Detail služby:

Zákaznická analytika (CLV)

Kdo se za Ecommerce-academy.cz zabývá zákaznickou analytikou:

Marek Kobulský & Milan Merglevský

Cena Zákaznické analytiky (CLV) 

Cena za prediktivní zákaznickou analytiku (CLV) se odvíjí od velikosti vaší zákaznické báze.​​

  • 100 zákazníků = 1,500 Kč

  • 1.000 zákazníků = 1,500 Kč

  • 10.000 zákazníků = 5,000 Kč

  • 100.000 zákazníků = 12,500 Kč

  • 1.000.000 zákazníků = 25,000 Kč

  • 3.000.000 a více zákazníků = 45,000 Kč

 

Interní nasazení výpočtu a jeho pravidelná automatická aktualizace = individuálně

Výsledek výpočtu standardně dodáváme do 14 pracovních dnů od objednání.

Výše uvedené ceny jsou včetně vizualizací (Tableau, PowerBI, DataStudio), nicméně bez komentáře a byznysových doporučení z naší strany.

Byznysová doporučení nad výsledky vaší CLV analýzy samozřejmě rádi poskytneme také. Jejich rozsah záleží na pestrosti možností vaší marketingové a byznysové komunikace.

  • Standardně se časová náročnost byznysových konzultací pohybuje mezi 5 - 15 hodinami.

  • Na konzultační služby nad výstupy zákaznické analytiky poskytujeme slevu 40 % z naší standardní hodinové sazby 2.500 Kč bez DPH (výsledná hodinová sazba = 1.500 Kč). Proč? Protože CLV nás hodně baví :-).

Co je to zákaznická analytika (CLV) a kdy ji potřebujete?

Prediktivní Customer Lifetime Value analýza (CLV) je nejefektivnější cesta zjistit nejenom to, jakou aktuální hodnotu pro vaši firmu mají stávající zákazníci, ale také, jak se jejich hodnota bude měnit v průběhu času. Díky CLV prediktivní analýze tedy lze kvantifikovat budoucí hodnotu zákaznické báze. CLV lze také vnímat jako nejlepší metriku k predikci budoucího chování zákazníků ve vztahu k nákupům a jejich objemu.

 

  • Customer Lifetime Value (CLV) je predikce budoucí hodnoty zákazníka.

  • Hodnota CLV je v rámci naší analýzy počítána na úrovni každého unikátního zákazníka zvlášť.

  • Předpovídáme také hodnotu celé zákaznické báze (tzv. customer equity).

  • CLV lze brát také jako možnost valuace firmy z pohledu zákaznické báze.

 

Kdy potřebujete zákaznickou analytiku dle CLV pohledu?

 

  • Analýza je velice užitečná a využitelná vždy, když je v rámci vašeho projektu potenciál pro opakované nákupy produktů nebo služeb.

  • CLV nemá smysl tam, kde je výnos od zákazníka jednorázový/neopakovaný.

  • Má omezený smysl v případech, kdy je frekvence dalších objednávek/příjmů velmi nízká.

 

Jaká rozhodnutí lze díky znalosti CLV uskutečnit:

 

  • Marketing+Sales:

    • Jaká je smysluplná investice za akvizici zákazníka? - velice důležitá znalost pro rozhodování a plánování marketingových rozpočtů.

    • Na jaký typ zákazníků bychom měli zaměřit největší úsilí k jejich získání?

    • Na jaké segmenty zákazníků má smysl zaměřit marketingové aktivity? (ať už pro retenci stávajících zákazníků nebo pro akvizici nových, u nichž predikujeme vysokou budoucí hodnotu/CLV)

  • Product:

    • Jak mohu nabízet své produkty a služby na míru svým nejlepším zákazníkům?

    • Jakou slevu bych měl dát dle segmentace zákazníků?

  • Zákaznická podpora:

    • Kolik můžeme utratit za udržení zákazníka? (tedy, do jaké částky dává smysl investovat do retence a reaktivace a pro které konkrétní segmenty zákazníků?).

Co je výstupem CLV analýzy:

  • Hodnoty CLV a P_Alive jednotlivých zákazníků.

  • Customer equity celkové zákaznické báze a vybraných segmentů.

  • Vizualizce výše uvedeného po dohodnutých segmentech a časových obdobích (např. akviziční kohorty).

  • Identifikace a popis dalších segmentů zákazníků s vysokou hodnotou.

  • Základní doporučení dalších kroků - oblasti příležitostí, návrh aktivit ke zvýšení hodnoty zákaznické báze (v oblasti akvizice i retence), včetně. doporučené marketingové komunikace na vybrané segmenty.

 

Definice konkrétních metrik uvedených v analýze a příklady vizualizace výsledku

  • CLV (Customer Lifetime Value)

  • Customer equity

  • P_alive

1.CLV (Customer Lifetime Value)

  • Hlavní cíl analýzy.

  • Jednoduše řečeno se jedná o součin predikované průměrné hodnoty objednávky a predikovaného počtu budoucích objednávek.

  • CLV_2019 je hodnota predikce, kolik utratí daný zákazník (konkrétní email) do konce roku 2019.

  • A tak dále analogicky pro každé roky, které chceme predikovat.

  • CLV_365 je hodnota predikce, kolik utratí daný zákazník za 1 rok od data analýzy.

2. Customer equity

 

  • Jedná se o celkovou lifetime value stávajících zákazníků, včetně jejich budoucích objednávek (suma veškeré hodnoty, kterou nám kdy naši stávající zákazníci vygenerují) - dá se říci, že zákazníci jsou vlastně veškerá hodnota firmy.

    • Jedná o valuaci firmy z pohledu celkové hodnoty jejich zákazníků s modelací do budoucnosti.

3. P_alive

  • Určení míry pravděpodobnosti, že zákazník ještě někdy v budoucnosti uskuteční nákup (na úrovni unikátní e-mailové adresy, napočítáno ke dni zpracování analýzy).

  • Aktuálně je míra pravděpodobnosti vyjádřena desetinným číslem v intervalu 0 až 1 (tedy x 100 = převedení na %).

    • např. hodnota 80 % = vysoká pravděpodobnost, že zákazník ještě někdy nakoupí (pozitivní pro byznys).

    • např. hodnota 10 % = nízká pravděpodobnost, že zákazník ještě někdy nakoupí (negativní pro byznys).

  • Co dále dělat se zákazníky, kteří mají nízkou hodnotu P_alive?

    • Je nutné co nejdříve začít pracovat na jejich reaktivaci, nebo naopak, nespamovat je.

    • Investice do reaktivace dává smysl pouze pro „high value“ zákazníky (vysoká hodnota objednávky, vysoký profit, předtím pravidelná frekvence, atd.). Reaktivace každého s nízkou pravděpodobností nákupu nemusí být efektivní investice.

  • Možnosti reaktivace (díky tomu, že máme koeficient na úrovni e-mailové adresy):

    • Mailing

    • Cílení v rámci Google Ads Customer Match

    • Cílení v rámci Facebook Customer Match

    • SMS, Facebook Messenger apod.

    • Osobní telefonát

    • Direct mail

Využité matematické modely v analýze

 

Při výpočtu predikce CLV je využito několik matematických modelů (ParetoNBD, Gamma-gamma, BG/NBD, BG/BB a jejich další modifikace), kde pro výběr toho nejvhodnějšího modelu je provedena analýza s využitím trénovacího období a již známého výsledku, který se porovná s predikcí dle statistických kritérií. Použije se vítězný model, nebo sada modelů.

 

Základní princip modelace s již známým výsledkem

 

Např. je z datasetu vynechán poslední, již známý rok. Tato vynechaná část datasetu je následně predikována a výsledek je porovnán s již známou skutečnou realitou. Matematický model, který doručí nejpřesnější výsledek, je posléze využitý pro zpracování finální analýzy.

 

Definice zadání pro datové vstupy

 

  1. Datum objednávky (ideálně ve formátu YYYY-MM-DD)

    • Finální délka časového rozmezí pro data bude dohodnuta na základě dohodnutého „scoopu“ analýzy (tedy není nezbytně nutná celá historie).

  2. Customer_id, nebo hash e-mailu.

  3. Hodnota objednávky (revenue).

    • Důležité je, aby objednávky byly „net sales“, tedy data by měla být očištěná o nezaplacené, nepřevzaté, zrušené objednávky, vratky, atd.

  4. Bonus: pokud je možnost, tak i celkový profit z dané objednávky (tedy odečet nákladů na produkt, marketing, dopravu, atd.). Nicméně pokud toto není na úrovni objednávky, nevadí.

  5. Používaná segmentace (pokud klient nějakou má) - a informace o tom, který zákazník patří do kterých segmentů

 

Potřebujete více informací a byznysové konzultace?

 

Pošlete nám nezávaznou poptávku.

 

Stačí vám výpočet CLV a vizualizace vašich zákaznických dat?

Výpočet si můžete rovnou objednat dle počtu vašich zákazníků.

Výsledek výpočtu standardně dodáváme do 14 pracovních dnů od objednání.

Nezávazná poptávka zákaznické analytiky

Pokud vás zaujala zákaznická analytika, potřebujete více informací nebo hledáte pomoc s něčím z online marketingového a datového světa, určitě napište.

Veškerou práci provádíme osobně. Z tohoto důvodu máme velice omezenou kapacitu, nicméně na zajímavé projekty se snažíme najít si čas.

©2019 Ecommerce-academy.cz, created with love by Milan, Marek & Ivča