Обзор

1. Отслеживание метрики Полярной звезды

Прежде чем мы начнем, нам нужно понять, что такое North Star Metric. Вот как описывает это Шон Эллис:

Метрика North Star — это единственная метрика, которая лучше всего отражает основную ценность вашего продукта для клиентов.

Если вы уже это знаете и отслеживаете, то визуализация данных и искусственный интеллект помогут вам провести глубокий анализ. Если вы не знаете, сначала вы должны найти свой (вероятно, вы уже отслеживаете его, но не назвали его Полярной звездой концептуально).

Этот показатель зависит от продукта вашей компании, позиции, целей и многого другого.

В нашем примере мы будем использовать пример набора данных об интернет-магазине, и мы можем выбрать нашу метрику North Star как Ежемесячный доход. Давайте посмотрим на данные:

Этот набор данных включает всю информацию, необходимую для расчета таких показателей, как:

  • Пользовательский ИД
  • Цена за единицу товара
  • Количество
  • Дата счета

Мы можем получить ежемесячный доход North Star Metric, используя следующее уравнение:

Monthly Revenue = (Monthly Active Customer Count) * (Order Count) * (Average Revenue per Order)

Визуализация тренда Revenue выглядит следующим образом:

Помимо ежемесячного дохода, мы также можем визуализировать некоторые другие дополнительные показатели, которые помогут нам лучше понять тенденцию. Общая панель показателей будет выглядеть следующим образом:

2. Сегментация клиентов

Мы отследили наши метрики, теперь пришло время сосредоточиться на том, как увеличить доход, мы можем добиться этого, сегментируя клиентов.

Но прежде всего, почему мы делаем сегментацию? Потому что вы не можете относиться ко всем клиентам одинаково, используя один и тот же контент, один и тот же канал, одинаковую важность. Они найдут другой вариант, который лучше их понимает.

У клиентов, которые используют вашу платформу, разные потребности, и у них разные профили. Вы должны адаптировать свои действия в зависимости от этого.

Вы можете сделать множество различных сегментаций в зависимости от того, чего вы пытаетесь достичь. Если вы хотите увеличить коэффициент удержания, вы можете выполнить сегментацию на основе вероятности оттока и принять меры. Но есть и очень распространенные и полезные методы сегментации. Теперь мы собираемся внедрить один из них в наш бизнес: RFM.

RFM расшифровывается как Недавность — Частота — Денежная стоимость. Теоретически у нас будут такие сегменты, как показано ниже:

  • Низкая ценность: клиенты, которые менее активны, чем другие, не очень частые покупатели/посетители и приносят очень низкий — нулевой — возможно, отрицательный доход.
  • Среднее значение: в центре всего. Часто использует нашу платформу (но не так часто, как наши высокие ценности), довольно часто и приносит умеренный доход.
  • Высокая ценность: группа, которую мы не хотим потерять. Высокий доход, частота и низкая неактивность.

В качестве методологии нам нужно рассчитать новизна, частоту и денежную стоимость (то же, что и доход) и применить неконтролируемое машинное обучение для определения различных групп (кластеров) для каждого из них. Сегментация клиентов выглядит следующим образом:

Затем нам нужно начать предпринимать действия на основе сегментации. Основные стратегии достаточно ясны:

  • Высокая ценность: улучшить удержание
  • Среднее значение: улучшить удержание + увеличить частоту
  • Низкое значение: увеличить частоту

3. Пожизненная ценность клиента (прогноз CLV)

До сих пор мы отслеживали ключевые метрики, сегментировали наших клиентов и выясняли, с кем нужно действовать. Следующим шагом является измерение еще одного важного показателя, который мы также должны внимательно отслеживать: Пожизненная ценность клиента (CLV).

Мы инвестируем в клиентов (затраты на привлечение, офлайн-рекламу, рекламные акции, скидки и т. д.), чтобы получать доход и быть прибыльными. Естественно, эти действия делают некоторых клиентов очень ценными с точки зрения пожизненной ценности, но всегда есть клиенты, которые снижают прибыльность. Нам нужно определить эти модели поведения, сегментировать клиентов и действовать соответственно.

Расчет CLV — это простая часть. Сначала нам нужно выбрать временное окно. Это может быть что угодно, например, 3, 6, 12, 24 месяца. По приведенному ниже уравнению мы можем получить пожизненную ценность для каждого клиента в этом конкретном временном окне:

CLV = общий валовой доход — общие затраты

Теперь это уравнение дает нам историческую пожизненную стоимость. Если мы увидим, что у некоторых клиентов исторически была очень высокая отрицательная пожизненная ценность, может быть слишком поздно предпринимать какие-либо действия. На данный момент нам нужно предсказать будущее с помощью алгоритма машинного обучения.

Путь для сборки модели следующий:

  • Определите подходящие временные рамки для расчета пожизненной ценности клиента.
  • Определите функции, которые мы собираемся использовать для прогнозирования будущего, и создайте их.
  • Рассчитать пожизненную ценность для обучения модели машинного обучения
  • Создайте и запустите модель машинного обучения
  • Проверьте, полезна ли модель

Выбор временных рамок действительно зависит от вашей отрасли, бизнес-модели, стратегии и многого другого. Для некоторых отраслей 1 год — это очень долгий период, а для других — очень короткий. В нашем примере мы начнем с 6 месяцев.

Оценки RFM для каждого идентификатора клиента — идеальные кандидаты для набора функций. Чтобы реализовать это правильно, нам нужно разделить наш набор данных. Мы возьмем данные за 3 месяца, рассчитаем RFM и используем их для предсказания следующих 6 месяцев.

Окончательный прогноз выглядит следующим образом:

Мы можем адаптировать наши стратегии на основе прогноза CLV, например, нам нужно уделять больше внимания клиентам с высокой жизненной ценностью (LTV) на случай их потери.

Пожалуйста, найдите исходный код этой статьи здесь