1 of 25

LTV в e-commerce: от данных к деньгам

Аналитические технологии стратегического маркетинга

LTV в E-COMMERCE 2021-2025

Андрей Муратов,

Управляющий партнер

2 of 25

Для кого? Виды бизнеса

Выбрать квадрант по типам транзакций*

НЕПРЕРЫВНЫЕ

ДИСКРЕТНЫЕ

КОНТРАКТНАЯ ОСНОВА

НЕКОНТРАКТНАЯ

ПРОДУКТОВЫЙ МАГАЗИН

ВСТРОЕННЫЕ ПОКУПКИ (мобильные приложения)

ГОСТИНИЧНЫЙ СЕРВИС

МАГАЗИН ОДЕЖДЫ

БИЛЕТЫ НА МЕРОПРИЯТИЯ

АВТОСЕРВИС

* - по возможности для возникновения транзакции

КРЕДИТНАЯ КАРТА

ПОДПИСКА (СЕРВИСЫ)

МОБИЛЬНАЯ СВЯЗЬ

СТРАХОВКА

ФИТНЕС-УСЛУГИ (абонемент)

РЕМОНТ В КВАРТИРЕ

3 of 25

Метрика подходит для всех категорий

Офлайн компании (сервисы и продукты) выиграют более других

онлайн

Игры

Retail

Подписки / SaaS

офлайн

продукты

сервисы

Салоны красоты

HoReCa

ecom

спорт мероприятия

Банки и страховые

Клиники

Кинотеатры

доставка еды

Большинство индустрий может считать ценность свой покупателей.

Метод расчета зависит от типа доступных данных.

Развлекательные центры

Подробнее о методах расчета LTV ссылка

Онлайн кинотеатры

омниканальные

продажи

Автомойки

4 of 25

ML “Маркетинговая рука” царя Мидаса

LTV

Churn rate

ROPO

MMO

по всей базе

до клиента

ML attribution

5 of 25

затрудняюсь ответить………………....

Уже 21% крупных компаний (оборот от 2 млрд рублей) используют метод машинного обучения (11% от всех), что объяснимо высокими стартовыми инвестициями.

Товарные компании активнее используют метод ML (21%). При этом «Услуги» в сумме до 19% используют статистические методы (Peter Fader и Pareto/NBD).

6 of 25

Зачем считаем LTV

Стартовые вопросы

Базовые вопросы

Расширенные

Сколько денег сможем заработать на текущей клиентской базе	Динамика покупательского поведения и от чего оно зависит (факторы)
Сколько денег допустимо тратить на привлечение и удержание клиента	В какую сторону нужно развиваться, чтобы увеличивать доходные сегменты
Где, в каких узких сегментах находятся клиенты с высоким LTV

HBR: What Most Companies Miss About Customer Lifetime Value

7 of 25

Архитектура данных в проекте

Сбор данных из всех доступных источников

Мобильное приложение продавца в магазине

Кассовое ПО кассира 1С-Рарус

Рекламные кабинеты

офлайн реклама

анонимные чеки + маржа

данные по

лояльным

Счетчики на сайте

Доставка, примерка

Декомпозиция факторов

отчеты в BI по LTV

LTV год к году для активных покупателей

google sheets

Рассылки / Push

churn

classification

LTV

regression

Оценка вовлечения

Оборот vs баланс баллов

отчеты в BI по ПЛ

8 of 25

Кейс Бенеттон

Аналитические технологии стратегического маркетинга

9 of 25

Пара слов про прогноз LTV

Наш ключевой показатель эффективности ПЛ

1 Сбор данных на уровне витрины (все источники)

Совместить разного типа факторы для будущей модели

2 Расчет показателя

Рассчитывается прогноз LTV на 12 месяцев С помощью оптимальной модели машинного обучения

3 Сегментация клиентов

Выделяются группы по ценности и схожести поведения (аналог RFM)

подробнее о проекте в видео

10 of 25

Стратегия обучения модели

В модели используется большое количество заранее известных параметров (более 500 на старте: соц дем, покупки, состав корзины итд).

Подходит для высоко стохастических задач прогноза поведения покупателей ecom магазина.

Построенная архитектура позволяет проводить обновление данных ежедневно, делая прогноз на последних 12 месяцах данных, снижая сезонный фактор.

Факторы, история покупок

Известный LTV

(CP)

Факторы, история покупок

Предсказание

LTV real-time

Обучение модели

Внедрение модели

-2 года

-1 год

Настоящее

+1 год

11 of 25

Стратегия решения 1

Подходит для высоко стохастических задач прогноза поведения покупателей ecom магазина.

Factors, transaction history

Known LTV

(CP)

Factors, transaction history

Forecast

LTV real-time

Training model

Implementing model

-2 years

-1 year

Current

+1 year

12 of 25

Стратегия решения 2

Моделирование

Подготовка и загрузка данных

Бизнес анализ (витрина данных)

Оценка решения

Внедрение в маркетинг

churn

classification

LTV

regression

13 of 25

Пример отчета

- Сравнение LTV (доход с человека в течении года) для разных периодов времени

- Сравнение LTV и привычной метрики «Оборот на человека»

�

Андрей Б

Анна В

LY = Last year (Прошлый год)

*цифры изменены

14 of 25

Отчет эффективность базы: подробно

Это расчет того, сколько приносит в среднем один из

137 806 членов программы лояльности в течении года своей жизни на январь 2020

Это факт того, сколько принёс каждый из 137 806 покупателей в течении года своей жизни. Факт можно подсчитать только когда для каждого из покупателей пройдёт год

*цифры изменены

15 of 25

Отчет эффективность базы: подробно

Размер базы всегда увеличивается со временем. Но увеличивается ли доход?

Количество тех, кто делает покупки, активных участников ПЛ - тоже возросло

Прогнозируемый LTV, доход с участника за год вырос в 4,6 раз!

*цифры изменены

16 of 25

Дерево декомпозиции факторов

Что показывает:

Влияние факторов каждого уровня на конечный показатель
Для всей базы клиентов или определенного месяца (когорты) и сегмента

Применение:

Выявление закономерностей в покупательском поведении когорт и перспективных триггеров
Использование во внутренних обсуждениях команды маркетинга

Отслеживать динамику факторов, на которые можно повлиять для улучшения LTV

Отслеживание силы влияния того или иного фактора

17 of 25

Влияние факторов для категорий

Но есть и общие характерные черты

Скидки

для retail

для SaaS

Просмотры раздела цен (web\app)

для retail
для сервисов

На рисунке ТОП 20 фичей, после того как убрали высоко коррелирующие (мультиколлинеарность)

кейс

Из агрегированных фичей выбираем те, что имеют наибольшее влияние на LTV.

Звонок

для retail
для бронир.

18 of 25

От данных к деньгам

На какие вопросы отвечаем

Сколько приносит лояльный клиент?
Что происходит с программой лояльности?
Сколько стоит лояльный клиент?
Как приоритизировать клиентов?
Как масштабировать усилия и где пределы роста?

19 of 25

От данных к деньгам: где “клад”?

На какие вопросы отвечаем

Сравнить CAC и LTV --> ОК. а что еще?

Управление факторами влияния на LTV

В каком Магазине первая покупка → Промо / гео-реклама (+5%)

Месяц/День первой покупки → Персональные скидки (+3%)

Купленная коллекция → Рекомендации товаров (+7%)

20 of 25

Кейс ASOS

Аналитические технологии стратегического маркетинга

21 of 25

LTV Prediction Using Embeddings

Imperial College London

240 стран, доход £1.4 миллиарда в 2016
бесплатная доставка и возврат -> легко получить отрицательный LTV клиента

Цель: прогноз оттока клиентов, прогноз LTV

Архитектура (рисунок 1):

Каждый день модель тренируется используя новые данные за последние два года. Это позволяет учитывать сезонность данных.
Обучение модели проходит в два этапа:

предобработка данных и обучение Random Forest для прогнозирования оттока и LTV
калибровка данных (сопоставление процентилей с реальными значениями)

Рисунок 1 - Архитектура существующего решения

ссылка на кейс

22 of 25

Дальнейшее улучшение модели

Для улучшение результатов прогнозирования используется принцип из обработки естественных языков: embedding (нет однозначного перевода в русском языке), который заключается в группировке слов, встречающихся в схожем контексте.

Аналогичным образом происходит группировка покупателей (рисунок 2):

Каждая строка представляет продукт, продаваемый на ASOS и последовательность просмотров этого продукта покупателями. Точное время просмотра продукта игнорируется.
Клиенты, которые часто появляются в одном и том же контекстном окне, будут близки друг к другу.

Рисунок 2 - Embedding клиентов

ссылка на кейс