Hvorfor kan man ikke bruge Google Analytics' CLV model?
Få en mere akkurat udregning af CLV ved hjælp af machine learning.
I forbindelse med webinaret omkring Predictive Customer Lifetime Value udsteder vi nu videoer med spændende spørgsmål vi har fået. Se med her, og hør video nummer 2 fra vores Head of BI & Customer Insights, Christian Vermehren. Her fortæller han om en datadrevet udregning af Customer Lifetime Value, som Google Analytics ikke kan udstille.
Hvorfor kan man ikke bruge den CLV model som findes i GA?
Der er 3 gode grunde til ikke at bruge denne statiske model.
Modellen i Google Analytics:
- Beregner kun data for de seneste 90 dage (ca. 2 måneder)
- Går historisk til værks og kigger ikke på kundens værdi i fremtiden
- Er ikke udregnet grundigt nok, men er blot det første skridt til CLV
Det vigtigste ved at kende sin customer lifetime value er, at kunne opretationalisere metrikken og udregne værdierne for hver kunde. På den måde kan man uploade det til et marketing automation tool, således at man kan handle på det og kommunikere forskelligt til sine kunder.
Kommunikationen bør være tilpasset til de ”bedste kunder” og til de kunder som på nuværende tidspunkt ikke har så meget værdi, men som man gerne vil påvirke opad i værdi-rangstien.
Kundeværdi
Udregningen af ens customer lifetime value, altså værdien af den enkelte kunde er meget kompliceret. Det er ikke nok kun at kigge på historisk data, da man ikke ud fra de historiske data kan sige noget særlig præcist eller på nogen nem måde hvad en kunde egentlig er værd.
For at forklare det bedre er her et eksempel:
Vi har 2 forskellige kunder som begge har købt for 3.000kr i en butik. De kunder lyder umiddelbart til at være lige værdifulde. Men, den ene har foretaget sit seneste køb i år og den anden har senest købt for 2 år siden. Der er altså en stor forskel på værdien af de 2 kunder. Den ene som har handlet for nyligt, vil være nemmere at påvirke med eksempelvis et tilbud eller et marketing automation initiativ. Denne kunde er højst sandsynlig mere loyal overfor brandet. Kunden som ikke har handlet i butikken i 2 år vil formegenlig være over alle bjerge, og har måske valgt en anden butik at handle med.
Det er nogle af de ting man er nødt til at tage med i sin betragtning, når man ønsker at arbejde med sin customer lifetime value på en seriøs måde.
HVORDAN UDREGNER MAN SÅ DEN FAKTISKE CUSTOMER LIFETIME VALUE?
Det vi i Impact Exend gør for at løse denne problemstilling er, at bruge machine learning.
Vi kigger på hele kundebasens købemønstre og bruger nogle avancerede statistiske modeller til at beregne clv i fremtiden og giver hver enkelt kunde en churn-risiko score.
Det vi efterfølgende gør er, at uploade værdierne til marketing automation værktøjer og på den måde gør det operationaliserbart.
Hvis du synes det er spændende at høre mere om vores avancerede beregninger af den faktiske customer lifetime value, så tag endelig fat i Christian for at høre mere.
Vil du vide mere
om Predictive CLV?
Så tag kontakt til Christian, som brænder for at fortælle meget mere.