Obiettivo

In questo tutorial vedremo insieme come ottenere informazioni riguardo il ciclo di vita del cliente elaborando dati relativi agli acquisti e poter quindi rispondere a domande come Quanti clienti saranno attivi l’anno prossimo? E quanto spenderanno? Quali clienti continueranno ad acquistare e quali invece sono a rischio abbandono?

In base alle previsioni di comportamento futuro, un brand può diversificare le campagne marketing verso i propri clienti, differenziando i messaggi e le modalità di comunicazione.

Descrizione dell’algoritmo

CLV – acronimo di Customer Lifetime Value – è un indicatore del potenziale di acquisto dei tuoi clienti, partendo dal comportamento di acquisto attuale.

Il risultato dell’algoritmo può essere utilizzato per individuare i clienti a rischio abbandono, valutare per ciascuno la spesa futura in un dato periodo di tempo e creare delle azioni opportune per recuperare i clienti.

Per il calcolo di questo algoritmo sono necessari pochi dati, relativi alle transazioni:

• ID cliente
• ID ordine
• Data
• Spesa totale dell’ordine

e sono presi in considerazione anche la regolarità negli acquisti, la frequenza di acquisto e che dopo ogni acquisto ci sia una probabile inattività ossia che il cliente non acquisti più per un certo periodo.

Come funziona il modello?

Una descrizione dettagliata di come funziona il modello sarà oggetto di un articolo di approfondimento successivo ma per i più curiosi, ecco alcune informazioni aggiuntive.

Il modello tiene in considerazione la regolarità negli acquisti, la frequenza di acquisto e suppone che dopo ogni acquisto ci sia una probabilità di inattività. Uno dei vantaggi che fornisce è quello di considerare in modo naturale il paradosso della frequenza, ovvero se un cliente ha acquistato frequentemente e recentemente allora nel periodo prossimo futuro avrà un periodo di inattività.

Il modello si adatta ai dati forniti e quindi rimane valido per ogni industry con business di tipo non contrattuale.

La finestra temporale di previsione è scelta considerando circa 3-4 volte il tempo medio tra un acquisto e il successivo. Lo storico delle transazioni necessario equivale a circa 3 volte la finestra temporale scelta.

I risultati sono più accurati, laddove sia presente una regolarità nelle transazioni da parte dei clienti.

L’output fornito sono dati che andranno ad arricchire il profilo di ciascun cliente:

• Cluster nel quale si trova attualmente il cliente e quindi la tipologia di cliente: Gold, Gold-Silver, Silver, Silver-Bronze, Bronze, Low-Spender, calcolato in base alla fascia di spesa effettuata nell’ultimo periodo (es. 1 anno)
• Probabilità di abbandono ad oggi
• Spesa prevista nel periodo futuro
• Cluster nel quale possiamo aspettarci di trovare il cliente in futuro: Gold, Gold-Silver, Silver, Silver-Bronze, Bronze, Low-Spender, calcolato in base alla fascia di spesa prevista nel periodo futuro (es. 1 anno)

Nella fase di analisi iniziale dei dati i brand sono comunque affiancati da un Data Scientist di Contactlab per determinare i parametri del modello per il caso specifico e a definire la finestra temporale ottimale per fare la previsione.

Esempio

Procediamo ora con un esempio per rendere più chiaro il funzionamento dell’algoritmo e le sue possibili applicazioni.

Consideriamo un cliente che ha fatto 10 acquisti: il primo 1 anno fa e l’ultimo 3 mesi fa.

Il cliente in esame presenta un’elevata frequenza di acquisto se paragonata alla popolazione e quindi, adattando l’elaborazione dell’algoritmo alla distribuzione dei dati forniti, potremmo prevedere un rischio abbandono di 0.85 e una spesa futura attesa abbastanza bassa. E questo nonostante la spesa attuale sia medio-alta.

Quindi l’output fornito per questo contatto è:

• Spesa prevista: 5€
• Probabilità di abbandono: 85%
• Cluster attuale: Silver
• Cluster atteso: Low-Spender

A questo punto, identificato il cliente e predetto il suo comportamento futuro, il brand può procedere con attività di marketing e engagement mirate e personalizzate. Potrà per esempio differenziare le comunicazioni per i clienti che continueranno a spendere tanto nel periodo di tempo preso in considerazione, creare comunicazioni per i clienti che tenderanno a spendere di meno, individuare i cambi di cluster previsti per tutti i clienti e diversificare le comunicazioni in base ai flussi che si prevede si verranno a creare.

L’output dell’algoritmo può essere utilizzato per ulteriori analisi come per esempio l’analisi dei pattern comuni per i clienti di alto valore per i quali si prevede un alto rischio abbandono, oppure l’analisi di eventuali correlazioni tra cambi di stato e prodotti acquistati.

Per maggiori informazioni consulta l’apposita sezione nella guida di Data  o contatta il Servizio Clienti.

Vuoi conoscere algoritmi e modelli predittivi per arricchire il profilo unico dei tuoi utenti? Iscriviti al nostro webinar!

Referenze:

• P. Fader, B. Hardie, K. Lee (2005) “Counting Your Customers” the Easy Way: An Alternative to the Pareto/NBD Model. Marketing Science 24(2):275-284
• Michael Platzer, Thomas Reutterer (2016) Ticking Away the Moments: Timing Regularity Helps to Better Predict Customer Activity. Marketing Science 35(5):779-799
• https://cran.r-project.org/web/packages/BTYD/vignettes/BTYD-walkthrough.pdf
• https://cran.r-project.org/web/packages/BTYDplus/vignettes/BTYDplus-HowTo.pdf