Моделирование аудитории и CLV

Моделирование аудитории и CLV

Оценка жизненного цикла клиента (CLV) – это смысл всех наших усилий по созданию и размещению рекламы. Способность отличать хороших клиентов от плохих (и серую массу между ними) – вот, что позволяет маркетологам выстраивать эластичные программы, не ограничивая себя прямым откликом адресата.

Хорошая модель CLV отделяет «плохих» от «хороших», учитывая вариативность поведения пользователей. Плохая модель выстраивается на усредненном представлении о пользователях, не предполагает четкой последовательности действий и рассчитана на примерный отклик адресата, тем самым, не позволяя маркетологу использовать макстимально эффективно.

В основе CLV моделирования лежит формула НЧД. НЧД расшифровывается как Недавность, Частота и Денежная оценка. Смысл состоит в том, что чистая текущая и будущая стоимость каждого отдельно взятого посетителя это функция, заданная тремя параметрами:

  1. Как давно пользователь заходил на сайт или совершал покупку
  2. Как часто он совершает какие-то действия на сайте или совершает покупки
  3. Покупки на какую сумму он совершает

С этой логикой не поспоришь. Мы должны ценить клиентов, которые чаще и больше покупают товары/услуги и делали это совсем недавно. В идеале, такой клиент требует минимальных затрат на удержание и минимальных скидок, чтобы оставаться лояльным.

Математически упрощенную модель CLV можно представить следующим образом:

clv

Где revenue – валовая сумма взносов за определенный период времени, r – процент сохранения клиентов, d – размер скидки. Данная модель делает акцент на том, сколько тратит клиент (Денежная оценка), предполагая постоянный период оценки для всех клиентов.

Чтобы перейти на следующий уровень, нам понадобится ввести два переменных временных промежутка - недавность и частота:

clv2

Где: pt = цена, которую платит клиент в момент времениt, ct = прямые затраты на обслуживание клиента в момент времени t, i = размер скидки или цена капитала для фирмы/компании, rt = вероятность повторной покупки или того, что жизненный цикл клиента не закончится на момент времени t, AC = стоимость приобретения, и T = период времени, выбранный для оценки CLV.

(Источник: Gupta, Sunil, Lehmann, Stuart (2004), “Valuing Customers,” Journal of Marketing Research, 41 (1), 7-18.)

Проблема с формулой НЧД состоит в том, что она не принимает во внимание когда клиент подаёт признаки жизни, подаёт ли вообще, совершает ли активно покупки или ушёл «в спящий режим» (то есть уже перестал быть клиентом). Выяснить, активен ли клиент, поможет CLV-модель, основанная на статистических данных, но расчёты в данном случае достаточно громоздки:

clv3

(Источник: Fader, Peter S., Bruce G. S. Hardie, and Paul D. Berger (2004), “Customer-Based Analysis with Discrete-Time Transaction Data”)

В этой модели доктор Фэйдер пытается рассчитать среднюю продолжительность жизни клиента и вероятность совершения покупки типичным пользователем в заданный момент времени. Сложность оценки клиента в течение его жизненного цикла состоит в том, что она полностью зависит от определения продолжительности этого цикла.

Используем CLV напрактике

Наконец, мы определили CLV, и можем применить эти данные. Чаще всего CLV используют для уточнения задач при работе с платными маркетинговыми каналами, чтобы при привлечении новых клиентов, учитывать ожидаемую стоимость их покупок. Начинаем с определения мультипликатора:

Ожидаемая стоимость покупок за весь жизненный цикл клиента/ Средняя стоимость одного заказа

Затем, умножая ROI рекламной кампании или деля CPA на полученный мультипликатор, мы нормируем результаты кампании с поправкой на ожидаемый показатель CLV.

Если вы еще не используете для своих расчетов CLV, начните это делать прямо сейчас.

Реже прогнозируемый CLV используют для разделения аудитории на сегменты. Понимание поведения пользователя наряду с прогнозным уровнем конверсии позволит установить разумную цену за клик для любой аудитории.

Чётко определенная аудитория обладает двумя характерными чертами:

  1. Общее намерение (Всем членам группы можно демонстрировать одну и ту же рекламу)
  2. Одинаковая прогнозируемая конверсия (одинаковый размер бида)

С помощью инструмента Google Analytics вы можете получить неплохую визуализацию путей пользователей по сайту, что позволит выявить общие тенденции в поведении, ведущем к конверсиям. Отфильтровав пользователей, совершающих конверсии, вы и без специальных алгоритмов увидите основные закономерности в данных.

Чтобы получить более точную картину, придется воспользоваться статистическим моделированием, но можно начать и с очевидных закономерностей. Как только вы увидели какую-то тенденцию, начинайте составлять список пользователей для ремаркетинга для Google AdWords.

Используя аудиторию для ремаркетинга, поиска потенциальных клиентов, платного поиска, мы можем отделить пользователей с известной вероятностью совершения конверсии, основываясь на их прошлых прдействиях.

Таким образом, списки поискового ремаркетинга дают уникальную возможность увеличивать биды, основываясь на комбинации намерения пользователей (запросы в поисковиках) и прогнозируемого уровня конверсии (действия пользователей).

Заключение

Надеюсь, мне удалось наглядно объяснить, что аудитория существует не только для ремаркетинга. Может оказаться, что пользователи, смотревшие на товары X и Y, в итоге приобрели Z. Несомненно, в таком случае нам нужно составить список пользователей, которые смотрели на товары X и Y, и прорекламировать им товар Z.

Креативный подход к перераспределению аудитории – будущее платной рекламы.

Всё становится на свои места, когда вы совмещаете подсчет CLV с моделированием аудитории. Соответствующие инструменты есть под рукой – пора ими воспользоваться.

Автор , на 4 июня 2014 г. в Аналитика.

Расскажите друзьям:


Комментарии

  1. rodinalinkov.ru FlyHelen
    rodinalinkov.ru FlyHelen
    08.06.2014 10:13 #

    Фракталы и хаос)

Комментирование отключено.

Услуги
Спецпредложения

Подписка на блог

без спама, не чаще одного раза в неделю

Кто победит?

Facebook

VKontakte