De l’analyse à l’application concrète le cas de la valeur à vie du client

From analysis to practical application the case of customer lifetime value.

Partie un d’un guide complet et pratique sur les techniques et les cas d’utilisation réels de la valeur vie client

Que vous soyez un data scientist, un marketeur ou un responsable des données, il est probable que si vous avez recherché sur Google “Valeur Vie Client”, vous ayez été déçu. Je l’ai également ressenti, lorsque je dirigeais une équipe de recherche sur la valeur vie client dans le domaine de l’e-commerce. Nous avons cherché des méthodes de pointe, mais Google ne nous a renvoyé que des tutoriels basiques avec des ensembles de données artificiellement préparés et des articles marketing décrivant des utilisations vagues et peu imaginatives pour la valeur vie client. Il n’y avait rien sur les avantages et les inconvénients des méthodes disponibles lorsqu’elles étaient appliquées à des données du monde réel et à des clients réels. Nous avons tout appris par nous-mêmes, et maintenant je veux le partager.

Présentation: toutes les choses que les tutoriels sur la valeur vie client ont omis.

Dans cet article, je vais couvrir:

• Qu’est-ce que la valeur vie client? (Je serai bref, car cette partie vous la connaissez probablement déjà)
• Avez-vous vraiment besoin d’une prédiction de la valeur vie client? Ou pouvez-vous commencer par le calcul de la valeur vie client historique?
• Qu’est-ce que votre entreprise peut déjà tirer des informations sur la valeur vie client historique, en particulier lorsqu’elle est combinée à d’autres données commerciales?

Dans le reste de la série, je présenterai:

• Les utilisations de la prédiction de la valeur vie client
• Les méthodes de calcul et de prédiction de la valeur vie client, ainsi que leurs avantages et leurs inconvénients
• Les leçons apprises sur la manière de les utiliser correctement.

Et je saupoudrerai quelques meilleures pratiques de data science tout au long. Ça vous va? Super, allons-y!

• Renforcer les informations en temps réel avec la surveillance des sites Web à l’aide de Python
• 5 Leçons Essentielles pour les Jeunes Data Scientists que j’ai apprises chez Spotify (Partie 1)
• 5 Leçons essentielles pour les jeunes Data Scientists que j’ai apprises chez Spotify (Partie 2)

Qu’est-ce que la valeur vie client?

La valeur vie client est la valeur générée par un client tout au long de sa “vie” avec un détaillant: c’est-à-dire entre son premier et son dernier achat. La “valeur” peut être définie comme la pure revenue: combien le client a dépensé. Mais dans mon expérience dans l’e-commerce, j’ai constaté que les détaillants plus matures se soucient moins du revenu à court terme que du profit à long terme. Par conséquent, ils sont plus susceptibles de considérer la “valeur” comme le revenu moins les coûts. Comme nous le verrons dans la deuxième partie, savoir quels coûts soustraire est plus facile à dire qu’à faire…

Calcul vs Prédiction?

Les équipes R&D expérimentées savent que pour les nouveaux projets de data science, il est préférable de commencer simplement. Pour la valeur vie client, cela peut être aussi “facile” que d’utiliser les transactions historiques pour calculer la valeur vie jusqu’à présent. Vous pouvez:

• calculer une moyenne simple sur tous vos clients, ou
• calculer une moyenne en fonction de segments logiques, tels que par groupe démographique.

Même cette vision rétrospective a de nombreuses utilisations pour les équipes marketing et d’achat (c’est-à-dire la gestion des stocks) d’un détaillant. En fait, selon le niveau de compétence en matière de données de l’entreprise et les ressources disponibles, cela pourrait même suffire (au moins pour commencer). De plus, les data scientists peuvent avoir une idée des habitudes de dépenses typiques des clients de l’entreprise, et cela peut être inestimable si l’entreprise souhaite ensuite prédire la valeur vie future, sur une base client.

Pour vous aider, ainsi que l’entreprise, à décider si vous avez besoin d’informations historiques sur la valeur vie client ou de prédictions futures, examinons quelques cas d’utilisation pour chacun. Après tout, vous voulez que les équipes marketing, de gestion et de data science soient alignées dès le début sur la manière dont les résultats du projet vont être utilisés. C’est la meilleure façon d’éviter de construire quelque chose de faux et de devoir recommencer plus tard.

Combinaison des informations sur la valeur vie client avec d’autres données commerciales

De nombreux tutoriels ne discutent que des utilisations de la prédiction de la CLV, pour chaque client. Ils énumèrent des cas d’utilisation évidents, tels que “essayer de réengager les clients prévus à faible dépense pour les inciter à acheter davantage”. Mais les possibilités vont bien au-delà de cela.

Que vous obteniez vos informations sur la CLV par le biais d’un calcul ou d’une prédiction, vous pouvez augmenter sa valeur commerciale en la combinant avec d’autres données. Tout ce dont vous avez besoin est une valeur de CLV, ou une sorte de score de niveau de CLV (par exemple, Élevé, IPGirl, Faible), par identifiant client. Ensuite, vous pouvez joindre ces informations à d’autres sources d’informations, telles que :

• les produits que les clients achètent
• les canaux de vente (en magasin, en ligne, etc.) qu’ils utilisent
• les informations sur les retours
• les délais de livraison
• et ainsi de suite.

J’ai illustré cela ci-dessous. Chaque boîte montre une table de données et ses noms de colonnes. Remarquez comment chaque table contient un Customer_ID ? C’est ce qui permet de les joindre toutes ensemble. Je vais expliquer les colonnes de la table CLV_Info dans la troisième partie ; Tout d’abord, je vous ai promis des cas d’utilisation.

Utilisations pour le calcul historique de la CLV

Disons que vous avez classé tous vos clients par dépense totale jusqu’à présent, et que vous les avez segmentés d’une manière ou d’une autre. Par exemple, votre équipe marketing vous a demandé de diviser les données en 10% des dépenseurs les plus élevés, 20% du milieu et 70% des dépenseurs les plus bas. Peut-être avez-vous même fait cela plusieurs fois sur différents sous-groupes de votre base de clients, par pays, par exemple, si vous avez des boutiques en ligne partout dans le monde. Et maintenant, imaginez que vous avez combiné cela avec d’autres données commerciales, comme décrit ci-dessus. Que peut faire votre entreprise avec ces informations ?

Honnêtement, il y a tellement de questions que vous pouvez poser à vos données, et tellement de choses que vous pouvez faire avec les réponses, et je ne pourrais jamais tout couvrir. Je n’ai pas les connaissances spécifiques à votre domaine, et c’est une chose extrêmement importante et sous-estimée en science des données. Mais dans les prochaines sections, je vais vous donner quelques idées pour vous faire réfléchir comme un marketeur axé sur les données. À vous de pousser cela plus loin…

Explorer les segments de CLV et leurs besoins

• Qu’est-ce qui fait d’un client de premier ordre ? Sont-ils extrêmement réguliers, des dépenseurs modestes ? Ou bien achètent-ils moins souvent, mais dépensent-ils plus par transaction ? Savoir cela aide votre équipe marketing et votre équipe d’inventaire à identifier le type de clients qu’ils veulent vraiment acquérir – et fidéliser ! Ensuite, ils peuvent planifier leurs efforts de marketing et de service client, et même leurs promotions d’inventaire et de produits, en conséquence.
• Pourquoi les coûts sont-ils élevés et/ou les revenus faibles pour vos acheteurs de bas niveau ? Achètent-ils seulement des articles à des remises extrêmes ? Retournent-ils toujours des choses ? Ou bien achètent-ils à crédit et ne paient-ils pas à temps ? Apparemment, il y a un mauvais ajustement entre le produit et le client – pourriez-vous l’améliorer en leur montrant différents produits ? Ou voici une autre question : vos clients de bas niveau achètent-ils toujours un produit puis ne reviennent jamais chez vous ? Peut-être s’agit-il d’un “produit toxique” qui devrait être retiré de votre inventaire.
• Vos clients à forte valeur de CLV sont-ils plus satisfaits ? Pourquoi ? Imaginez que vous êtes un détaillant de vêtements et que vos clients ont la possibilité de sauvegarder leurs informations de taille dans leur compte. Cela permet à votre boutique en ligne de faire des recommandations de taille lorsque le client est connecté et s’apprête à ajouter un article à son panier. Vous remarquez également que la plupart de vos clients à forte valeur de CLV ont sauvegardé leurs tailles, et ils ont moins de retours. Par conséquent, vous soupçonnez que les recommandations : réduisent les taux de retour > améliorent la satisfaction des clients > et fidélisent les acheteurs.
• Comment pouvez-vous mettre en œuvre ces informations ? Voici juste une idée : l’équipe du site web pourrait ajouter des invitations rappelant aux utilisateurs d’ajouter leurs informations de taille. Idéalement, cela augmentera les revenus, réduira les coûts et améliorera la satisfaction des clients, mais si vous êtes vraiment axé sur les données, vous voudrez tester cette modification en A/B. De cette façon, vous pouvez mesurer l’impact, en contrôlant les effets extérieurs, et en surveillant les “métriques de garde-fou”. Ce sont des métriques que vous ne voulez pas voir changer lors d’un test A/B, comme le nombre de suppressions de compte.

Explorez vos données démographiques

La dernière section portait sur les niveaux de valeur à vie du client (CLV); maintenant, je parle des différents sous-groupes de clients, tels que ceux basés sur la tranche d’âge, le sexe ou la localisation. Il existe deux façons de le faire.

1. Effectuez l’analyse du CLV susmentionnée sur l’ensemble de votre base de clients, puis observez comment vos sous-groupes sont répartis parmi les niveaux de CLV, comme ceci :

2. Divisez d’abord en sous-groupes, puis effectuez une analyse du CLV pour chacun.

Ou vous pouvez essayer les deux approches ! Cela dépend des besoins de l’entreprise et des ressources disponibles. Mais encore une fois, il y a beaucoup de questions intéressantes :

• Quels sont les sous-groupes que vous avez ? Oubliez ceux que j’ai déjà mentionnés ; soyons créatifs. Par exemple, vous pouvez diviser les clients en fonction de leur canal d’acquisition d’origine, ou du canal qu’ils utilisent le plus maintenant : en ligne contre en magasin, application contre site web. Vous pouvez les diviser par niveau d’adhésion, si vous en proposez. En utilisant des cookies de suivi de votre boutique en ligne, vous pouvez même les diviser en fonction de leur appareil d’achat préféré : ordinateur de bureau, tablette ou mobile. Pourquoi ? Eh bien, peut-être que vos acheteurs sur mobile ont des valeurs de panier plus faibles, car les gens préfèrent faire de gros achats sur un ordinateur de bureau. Plus vous pouvez accumuler de connaissances dans le domaine, meilleures seront vos analyses et – le cas échéant – vos efforts d’apprentissage automatique.
• Comment le comportement d’achat diffère-t-il selon le sous-groupe de clients ? Quand achètent-ils ? À quelle fréquence ? Pour combien ? Réagissent-ils bien aux promotions et aux ventes croisées ? Combien de temps sont-ils fidèles ? Dépensent-ils souvent au début de leur cycle de vie puis diminuent-ils, ou est-ce un autre schéma ? Ce type d’informations peut vous aider à planifier des activités marketing et même à estimer les revenus futurs, et je ne devrais pas avoir besoin de vous dire à quel point cela est utile…
• Quel est le parcours typique d’un client ? Acquérez-vous la plupart de vos nouveaux clients dans les magasins physiques ? Est-ce que cela signifie que vos magasins sont excellents mais que votre site web est médiocre ? Ou vos employés en magasin sont-ils plus doués pour inciter les gens à s’inscrire à l’adhésion que votre site web ne l’est ? Dans les deux cas, vous pourriez essayer d’améliorer le site web, ou du moins, être plus intelligent sur les canaux sur lesquels vous faites de la publicité. Et qu’en est-il des offres pour les nouveaux clients, des réductions pour l’inscription à la newsletter ou des recommandations d’amis : attirent-ils un nombre important de clients à CLV élevé ? Sinon, il est temps de réévaluer ces campagnes.

Soyez intelligent sur votre offre et sur la façon dont vous la commercialisez

• Si vous comprenez mieux vos clients, vous pouvez mieux les servir. Pour un détaillant, cela pourrait inclure de stocker les types de produits que leurs meilleurs clients semblent préférer. Un fournisseur de téléphonie mobile pourrait améliorer les services utilisés par ses clients à CLV élevé, comme ajouter des fonctionnalités à leur application mobile. Bien sûr, vous voudrez tester en A/B tout changement, pour vous assurer de ne pas introduire de modifications que les clients détestent. Et n’abandonnez pas vos clients à faible CLV – essayez plutôt de découvrir ce qui ne va pas et comment vous pouvez l’améliorer.
• De même, si vous comprenez vos clients, vous pouvez parler leur langue. En affichant les bonnes annonces, au bon moment, sur les bons canaux, vous pouvez acquérir les clients que vous souhaitez, et qui veulent faire des achats avec vous.

Sachez combien dépenser pour l’acquisition de clients

• Vous êtes-vous déjà demandé pourquoi les entreprises vous envoient des e-mails lorsque vous n’avez pas acheté chez elles depuis un certain temps ? C’est parce que il est coûteux d’acquérir un client et qu’elles ne veulent pas vous perdre. C’est aussi pourquoi, lorsque vous naviguez sur un site de commerce électronique, ces produits vous suivent sur internet. On les appelle des “annonces programmatiques”, et elles apparaissent parce que l’entreprise a payé pour ce premier clic et n’est pas prête à vous laisser partir.
• En tant que détaillant, vous ne voulez pas simplement dépenser de l’argent pour acquérir n’importe quel client. Vous voulez acquérir et fidéliser ceux qui ont une grande valeur : ceux qui resteront fidèles et généreront de bons revenus sur une longue durée de vie. Calculer le CLV historique vous permet également de calculer vos points d’équilibre : combien de temps il a fallu à chaque client pour “rembourser” son coût d’acquisition. Quelle est la moyenne, et quels sont les niveaux de CLV et les groupes démographiques de clients qui se remboursent le plus rapidement ? Cette connaissance aidera les équipes marketing à budgétiser leurs campagnes d’acquisition de clients et à améliorer leurs flux d’accueil pour les nouveaux clients (c’est-à-dire ces e-mails que vous recevez après le premier achat dans un nouveau magasin), afin d’augmenter l’engagement précoce et ainsi améliorer les temps de récupération.

Suivre les performances au fil du temps

• Réévaluez pour identifier les tendances. Les entreprises et les marchés évoluent, indépendamment du contrôle de tout détaillant. En recalculant périodiquement votre historique de CLV, vous pouvez continuellement développer votre compréhension de vos clients et de leurs besoins, et déterminer si vous y répondez. À quelle fréquence devez-vous relancer votre analyse ? Cela dépend de vos ventes typiques et de votre rythme d’acquisition de clients : par exemple, un supermarché pourrait réévaluer plus souvent qu’un revendeur de meubles. Cela dépend également de la fréquence à laquelle l’entreprise peut réellement gérer l’obtention de nouvelles informations sur le CLV et les utiliser pour prendre des décisions basées sur les données.
• Réévaluez pour vous améliorer. Le recalcul périodique du CLV vous aidera à vous assurer que vous gagnez des clients de plus en plus précieux. Et n’oubliez pas d’effectuer des évaluations supplémentaires après avoir introduit un grand changement de stratégie, afin de vous assurer que vous ne faites pas dévier les chiffres dans la mauvaise direction.

Alors, qu’en est-il de la prédiction du CLV…?

Je sais, je sais… vous voulez parler d’apprentissage automatique et de ce que vous pouvez faire avec les prédictions de CLV. Mais ce billet est déjà assez long, donc je le garde pour la prochaine fois, ainsi que les leçons que mon équipe a apprises sur la modélisation du CLV historique et la prédiction du CLV futur à l’aide de données du monde réel. Ensuite, dans la partie trois, nous aborderons les avantages et les inconvénients des méthodes de modélisation et de prédiction disponibles. Si vous souhaitez un rappel à ce sujet, n’oubliez pas de vous abonner. À bientôt !

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!