ریزش و ارزش طول عمر مشتری
در این سری از مقالات، من قصد دارم از طریق موضوعات زیر به پیش بینی ریزش و استفاده از ارزش در طول عمر مشتری بپردازم:
- مقدمه ای برای ایجاد یک نمای کلی در سطح بالا از چیستی، کاربردهای رایج آن و نحوه محاسبه آسان آن.
- مقدمه ای بر LTV (ارزش طول عمر مشتری).
- یک بحث عمیق در مورد رویکردهای مختلف برای محاسبه ریزش و LTV، از جمله مدل های آماری، تجزیه و تحلیل بقا، و یادگیری ماشین.
شرایط
بیایید با تعریف چند اصطلاح رایج شروع کنیم:
- اخیر – تعداد روزهای بین تاریخ فعلی و آخرین خرید.
- دوره تصدی – تعداد روزهای بین آخرین و اولین خرید.
- طول عمر – تعداد روزهای بین آخرین خرید و اولین خرید مورد انتظار. برخلاف دوره تصدی، ما آخرین تاریخ خرید مشتری فعلی را نمی دانیم، بنابراین باید آن را پیش بینی کنیم (به احتمال زیاد با استفاده از نرخ ریزش).
- نرخ ریزش – به طور کلی، این به درصد مشتریانی اشاره دارد که روابط خود را با شرکت متوقف می کنند. گاهی اوقات نرخ ریزش را می توان به عنوان احتمال خروج یک مشتری خاص یا گروهی از مشتریان تعبیر کرد. نرخ ریزش نیز برعکس نرخ حفظ است که برابر است با 1 – نرخ ریزش.
- ارزش طول عمر مشتری (CLTV یا LTV) – مقدار …