝试两种方法！这取决于业务需求和可用资源。但同样，有很多有趣的问题：
- 您有哪些子群？忘记我刚列出的那些显而易见的；让我们创造一些新的。例如，您可以按照客户的原始获取渠道进行分割，或者他们现在使用的最多的渠道：线上与线下，应用程序与网站。如果您提供会员级别，您可以按会员级别进行分割。使用来自您网店的跟踪Cookie，您甚至可以按照首选购物设备进行分割：台式电脑、平板电脑和移动设备。为什么呢？可能是因为人们更喜欢在台式电脑上进行大额购买，所以以手机为基础的购物者的购物车价值较低。您建立的领域知识越多，您的分析和机器学习努力就会越好。
- 客户子群的购买行为如何不同？他们什么时候购物？多久购物一次？购物金额如何？他们对促销和交叉销售有良好的响应吗？他们忠诚多长时间？他们在生命周期开始时经常消费然后逐渐减少，还是有其他的模式？这种信息可以帮助您计划营销活动，甚至估计未来的收入，我想我不需要告诉您这有多有用了…
- 什么是“典型”的客户旅程？您是在实体店获得大部分新客户吗？这是否意味着您的实体店很棒，但您的网站很糟糕？或者您的实体店员工比您的网站更擅长让人们注册会员吗？无论哪种情况，您都可以尝试改进网站，或者至少在哪些渠道上进行广告投放时更加聪明。那么新客户优惠、订阅通讯折扣或者朋友推荐呢：它们是否吸引了大量高CLV客户？如果没有，是时候重新评估这些活动了。
聪明地了解您的产品和市场推广
- 如果您更了解您的客户，您就能更好地为他们服务。对于零售商来说，这可能包括补充他们最喜欢的产品类型。移动电话服务提供商可以改进其高CLV客户正在使用的服务，比如为他们的移动应用程序添加功能。当然，您会想要对任何变化进行A/B测试，以确保您不会引入客户讨厌的改变。而且不要抛弃您的低CLV客户，相反，努力找出问题所在，并想办法改进。
- 同样地，如果您了解您的客户，您就能说他们的语言。通过在正确的时间、正确的渠道上展示正确的广告，您可以获得您想要的客户，他们也愿意与您购物。
了解如何在客户获取上花费
- 有没有想过为什么当您在某家店已经有一段时间没有购物时，公司会开始给您发送电子邮件？这是因为获取客户是很昂贵的，他们不想失去您。这也是为什么当您在一个电子商务网站浏览时，这些产品会在互联网上跟随着您。这些被称为“程序化广告”，它们出现是因为公司为第一次点击付费，并且他们不愿意放弃您。
- 作为一家零售商，您不只是想花钱获取任何一个老客户。您想要获得和留住高价值的客户：那些能够长时间保持忠诚并产生良好收入的客户。计算历史CLV还可以计算您的盈亏平衡点：每个客户“偿还”其获取成本所需的时间。平均值是多少？哪些CLV等级和客户人口统计群体的偿还时间最快？了解这一点将有助于营销团队规划客户获取活动并改进他们的新客户欢迎流程（即在新店第一次购买后收到的电子邮件），以增加早期参与度，从而改善盈亏平衡时间。
追踪绩效随时间的变化
- 重新评估以识别趋势。 商业和市场都在变化，超出任何零售商的控制范围。通过定期重新计算历史客户生命周期价值（CLV），您可以持续加深对客户及其需求的理解，以及您是否满足了这些需求。您应该多久重新运行分析一次？这取决于您的典型销售和客户获取速度：例如，超市可能比家具经销商更频繁地重新评估。这还取决于企业实际上能够处理新的CLV信息并使用它来做出数据驱动的决策的频率。
- 重新评估以改进。 定期重新计算CLV将有助于确保您获得越来越有价值的客户。而且不要忘记在引入重大战略变化后进行额外的评估，以确保您的数据不会朝着错误的方向发展。
那么关于CLV预测呢…？
我知道，我知道…你想谈谈机器学习，以及你可以用CLV预测做什么。但是这篇文章已经够长了，所以我会在下次保存起来，同时介绍一下我的团队在如何使用真实数据建模历史CLV和预测未来CLV方面学到的经验教训。然后在第三部分，我们将介绍可用建模和预测方法的利弊。如果您想提醒自己，请不要忘记订阅。下次见！