Story
ML & AI
Data

Koopgedrag voorspellen met Customer Lifetime Value Estimation

Door Tim von Hebel | 23 augustus 2021
Content overzicht:

Welkom terug bij de laatste editie van deze driedelige blog over Machine Learning toepassingen. Leer meer over de Customer Lifetime Value Estimation en hoe je individuele klanten kunt voorspellen - en beoordelen - voor de toekomst.

*Deze sectie over CLVE heeft betrekking tot non-contractual business. Dat betekend dat klanten vrij zijn te kopen wanneer zij willen en er geen sprake is van een abonnement op een dienst of product.

Wat is Customer Lifetime Value (CLV)

Een Customer Lifetime Value Estimation (CLVE) is een techniek waarbij je berekent wat de gemiddelde levensduur van een klant is én wat dat oplevert voor jouw business. Als we het hebben over levensduur van een klant, dan gaat het natuurlijk over het gemiddeld aantal jaren dat een klant bij jou producten / services afneemt.

Strategische informatie door jouw CLVE

Het doel van CLVE is om trouwe klanten van de eenmalige of ex-klanten te onderscheiden. Deze informatie is namelijk zeer nuttig voor strategische of marketingdoeleinden. Een belangrijk principe van deze inschatting is de zogenaamde RFM berekening, dit staat voor:

  • Recency. Hoe recent heeft een klant een aankoop gedaan?
  • Frequency. Hoe frequent koopt een klant?
  • Monetary Value. Wat is de waarde van de aankopen van deze klant?

Met deze drie criteria wordt het aankoopgedrag per klant overzichtelijker en kunnen klanten hierop worden beoordeeld.

Bij een simpele vorm van Customer Lifetime Value Estimation krijgt de klant voor iedere parameter een score. Deze worden gecombineerd om een kwantificatie te creëren voor de waarde van de klant voor jouw bedrijf. Soms is dit een gemiddelde van de drie maar uiteraard kunnen verschillende wegingen aan de drie parameters worden toegekend.

Modellen voor Customer Lifetime Value Estimation

Natuurlijk blijft het niet alleen bij dit soort eenvoudige technieken. Er bestaan meer modellen om aan de hand van aankoopdata en RFM scores voorspellingen te creëren voor de toekomst. We lichten een aantal van deze wiskundige modellen toe die onder de BTYD (Buy Till You Die) categorie vallen.

De modellen in deze categorie bestaat uit twee delen:

  1. Een benadering van het aankoopproces door middel van een kans distributie die schat hoe vaak verschillende klanten zullen kopen zolang zij ‘alive’ zijn.
  2. Een kans die inschat hoe lang het nog zal duren totdat een klant permanent stopt met producten kopen, oftewel de spreekwoordelijke ‘sterftekans’.

Deze techniek draait dus om twee variabelen. De eerste is de ‘alive’ variabele. Dit is simpelweg de kans dat een klant ooit nog een product of dienst zal aanschaffen. De tweede is een stochastische kans distributie (kansvariabele) die de netto cash flow voorspelt voor een bepaalde tijdsperiode als de klant ‘alive’ is. Deze twee onderdelen kunnen worden gezien als twee munten die continu worden opgegooid. Beide munten hebben per klant een unieke kans op kop of munt gebaseerd op de door het model bepaalde kans distributie

Het doel van een BTYD model is om de hoeveelheid aankopen binnen een bepaald tijdsbestek voor iedere klant te voorspellen, gegeven Recency en Frequency data.

Het Pareto / NBD model

Een voorbeeld van een BTYD model is Pareto/NBD. Dit is al een relatief oude techniek ontworpen in de jaren 80 en is door de jaren heen behoorlijk veel gebruikt met positieve maar ook een aantal wisselende resultaten. Dit is een wiskundig model dat voor ieder persoon de prijs en timing van een aantal toekomstige aankopen kan voorspellen. Het model berekent na iedere nieuwe aankoop de kans dat een klant de business permanent verlaat en dus ‘sterft’. Het model gaat uit van een negatief verband tussen de tijd die verstrijkt na de laatste aankoop van een klant en de kans op een nieuwe aankoop. Dit model lijkt vooral goed te werken bij een actieve en consistente klanten populatie.

Een leuk voorbeeld van een toepassing van verschillende BTYD modellen is een dataset van een supermarktketen. Deze keten heeft aankoopdata van 146 weken (2001-2003) gebruikt voor een voorspellende analyse van grofweg 90 weken erna. De twee grafieken laten de daadwerkelijke sales zijn n.a.v. de datasets en sales zoals voorspelt door de verschillende modellen.

(1) Dataset - Machine Learning - Customer Lifetime Value - Cumulative repeat purchases (2) Dataset - Machine Learning - Customer Lifetime Value - Weekly repeat purchases

Het mooie aan deze modellen is dat aan iedere individuele aankoop die voorspeld is ook aan een klant uit de dataset verbonden is. Het model doet haar voorspellingen per klant en de grafieken laten slechts al deze voorspellingen bij elkaar zien.

Dit soort modellen zijn zo populair dat de bekende programmeertaal Python een library heeft genaamd ‘Lifetime’ die Customer Value Lifetime Estimation en Customer Segmentation erg simpel maken.

Aan de slag met CLVE

Er zijn nog een hoop andere manieren om Customer Lifetime Value Estimation te benaderen. Van een simpele wiskundige formule tot Machine Learning methoden. De complexiteit waarin je CLVE benadert is afhankelijk van hoe belangrijk jij de uitkomsten vindt voor je bedrijfsstrategie. Zolang je in ieder geval genoeg aankoopdata hebt, dan zal er een methode zijn die bij jouw mate van nieuwsgierigheid past.

Belangrijkste data en voorwaarden

De belangrijkste data voor een CLV inschatting is redelijk straight forward. Alle modellen werken met Recency, Frequency en Monetary Value van de dataset. Als de dataset bestaat uit alle bestellingen/transacties is dit meer dan voldoende om deze drie waarden te extraheren en een voorspellend model van input te voorzien. Hoe omvangrijker de data, hoe betrouwbaarder de voorspellingen zullen zijn. Dus waar wacht je nog op?

Geïnteresseerd in de Lifetime Value van jouw klanten? We denken graag met je mee.

Deel dit artikel via

Tim von Hebel

Tim is Head of Sales en helpt jouw organisatie graag met alles op het gebied van Cloud Native applicatieontwikkeling.

Wil je meer weten?

Neem contact op met Tim.

volgende story

Collaborative filter: gebruikersdata als gids voor aanbevelingen

Door Tim von Hebel | 8 augustus 2021