Jak cenny jest Twój klient? O wartości klienta w czasie

Klient to sedno funkcjonowania firmy, jest on niewątpliwie kluczowym czynnikiem przewagi konkurencyjnej przedsiębiorstwa. Czy da się jednak zmierzyć albo wyliczyć w sposób precyzyjny wartość jaką przynosi firmie? Czy istnieje wskaźnik, który określa ile zysku może przynieść dany klient?

Wartość życiowa klienta (w skrócie CLV - customer lifetime value lub LTV - lifetime value) – właśnie ta miara pomaga określić jak cenny jest klient, w trakcie jego całej historii relacji z firmą. Wskaźnik CLV jest kluczowym miernikiem, który obrazuje średnią wartość jaką przynosi relacja z klientem danej firmie przez cały okres jej trwania. Poznanie wartości cyklu życia klienta ma na celu maksymalizację zysku poprzez identyfikowanie i docieranie do klientów o największym potencjalnym wartościowym wkładzie. Dzięki analizie CLV przedsiębiorstwa dokładnie wiedzą ile wart jest klient w kategoriach pieniężnych, a co za tym idzie, ile dokładnie dział marketingu powinien wydać, by pozyskać takiego klienta.

Ważną zaletą stosowania tego miernika jest możliwość oszacowania, czy pozyskanie, utrzymanie lub odzyskanie danego klienta jest dla firmy korzystne finansowo. Ponadto, dzięki niemu można dokładnie ocenić efektywność różnych strategii biznesowych przed ich wdrożeniem i wybrać tę, która będzie najbardziej korzystna dla organizacji. Często okazuje się, że utrzymanie długotrwałych relacji z obecnymi klientami jest bardziej opłacalne, niż pozyskiwanie nowych. Znajomość wartości życiowej klienta przekłada się na podejmowanie skuteczniejszych decyzji biznesowych. Mogą być one związane chociażby z wyborem odpowiednich strategii promocyjnych czy oceną opłacalności określonych kanałów komunikacji.

Wartość klienta na przestrzeni całego okresu współpracy z firmą, można obliczyć na kilka sposobów. Metoda kalkulacji i poziom skomplikowania analizy będzie różnił się w zależności od branży, profilu działalności firmy, sposobu gromadzenia przez nią danych oraz ich stopnia szczegółowości. Cennym wsparciem w analizowaniu i prognozowaniu tych wartości są modele bazujące na uczeniu maszynowym i sztucznej inteligencji. Są one w stanie masowo przetwarzać dane i oszacować poziom wskaźnika, który uwzględnia specyfikę prowadzonej działalności oraz holistyczną perspektywę biznesu, łączącą dane pochodzące z wielu obszarów działalności przedsiębiorstwa.

Najprostszy sposób na obliczenie Customer Lifetime Value to zsumowanie przychodów uzyskanych od klienta (przykładowo można pomnożyć roczny przychód uzyskany od danego klienta przez średnią długość relacji klienta ze sklepem) i odjęcie początkowego kosztu jego pozyskania. Często niełatwym aspektem jest określenie, jaka jest wartość początkowych kosztów pozyskania klienta. W przypadku tego wskaźnika trudno o precyzję, ale można go dość dokładnie oszacować poprzez podzielenie kosztów kampanii reklamowej lub promocji przez liczbę nowych klientów, których ona przyciągnęła.

Inną bardzo popularną metodą obliczeń w przypadku sklepów internetowych jest wyliczenie CLV w oparciu o transakcje wszystkich klientów. Plusem tej metody jest łatwość jej zastosowania, jednak może być ona obarczona błędem, gdy asortyment sklepu jest bardzo zróżnicowany. Wzór dla tej metody wygląda następująco:

CLV = IT x LO x WT  x MS

IT – Średnia liczba transakcji jednego klienta
LO – Średni okres lojalności klienta, czyli czas od pierwszego zakupu do ostatniego, po którym to klient już nie wraca
WT – Średnia wartość transakcji w danym okresie 
MS – Średnia marża brutto z jednej sprzedaży

Obliczmy CLV dla sklepu internetowego, w którym średni okres lojalności klientów wynosi 2 lata i 3 miesiące. 775 klientów zrealizowało w badanym okresie 2100 zamówień, dlatego średnia liczba transakcji przypadająca na pojedynczego klienta to w zaokrągleniu 2,71. Średnia wartość transakcji, zwana też średnią wartością koszyka zakupowego, wynosiła 146,89 zł – wartość można wyliczyć poprzez podzielenie zagregowanej sprzedaży w danym okresie przez liczbę dokonanych transakcji. Średnia marża w tym sklepie wynosi zaś 15%. Na bazie tych danych możemy dokonać następującej kalkulacji.

CLV=2,71 x 2,25 x 146,89 x 15% = 134,35 zł

W powyższym przykładzie wartość CLV wynosi 134,35 zł. Jakie wnioski może wyciągnąć z tej informacji właściciel sklepu? Po pierwsze, wydawanie na pozyskanie jednego klienta kwoty wyższej niż 134,35 zł będzie scenariuszem niekorzystnym ekonomicznie dla firmy, gdyż koszty pozyskania klienta przewyższą zarobki. Ponadto, jeśli firma aktywnie działa na rzecz pozyskania klientów, czy to poprzez pozycjonowanie sklepu internetowego, kampanie w Google Ads, czy marketing w Social Media, to wyliczone CLV można porównać ze średnimi kosztami pozyskania klienta w tych danych kanałach. Informacja, o tym ile wart jest dla firmy jeden klient, pozwala na skuteczniejsze zaplanowanie strategii działania, określenie kosztów pozyskania nowych oraz utrzymania obecnych klientów.

Powyższe metody są stosunkowo proste i uwzględniają tylko kilka podstawowych zmiennych, przez co np. w firmach handlujących szerokim asortymentem produktów, które dystrybuowane są wieloma różnymi kanałami, nie sprawdzą się najlepiej. W takich przypadkach optymalne będzie skorzystanie z pomocy uczenia maszynowego i sztucznej inteligencji. Modele tworzone przez sztuczną inteligencję są w stanie w czasie rzeczywistym przetwarzać niezliczone ilości danych, wychwytywać transakcje zdecydowanie odstające od średniej oraz nietypowe zachowania klientów. Taki model może uwzględniać różne segmenty klientów, na przykład sentyment wobec konkretnej marki, czy pozycję klienta w wewnętrznym rankingu firmy pod względem generowanych przychodów.

Sztuczna inteligencja pozwala także wychwytywać ukryte trendy i sezonowość w zachowaniach zakupowych klienta. Co najważniejsze, AI jest w stanie na bieżąco dokonywać ewaluacji prezentowanych obliczeń, a co za tym idzie, nieustannie budować coraz to efektywniejsze modele prognostyczne. Im więcej danych transakcyjnych i historycznych jest dostępnych, tym bardziej precyzyjne mogą być modele probabilistyczne bazujące na ML i AI.

Kluczowe jest posiadanie informacji o atrybutach klienta, w tym: numeru i daty faktury, daty zamówienia, kodu i opisu zakupionego produktu, zagregowanej wartości zamówienia oraz ceny jednostkowej produktu, numeru klienta, jego miejsca zamieszkania itd. Takie dane mogą zostać wykorzystane przez algorytmy AI do budowy wielu różnych wariantów modeli prognostycznych.

Jednym z popularniejszych jest ten bazujący na podejściu historycznym z podziałem klientów na kohorty. W tym przypadku sztuczna inteligencja używa algorytmów do grupowania poszczególnych klientów w konkretne podgrupy. W zależności od celów biznesowych, dane o segmentacji klientów mogą obejmować lokalizację geograficzną, datę pierwszego zakupu, czy historię zakupową. Na podstawie tych klastrowych danych można oszacować unikalne wartości CLV dla różnych grup, uzyskując bardziej precyzyjny obraz biznesu. Dzięki tej metodzie można indywidualnie przeanalizować grupę najbardziej dochodowych klientów, ale także segment, który generuje największe koszty. W dodatku można rozpatrywać to biorąc pod uwagę konkretny region lub uwzględniając dane demograficzne.

Do obliczania wartości życiowej klienta przy użyciu uczenia maszynowego w modelach probabilistycznych wyliczane i brane pod uwagę są również takie zmienne jak:

• oczekiwana liczba transakcji w danym okresie,
• zakładana liczba powtórnych zakupów dokonanych przez klienta,
• potencjalny średni zysk wypracowany na kliencie,
• oczekiwana aktywność klienta - ML analizuje jak często klienci dokonują zakupów i przewiduje prawdopodobieństwo dokonania zakupów w przyszłości.

Korzyści z wykorzystania AI w obszarze analizowania i prognozowania CLV

• Poznanie rentowności pojedynczego klienta – wartość życiowa klienta to istotna informacja dla działu sprzedaży. Dzięki niej można bardziej skoncentrować się na pozyskaniu nowych klientów o konkretnym profilu lub przetestować możliwości sprzedaży za wyższą cenę w obecnej bazie klientów.
• Zbudowanie dokładniejszych profili klientów – dzięki znajomości tego miernika firma może przygotować dokładniejsze i bardziej szczegółowe dane na temat klientów.
• Lepsze zarządzanie budżetem – wskaźnik CLV pomaga przydzielać budżet na poszczególne działania, opierając się na danych dotyczących tego, co nowy klient rzeczywiście wnosi do firmy. Dzięki temu można lepiej zrozumieć, na co wydać pieniądze, żeby pozyskać najbardziej wartościowych klientów.
• Efektywne planowanie wydatków marketingowych – koncentrując się na segmentach klientów, które przynoszą firmie najwyższy zysk.
• Budowa lojalności klientów – dane na temat wartości życiowej klienta mogą być wykorzystywane do tworzenia strategii utrzymywania jego długoterminowej satysfakcji, a nie wyłącznie w sprzedaży krótkoterminowej.
• Lepsza retencja klientów – znając wartość klienta firmy skuteczniej podejmują decyzję na co przeznaczyć środki, żeby zatrzymać określone segmenty klientów.

Podsumowując, modele sztucznej inteligencji i uczenia maszynowego pomagają w lepszym poznaniu  profili swoich klientów, co niesie za sobą wiele wymiernych korzyści. W miarę postępu technologicznego możemy oczekiwać jeszcze bardziej zaawansowanych systemów, które pozwolą firmom lepiej spełniać oczekiwania i dostosowywać się do potrzeb swoich klientów. Wartościowe wykorzystanie AI staje się nie tylko kwestią konkurencyjności, ale także kluczowym elementem trwałego rozwoju nowoczesnego biznesu. Comarch od ponad 18 lat dostarcza zaawansowane systemy do analizy danych Klientów (systemy klasy Business Intelligence), w tym także w oparciu o algorytmy sztucznej inteligencji.

Dowiedz się więcej na temat oferty Comarch Business Intelligence wzbogaconej o AI i ML: https://www.comarch.pl/erp/business-intelligence/.

Autor tekstu

Damian Kaczmarczyk Product Owner Comarch sPrint/Konsultant Business Intelligence Absolwent kierunku Finanse i Rachunkowość na Uniwersytecie Łódzkim. Zdobywał doświadczenie jako specjalista ds. kontroli wewnętrznej oraz analityk biznesowy w branży BPO. W Comarch pracuje jako konsultant rozwiązań analitycznych i raportowych, jest odpowiedzialny za zbieranie i analizę wymagań biznesowych oraz rozwój aplikacji Comarch sPrint.