di Filippo Trocca, Principal di 3rdPlace
Sempre più spesso si sente parlare di Customer Lifetime Value (abbreviato CLV), ma molto di rado si spiega nel dettaglio cosa sia, perché è importante, ma soprattutto come usarlo.
Come calcolare il Customer Lifetime Value
La definizione più semplice: il CLV descrive il reale valore per l’azienda di ogni singolo cliente lungo il suo periodo di vita. Abbiamo introdotto due concetti, valore e periodo di vita, che potrebbero sembrare chiari, ma che se analizzati nel dettaglio hanno dei lati oscuri:
- Come si calcola il reale valore di un cliente?
- E come determino il periodo di vita di un cliente?
Da queste due domande sono nati diversi modelli per calcolare il Customer Llifetime Value, il più utilizzato è il Recency Frequency Monetary (RFM).
Questo modello segmenta gli utenti in base alle 3 diverse variabili alle base del proprio nome:
- Recency, quanti giorni sono passati dall’ultimo acquisto
- Frequency, quante volte l’utente ha acquistato
- Monetary, quanto l’utente ha speso con l’azienda
Il modello prevede altre due variabili per la modellazione:
- Il periodo di tempo di analisi (lookback period). Questo elemento dipende profondamente dalla tipologia di business dell’azienda e dalla vita media dei prodotti venduti. Ad un’azienda che vende automobili interessa analizzare un periodo di tempo lungo, in quanto un’auto viene utilizzata per anni. Diversamente, un’azienda come Amazon dovrà valutare con molta attenzione che periodo prendere in esame, infatti utilizzare anni di dati potrebbe portare ad un’analisi viziata per diversi tipi di prodotti, non guidati dalle stesse necessità temporali.
- Il numero di segmenti da utilizzare. Non ci interessa studiare il singolo utente, ma sempre gruppi di utenti simili per poter analizzare il loro comportamento. Solitamente si seleziona un numero di cluster compreso tra i 3 ed i 5, se fossero di più i risultati sarebbero meno interpretabili e di difficile azionabilità.
Con un numero di cluster uguale a 3 gli utenti verranno divisi tra 3 cluster per Recency, 3 cluster pre Frequency e 3 cluster per Monetary, portando il numero totale di sotto-cluster a 27.
Scegliendo 5 cluster avremo 125 sotto-cluster.
Date queste premesse, diventa molto importante scegliere il numero di cluster ed il periodo di tempo con attenzione in base al tipo di business, al comportamento degli utenti e alla numerosità dei clienti.
Qui sopra trovate i risultati di un’analisi con 4 cluster e una lockback period di 300 giorni.
Come vedete i 64 sotto-cluster possono essere raggruppati in 4 tipologie.
- Re-engage clients, gli utenti che dobbiamo far tornare sul sito perché è molto tempo che non si fanno vedere;
- High-Potential clients, sono clienti con potenziale ma che non hanno ancora raggiunto la categorizzazione di top Cliente;
- Frequent clients, clienti che tornano spesso, ma non hanno un valore di acquisto alto;
- Top clients, i nostri migliori clienti.
Inoltre l’analisi ci fornisce i valori iniziali (borders) di ogni cluster. Nell’esempio qua sotto vediamo i valori dei 4 cluster per Recency Frequency e Monetary, permettendoci di capire se la clusterizzazione è corretta oppure ha creato dei borders troppo vicini fra di loro. Ad esempio la Recency viene suddivisa in 4 clusters contenenti utenti che hanno effettuato l’ultimo acquisto fino a: 41, 120, 210, 300 giorni fa.
Come utilizzare il Customer Lifetime Value
Creati questi cluster, possono essere utilizzati naturalmente per analisi, CRM enrichment, oppure per capire come ottimizzare le campagne di advertising al meglio, ma sempre in modo indiretto.
Con DataLysm invece viene offerta la possibilità di azionare direttamente i risultati del LTV. E’ possibile attivare i 4 segmenti di pubblico individuati (Re-engage, High-potential, Frequent e Top Clients) con strategie diverse.
Per i segmenti Re-engage, High-potential e Frequent, dal momento che sono già clienti, è possibile fare il nuovo ingaggio in due modi:
- Direct marketing con promozioni e messaggi dedicati
- Remarketing con le principali soluzioni di advertising
Invece relativamente ai Top utilizziamo una soluzione di azionamento più creativa: non ci interessa infatti ricontattare tali clienti perché sono già molto attivi, ma ci sono utili per trovare clienti simili a questi, in gergo vogliamo individuare un segmento lookalike.
DataLysm si occupa di sincronizzare i dati con le piattaforme di email marketing o, se non ne avete una, vi mettiamo a disposizione la nostra; inoltre sincronizza tutti i segmenti con le principali piattaforme di advertising (Google Ads, Facebook Ads, Criteo, Google Display & Video 360).
Per utilizzare questi segmenti in remarketing risulta cruciale avere traffico sul proprio sito. Infatti, per attivare una campagna di advertising efficace, il segmento deve avere almeno 1000 utenti.
Per questo in DataLysm abbiamo creato un ulteriore modo di utilizzare i dati di Lifetime Value: sincronizzandoli fino al livello di singola keyword delle campagne Google Ads e permettendo di analizzare che tipo di clienti generano le campagne.
La tech company specializzata in performance marketing ByTek, parte del nostro stesso gruppo Datrix, sta usando con successo le potenzialità di DataLysm ed i risultati si vedono, come dimostra il recente business case di Bytek su Euronics selezionato come eccellente anche da Google.
