来源:新华网

发布时间:2020-10-31 11:36:30

在大数据时代,数据分析在客户价值计量中发挥着重要作用。无论是使用数据分析工具,如数据中心或数字云等CRM工具,其核心都是数据分析和挖掘来衡量客户对企业的价值贡献。然而,许多方法或工具只能衡量客户在历史时期的历史价值,而不能衡量未来的价值。虽然未来是不确定的,但预测未来价值对企业的决策也有很好的辅助作用。因此,许多数据分析模型或软件算法没有考虑到这一点。

例如,一个学生客户,考虑到他目前的经济状况,他无法在你的商店里花大量的钱,但是他经常浏览和关注商店,简单地根据他的历史消费来判断他是一个低价值的顾客显然是不合理的。许多其他模型预测客户价值,而客户关系终生不变,但没有考虑到客户某一天可能停止消费企业的产品或服务,也就是说,客户关系维护的时间是未知的,因此在客户周转率的情况下,即使客户目前对我们有很高的价值,如果损失的可能性很高,该模型也不成立。那么这个客户就不是一个高价值的客户了。

针对这些不足,我们引入了客户未来价值、顾客忠诚度这两个计算维度,并结合我们之前讨论过的客户终身价值(CLV),最后提出了优化模型,即客户终身价值(CLV)。

PPC是指客户迄今为企业创造的利润现值总额,FPC是指客户期望在未来为企业带来的利润现值总额。其中n是现有客户生命周期的长度;e是预期的客户生命周期长度;e是对历史的贡献函数;是对未来的贡献函数,该贡献函数表示企业在未来可以产生的利润(区间I),而客户购买模式保持不变;以及潜在的贡献函数,它表示当客户购买模式发生变化时,企业在未来(区间I)中预期将产生的利润。

PPC是指客户在某一时期内的价值,而不是从过去到现在的累积价值。计算方法相对简单。简而言之,它是收入减去成本,然后再贴现。根据历史消费数据,可以得出这样的结论:第一个公式已经说明了计算过程,不会重复。fpc计算如下,假设客户在商店里呆了5年(也就是说,客户的寿命已经存在)。

fpc=(+p(6))已使用了5年(即现有客户的生命周期为5),估计该客户将在商店中总共呆10年(即生命周期长度e为10)。

上面的模型可以更好地预测客户的未来价值,数据中心也支持对公式的定制,这使得用户可以更方便地根据所需的模型来分析数据。

资讯要事

资讯动态

热点排行