Customer Lifetime Value

5 min read

Customer Lifetime Value, eller CLV, er nåverdien av hele det fremtidige forholdet til en kunde. Det vil si, det er verdien målt i dagens penger, av alle inntektene denne kunden kommer til å generere i overskuelig framtid. CLV er særlig relevant innenfor abonnementstjenester, der kunden inngår en kontrakt, og betaler et fast beløp for tilgang til tjenesten. Eksempler er banktjenester, forsikring, strøm, internett og aviser, og nå til dags også ting som dagligvarer, linser, biler og programvare.

For å estimere CLV, trenger vi tre komponenter:

  • Sannsynligheten for avgang per tidsenhet – P(avgang)
  • Kunderesultat per tidsenhet – R(t)
  • Diskonteringsrente – d

Vi kan for eksempel ha kunder med stor sannsynlighet for avgang, men som kjøper veldig mange produkter, og dermed har høyt kunderesultat. Vi kan også ha veldig lojale kunder, men som kjøper veldig lite, og derfor ikke er spesielt lønnsomme. I tillegg har vi diskonteringsrenta, som representerer det at 1000 kroner om et år er mindre verdt enn 1000 kroner i dag.

Avgangssannsynlighet

Det første spørsmålet, er hvordan vi skal estimere avgangssannsynlighet per tidsenhet. Dette kan vi gjøre ved å samle masse historiske data, og trene en modell som finner hvilke sammenhenger som historisk har predikert churn. Deretter bruker vi denne modellen til å predikere fremtidig avgangssannsynlighet for våre eksisterende kunder.

Jeg fullførte nettopp et slikt prosjekt for en norsk strømleverandør, der vi brukte masse tid på å strukturere historiske data, som viste kundeatferd. For eksempel hvor hyppig kunden har henvendt seg til kundeservice, om kunden har klaget, kundens forbruk, om strømmen var dyr eller billig, om konkurrentene var veldig aktive i området kunden bodde, osv. Vi organiserte disse dataene periodevis, og la på en merkelapp som viste om kunden gikk til avgang eller ikke, i neste periode.

Så gjentar vi dette for mange perioder, og bruker Machine Learning til å finne sammenheng mellom kundedata og avgangssannsynlighet. Vi brukte Microsoft ML Server, og prøvde blant Neural Networks, Random Forest, og Gradient Boosting, og kom fram til en modell som var ganske god til å predikere avgangen i historiske data.

Dermed kan vi krysse av den første komponenten i CLV.

Kunderesultat

Den neste komponenten er kunderesultat. Denne er typisk basert på hvilke produkter kunden har. Inntektene er det kunden betaler, mens kostnadene er knyttet til blant annet betjening av kunden og fysiske kostnader knyttet til produktet. For eksempel kan en kunde som er helt selvbetjent ha lavere kostnader enn en kunde som alltid ringer kundeservice om det er noe, og dermed legger beslag på mange arbeidstimer. Kunderesultat kan estimeres med alt fra enkle modeller som ser på gjennomsnittet blant alle kunder med samme produkt, til mer sofistikerte beregninger som prøver å ta direkte hensyn til kostnader og inntekter knyttet til den individuelle kunden.

Diskonteringsrente

Sett fra mitt synspunkt, som data scientist, er diskonteringsrenta en gitt parameter i modellen. Men har du f.eks. en diskonteringsrente på 10 %, betyr det at 1000 kroner neste år er verdt like mye som 900 kroner i dag.

Bruk av CLV

Så setter man sammen dette. Sannsynlighet for avgang for hver kunde, kundens resultat, og diskonteringsrenta, og får Customer Lifetime Value for hver eneste kunde.

Hva kan vi bruke dette til?

Rekruttering

Salgsbedrifter har mange ulike rekrutteringskanaler, for eksempel dørsalg, telefonsalg, annonser på nett, TV-reklame, avtaler med medlemsorganisasjoner og fagforeninger, osv. La oss her fokusere på to slike kanaler, som kan være relevante i mange.

  • Dørsalg – selgere går fysisk rundt og ringer på dører
  • Annonser på nett – det kommer opp sponsede treff når du søker på f.eks. Google

Snittkostnaden per salg ved dørsalg avhenger av timelønna til selgerne og hvor mange salg de i snitt får per time. Tilsvarende vil snittkostnaden per salg ved nettannonser avhenge av prisen per klikk og hvor mange av de som klikker som til slutt blir konvertert. Som et eksempel, la oss at man i snitt bruker 200 kroner per Google-salg, og 500 kroner per dørsalg.

  • Hvilken av disse markedsføringskanalene er mest lønnsom?

Svaret på dette er faktisk ikke opplagt! Det vi kan gjøre, er å sammenligne CLV for kunder som har kommet inn gjennom hver av disse kanalene. Kanskje histogrammene for CLV for disse kundene ser ut som på figuren:

Dørsalg er dyrest, men samtidig har kundene i snitt en CLV på 1200 kroner. Trekker vi fra rekrutteringskostnaden, sitter vi altså igjen med 700 kroner per kunde.

For Google er kostnaden mye lavere, men CLV er i snitt 300 kroner. Vi sitter altså igjen med 100 kroner per kunde.

Slike analyser som dette, kunne strømleverandøren nå utføre for alle markedskanalene sine. Dermed har de også et kvantitativt grunnlag for å diskutere markedsstrategien sin.

Segmentering

Man kan også segmentere. For eksempel kan det tenkes at unge kvinner som rekrutteres gjennom Google har langt høyere CLV. Dermed kan man målrette Google-annonsene mot denne gruppen. Og hvis de eldste kundene som rekrutteres gjennom dørsalg som har høyest CLV, kan man ringe på mer hos disse, og mindre hos andre grupper.

Denne analysen kan også brukes til utvikling av eksisterende kunder.

Avslutning

Alt jeg har snakket om nå, er mulig takket være BI-verktøy. Lagring av kundedata i datavarehus, og ustrukturerte og eksterne data i data lake, lar oss bruker Machine Learning til å finne sammenhenger i dataene, som deretter gir stor forretningsnytte.

Takk for meg. NB! Selv om lyntalen er basert på en ekte kundecase, er alle tallene ting jeg har funnet på selv.

About Øystein Sørensen

Øystein er en data scientist med lidenskap for å benytte machine learning til å løse reelle forretningsutfordringer. Han har en mastergrad innen Environmental Physics and Renewable Energy og en PhD innen Biostatistics. I tillegg til PhD-jobbingen har Øystein jobbet to år som data scientist i Storebrand sin markedsavdeling. Øystein er junior verdensmester i orientering, og gir seg ikke før kartet stemmer med terrenget! Og jobber idag som Analytiker/data scientist, Rådgiver, Utvikler i NextBridge Analytics.