Ускользающий LTV: как использовать доступные данные для прогноза ценности клиентов
Динамичеcкая LTV модель поможет определить приоритетные когорты клиентов, оптимизировать маркетинг, узнать реальный ROI рекламных кампаний и факторы влияния - к росту ценности всей компании.
Компании-лидеры своих индустрий уже активно используют данную метрику для принятия стратегических и операционных маркетенговых решений.
Customer LifeTime Value - Ценность клиента в деньгах, которые он предположительно принесет компании за следующие 12 месяцев (или более)
Для руководителей, маркетологов, предпринимателей знание данного показателя крайне привлекательно, так как решает сразу несколько стратегических задач:

  1. высвобождает рекламные ресурсы (пока CAC*<LTV против CAC<CPO) в борьбе за долю рынка,
  2. увеличивает привлекательность компании для инвесторов,
  3. осмысленно персонализирует маркетинг.
Долгосрочный рост - вот ультимативная суть современного маркетинга, в котором основное внимание уделяется превращению разовых покупателей в постоянных лояльных клиентов.
Андрей Муратов, Управляющий партнер Coffee Analytics
Именно поэтому пожизненная ценность клиента (LTV, CLV или CLTV) так популярна как во многих отраслях, так и в переговорах между инвесторами и стартаперами.
Скачать исследование
«Развитие и применение методологии LTV в странах России и СНГ»
LTV привносит количественную точность и долгосрочную перспективу в процесс привлечения клиентов и взаимоотношений.

ROAS (рентабельность инвестиций в рекламу) и аналогичные показатели измерения, основанные на краткосрочной эффективности, быстро устаревают.
LTV - мощный показатель, который многие компании (особенно ecommerce и retail с программами лояльности) уже используют для определения наиболее прибыльных клиентов. Вооружившись этой информацией, компании могут решить, на чем сосредоточить усилия по привлечению и удержанию клиентов.

Начать работу нужно с формирования витрины данных.
Витрина данных - уровневая систематизация в табличном виде всех известных параметров, имеющих прямо или косвенно влияние на покупательское поведение клиента
Учитывая сложившуюся в компании практику хранения данных (клиенты, маркетинг, продажи, промо, дистрибуция) нужно оценить и систематизировать все потенциальные факторы влияния на поведение клиентов. Сделать это до уровня конечного уникального покупателя (транзакции, баланс баллов, скидка итд). Факторы массового влияния, например ТВ размещение, нужно также учесть.
Как рассчитать LTV
В ситуации доступа к 2х летней истории транзакций идентифицированных клиентов компания находится в идеальной ситуации начала создания модели:

  • Обучение модели. Первый год истории покупок будет использоваться для определения факторов влияния, тогда как второй - для оценки фактического LTV этих клиентов
  • Внедрение модели. В это же время, второй год истории - это данные для прогноза LTV по всем клиентам, которые еще не "прожили" с компанией полный год.
Типовая архитектура данных может выглядеть следующим образом. Для компаний с программами лояльности, например на базе CDP Mindbox, это сделать значительно проще, так как большая часть требуемых данных уже доступна для обработки.
Проблемы внедрения LTV
По нашему опыту, меньше 30% компаний считают LTV. И даже те кто делают редко удовлетворены текущим результатом по нескольким причинам:

  • не интегрированы ключевые типы пользовательских данных в единую БД для старта работ

  • компании сложно подобрать методику расчета, так как нет универсального подхода к подсчету LTV (разберем подробнее далее)

  • при формальном получении LTV по простым формулам, например через churn rate (показатель оттока, пример ниже), остаются не определены факторы непосредственного влияния на метрику

  • аналогично, метрика остается общей для компании, без возможности ее определения на определенные когорты (например, покупатели определенного месяца) или сегменты (как соц-дем группы, так и более узкие, например, покупатели с определенным товаром в первой покупке, или акционные )

  • расчетный показатель не интегрирован в маркетинговые инструменты компании, или в противном случае - не изучается в полной мере на уровне HADI циклов

  • нет системного внутреннего обсуждения какие образом компания может улучшить свои результаты

  • переход от одной модели расчета к другой по мере подключения новых данных чреват значительным изменениями результата, что блокирует дальнейшее его исследование
Вместо того, чтобы думать о том, как можно привлечь много клиентов как можно дешевле, LTV помогает вам подумать о том, как оптимизировать ваши затраты на привлечение с максимальным ростом ценности базы, а не с минимальными затратами.
Анна Виноградова, Руководитель отдела аналитики Coffee Analytics
Для понимания потенциальных выгод расчета использования алгоритмических подходов и их потенциальных сложностей внедрения рекомендуем ознакомиться с выступлением на Forum.Digital 2020.
Которое хорошо дополняет мастер класс команды Coffee Analytics, Mindbox и Benetton с кейсом внедрения LTV у крупного омниканального ритейлера. Отчеты в Power Bi вы найдете далее в материале.
Суммируя, весь процесс работы можно представить в следующие этапы, работа над которыми может продолжаться по мере подключения в проект новых данных, проведения экспериментов, а также улучшения качества модели за счет объема и качества данных.
Агрегирование разносторонних данных в единой БД
Создание модели данных (витрина) с перебором атрибутов
Модель классификации (churn) возврата клиента
Построение модели регрессии по целевой переменной
Улучшение качества модели за счет исключения факторов
1
2
3
4
5
Для запуска такого внутреннего решения, компания может использовать существующую BI инфраструктуру или построить модель на базе Power BI.
Выгоды построения BI панелей с метрикой LTV:
Позволяет оценить эффективность затрат при сравнении средних на пользователя (CPO) и дохода (LTV)
Позволяет оценивать эффективность по сравнению с прошлым, так как LTV возможно рассчитать и для прошлого периода
Позволяет выявить факторы влияния на оборот: управляемые и неуправляемые
Оценить как изменение управляемых факторов влияет на будущий доход
Заявка на консультацию
Проконсультируем за чашечкой кофе
Ищете решение
сложной задачи на доступных данных?
Нажимая кнопку "Отправить заявку" вы принимаете политику обработки персональных данных сайта
Задать вопрос
Telegram WhatsApp Phone
Заказать демо LTV (модель + отчеты)
Нажимая на кнопку "Отправить" вы соглашаетесь с политикой обработки персональных данных
Получить исследование «Развитие и применение методологии LTV в странах России и СНГ в 2021-2022 гг»
Заполните форму, чтобы первыми получить доступ к презентации.
Нажимая на кнопку "Отправить" вы соглашаетесь с политикой обработки персональных данных
Получить исследование «Развитие и применение методологии LTV в странах России и СНГ в 2021-2022 гг»
Заполните форму, чтобы первыми получить доступ к презентации.
Нажимая на кнопку "Отправить" вы соглашаетесь с политикой обработки персональных данных
Получить подборку кейсов по LTV
Нажимая на кнопку "Отправить" вы соглашаетесь с политикой обработки персональных данных
Получить полную версию исследования методологии LTV в СНГ
Нажимая на кнопку "Отправить" вы соглашаетесь с политикой обработки персональных данных
Связаться с нами
Проконсультируем за чашечкой кофе.
Нажимая на кнопку "Отправить" вы соглашаетесь сполитикой обработки персональных данных