Når du skal vurdere hvilke kunder, der er mest attraktive for din virksomhed, kan du benytte dig af forskellige metoder til at segmentere kunder og leads. En af de mest vigtige på den lange bane er CLV – en forkortelse af Customer Lifetime Value. Navnet siger egentlig sig selv; det er et mål for, hvor meget man forvente at tjene på en kunde, over hele den tid kundeengagementet varer. Særligt i forbindelse med at kapre nye kunder kan det være enormt brugbart at have en fornemmelse for forskellige kunders CLV, da den skal holdes op imod prisen på at kapre kunderne (også kendt som CAC – Customer Acquisition Cost). Visse varianter af CLV medregner endda CAC i ligningen.
Et mål for en kundes CLV (der findes mange måder at beregne det på) kunne f.eks. være det her:
[Antal køb pr år] x [Gns. køb i kr] x [Gns. profitmargin] x 1/[churn rate pr år] = Customer Lifetime Value
(hvor churn rate er den andel af kunderne, der forlader dig indenfor et givent tidsrum)
Tidligere har det kun været muligt at estimere CLV på eksisterende kunder, og derefter inddele dem i segmenter, så man kan målrette sin markedsføring imod dem med den højeste gennemsnitlige CLV, men med brugen af Machine Learning og CDP (Customer Data Platform) i de senere år har mulighederne for at estimere og forudse fremtidig CLV flyttet sig en del.
CLV Prædiktion
I stedet for at udvikle CLV modeller, der bygger på jævnlige og omfattende analyser af din eksisterende portefølje (hvilket typisk er tidskrævende, og bygger på mere eller mindre subjektive segmenteringskriterier), kan man forsøge at udvikle modeller, der kan prædiktere fremtidig CLV på individuelt kundeniveau på baggrund af tilgængelige data. Derved får man en mere detaljeret og strømlinet metode, som nemt kan opdateres, når markedet ændrer sig.
I mange år har både den gængse praksis samt akademisk forskning indenfor CLV prædiktion fokuseret på opslag i statistiske fordelinger, som (for at forenkle det lidt) byggede på den traditionelle idé om Pareto-princippet – at 20% af kunderne står for 80% af salget. Det var forholdsvist simpelt at samle data til sådanne modeller, da de kun skulle bruge data om kundens køb ud fra RFM-kriterierne (Recency, Frequency, Monetary value), men til gengæld krævede det en betydelig købshistorik fra kunderne. De byggede også på en række antagelser om, at kunderne køber produkter i et fast mønster og med en konstant frekvens – som f.eks. kunder i et supermarked.
Imidlertid har tidens udvikling med mange former for specialiseret online handel med meget varierende købsmønstre (og i visse tilfælde færre, men mere lukrative, kunder), krævet andre metoder til at vurdere hvilke kunder der har størst potentiale. Samtidig giver internettet mulighed for at indsamle langt mere detaljerede data om kunderne selv frem for blot at basere dine modeller på transaktioner.
Her er det, at Machine Learning kommer ind i billedet. ML algoritmer finder via forskellige matematiske metoder frem til mønstre i data, der kan forklare bestemte variabler på baggrund af diverse input (f.eks transaktioner og demografiske data). I de senere år er prædiktive CLV modeller baseret på ML begyndt at outperforme både de simple segmenteringsmodeller og de førnævnte statistiske fordelinger med en betydelig margin.
Forskellige stadier i kunderejsen kræver forskellige løsninger
Der findes typiske 3 typer kunder, man kan beregne CLV på:
Eksisterende kunder med flere køb: Disse kan man ofte beregne en ret præcis CLV på, da de har nok købshistorik til, at deres adfærd danner et tydeligt mønster. Her er det ofte nok at kende kundesegmentets gennemsnitlige churn rate, købsfrekvens og ordrestørrelse.
Nye kunder: Ofte er det interessant at segmentere kunder, det sekund de køber første gang, men ofte er det svært at vurdere en kunde ud fra et køb, da man ikke kan vurdere, hvor loyale kunderne vil være eller hvilke øvrige produkter, de vil vælge i fremtiden (hvis nogen). Imidlertid kan man ud fra en kundes adresse ofte tilegne sig en del demografisk viden om en kunde, ligesom ML modeller har vist, at viden om kundens første køb ofte vil gøre det betydeligt nemmere at forudse kundens fremtidige adfærd, da man har lignende kunder at holde dem op imod.
Leads: Disse er potentielle kunder som f.eks. har besøgt hjemmesiden og abonneret på et nyhedsbrev eller lignende. Her kan demografisk info (ud fra adresser) eller adfærd på hjemmesiden gøre det muligt at segmentere kunderne efter deres relative potentiale. Naturligvis vil segmenteringen ikke altid ramme plet, men man vil have en godt overblik over sandsynligheden for, at de kan blive til gode kunder og grovsortere de attraktive fra de mindre attraktive.
ML gør arbejdet for dig
Traditionelt har firmaer ofte benyttet sig af forskellige regler til at segmentere efter CLV, men dette er tidskrævende og kræver oftest en del forudgående dataanalyse for bedst at kunne identificere de attraktive kunder eller leads. Men med ML er det data selv, der fortæller historien og kommer frem til de mest effektive regler. Algoritmerne skal blot fodres med tilstrækkeligt meget data fra eksisterende kunder til, at de kan identificere mønstrene – ofte er det nok med få hundrede datapunkter.
De har også den fordel, at når først set-uppet fungerer, kræver det minimalt vedligehold – modellerne lærer selv på baggrund af dine data. Det er ikke fordi, at ML er en krystalkugle, der præcist kan forudse fremtiden (dertil kræves i hvert fald meget data), men hvis man skal prioritere kunder og leads efter, hvem der har størst potentiale, kan bare det at kunne dele dem op i grupper som f.eks. rød gul og grøn (hvor grøn er de mest attraktive) øge effekten af f.eks. kampagner betydeligt. Ofte er det få kunder, som står for en betydelig del af indtjeningen og hvis blot man øger sandsynligheden for at skabe sådanne ”superkunder” med 30% i en kampagne med flere hundrede modtagere, vil udgifterne hurtigt hente sig selv hjem mange gange.
