RF-матрица как альтернатива для работы с LTV

Итак, в прошлом посте мы прошлись по основным шагам, которые нужны для грамотного расчета LTV используя классический подход Pareto/NBD.

Сегодня мы будем говорить об LTV в другом контексте - упрощенно-прикладном.

Итак, перед вам Life Cycle Grid.

Название и концепцию этой замечательной технике дал выдающий маркетолог Jim Novo. Обязательно перечитайте его блог, особенно ранние статьи.

Life Cycle Grid (LCG).
Source: blog.jimnovo.com

По сути - LCG это RF(M) матрица:
  • По горизонтальной оси вы смотрите на Recency (недавность последней покупки);
  • По вертикальной оси вы смотрите на Frequency (количество покупок);
  • В каждой ячейке вы видите количество клиентов с определенными параметрами R и F.
Построив такую матрицу мы можем сразу ответить на много вопросов, но нас сейчас интересует всего четыре:
  1. какие клиенты критически важны для бизнеса?
    (правый верхний квадрант)
  2. каких клиентов реально развивать дальше?
    (правый нижний квадрант)
  3. какие клиенты вероятно потеряны для бизнеса?
    (левый верхний квадрант)
  4. какие клиенты не интересны для бизнеса?
Уверен, пока вы мало понимаете как RF-матрица связана с LTV, верно?

Ответ на самом деле лежит на поверхности. Главное понимать, что нам дают цифры: R и F.
  • R является фактором аппроксимирующим вероятность совершения повторной покупки;
  • F показывает текущий value, который принес клиент и дает нам оценку того, какой value клиент может приносить нам в будущем.
Так вот, как я уже упоминал в прошлом посте LTV = Current Value + Future Value.

Current Value = LTD = function( F, M )

Здесь надо уточнить, что по логике вещей текущий value надо считать через Monetary, однако часто F выступает прокси для M. Поэтому я выбираю F и двигаюсь дальше. 

Future Value ~ function( LTD, R )

Я построил расширенную RF-матрицу, где верхняя часть рассчитывает # клиентов, а нижняя часть рассчитывает LTD (LTV To Date).
Enhanced RF-matrix.

Давайте взглянем на эту матрицу повнимательнее.

Клиенты, которые критически важны для бизнеса
(находятся в правом верхнем углу, в зеленой рамке)
  • их Recency меньше 90 дней. Это дает основание полагать, что они вполне могут совершить повторные покупки (чем меньше Recency, тем больше вероятность повторной покупки);
  • их LTD огромный ~ [400 - 2500].
Клиенты, которые не интересны для бизнеса
(находятся в левом нижнем углу)
  • их Recency больше 90 дней;
  • их LTD низкий ~ [40 - 200], и львиная доля из них это one-time buyers, F = 1. 
Если обобщить этот подход, то мы неизбежно придем к чему-то наподобие следующего:
LTV ~ RF.
brucehardie.com

Таким образом и интуитивные выкладки Jim Novo и академические выкладки Bruce Hardie (Associate Professor of Marketing, London Business School) и ко. смотрят в одну сторону.

Также из прошлого поста мы знаем, что математически Future Value = DET x AEV.

Еще раз напомню, какой смысл несут эти метрики:
  • DET (Discounted Expected Transactions) метрика, по сути, рассчитывает # транзакций, которые клиент совершит в будущем, и, очевидно, является важным компонентом в расчете Future Value;
  • AEV (Average Expected Value) метрика, является оценкой того, какой платежеспособностью обладает клиент, т.е. оценкой его потенциального среднего чека.
AEV, как правило, сильно коррелирует с текущим средним чеком клиента. Это значит, что по текущему среднему чеку можно делать сильные допущения о том, какой будет будущий чек.

Но на что опираться при оценке DET?

Давайте построим график зависимости DET от Recency и Frequency.

Важно отметить, что на чартах связанных с DET, Recency рассчитывается несколько иначе.
  • Recency в RF-матрица = today() - last_order_date (т.е. чем меньше, тем лучше);
  • Recency в DET = last_order_date - first_order_date (наоборот: чем больше, тем лучше).
DET ~ RF.
brucehardie.com

Из чарта можно сделать несколько важных выводов:
  1. Для малых значений Frequency связь между DET и Recency почти линейная.
    Recency влияет на то, сколько клиент сделает покупок в будущем, хотя и не так сильно.
  2. Для больших значений Frequency связь между DET и Recency уже не линейная!
    Для клиентов, которые сделали большое количество покупок в прошлом, изменение Recency очень сильно влияет на количество будущих покупок (DET), а значит и на LTV клиента. 
Чтобы показать критичность отслеживания Recency для клиентов (особенно высокодоходных, с большим F) я построил RF-матрицу и для каждой ячейки рассчитал потенциальное # транзакций, которые клиент совершит в будущем, т.е. рассчитал DET.

DET ~ RF-matrix

Итак, давайте рассмотрим 3 кейса для клиента у которого отличный Recency (r60) и посмотрим как меняется вероятность совершения будущих покупок при разных F:

F = 1

Клиент, который купил в последний раз сегодня, имеет DET = 2.0
Клиент, который купил в последний раз 10 дней тому назад, имеет DET = 1.6 
Future Value клиента уменьшился незначительно (осталось 80% FV).

Т.о. новые клиенты "стареют" медленно! У нас есть некоторое время, чтобы собрать по ним доп. сигналы и предложить им что-то подходящее.

F = 5

Клиент, который купил в последний раз сегодня, имеет DET = 7.2
Клиент, который купил в последний раз 10 дней тому назад, имеет DET = 4.9 
Future Value клиента уменьшился сильнее (осталось 68% FV).

Как мы видим, клиенты середнячки по Frequency "состариваются" уже быстрее.

F = 20

Клиент, который купил в последний раз сегодня, имеет DET = 25.1
Клиент, который купил в последний раз 10 дней тому назад, имеет DET = 3.1 
Future Value клиента практически размылся (осталось 12% FV).

Что касается активных клиентов (большой F) то время для них летит очень быстро!

Поэтому медиана следующей покупки (даже для квадранта) для них никак не сработают. Для каждого из них нужно считать свои собственные показатели и возвращать их максимально быстро.

Замечу также, что даже LTD (текущий value) таких клиентов в 10х - 100х больше, чем у новых клиентов, а значит потеря даже 3% таких клиентов будет очень ощутима для бизнеса в будущем!

ВЫВОДЫ:
  1. RF-матрица очень мощный стратегический инструмент для понимания стоимости твоей клиентской базы;
  2. RF-матрица также отлично работает как тактический инструмент для принятия еже-недельных/месячных решений о том, с какими клиентами надо поработать;
  3. Recency очень важный фактор, определяющий LTV;
  4. Frequency взаимодействует с Recency, поэтому нельзя применять одинаковые threshold для удержания низкодоходных (малый F) и высокодоходных (большой F) клиентов.
Я думаю, вы уже пришли к выводу, что в работе с LTV главное это рассчитывать вероятность совершения повторной покупки и быстро реагировать на ее снижение. Это не разовое действие, это - постоянный процесс. А раз это процесс, то важно уметь делать такой расчет быстро. 

В следующем посте, я покажу несколько эвристик как такой расчет можно делать даже в Excel.

Если для вас этот пост оказался сложным, вы можете

Popular posts from this blog

A/B-тестирование: смотреть на конверсию vs смотреть на продажи

LTV: классический подход прогнозирования Pareto/NBD