分析から実際の応用へ：顧客生涯価値の事例

From analysis to practical application A case study on customer lifetime value.

CLV技術と現実世界のユースケースに関する包括的で実践的なガイドの第1部

データサイエンティスト、マーケター、またはデータリーダーであるかどうかに関係なく、おそらく「Customer Lifetime Value（顧客の生涯価値）」というキーワードで検索したことがあるかもしれません。しかし、あなたは失望したかもしれません。私も同じように感じました。以前、電子商取引分野におけるデータサイエンスチームでCLVの研究を主導していた時に、最先端の手法を探しましたが、Googleは現実離れした整えられたデータセットでの基本的なチュートリアルやCLVに対する曖昧で想像力に欠けるマーケティング記事しか返さなかったのです。実際のデータやクライアントに適用する際の利点と欠点については何もありませんでした。私たちはそれを独自に学びましたが、今ではそれを共有したいと思っています。

抜けているCLVチュートリアルの内容をすべて紹介します。

この記事では、以下の内容をカバーします：

• CLVとは何か？（この部分はおそらくすでに知っていると思いますが、簡潔に説明します）
• CLVの予測が本当に必要なのか？それとも過去のCLVを計算するだけで十分なのか？
• 過去のCLV情報を他のビジネスデータと組み合わせることで、企業は何を得ることができるのか？

このシリーズの残りの部分では、以下を紹介します：

• CLV予測のための活用方法
• CLVの計算と予測の方法、およびそれらの利点と欠点
• 正しく使用するための学びのポイント

また、データサイエンスのベストプラクティスもいくつか紹介します。計画になりましたか？それでは、始めましょう！

• Pythonを使用したウェブサイトモニタリングによるリアルタイムインサイトの強化
• Spotifyで学んだ初級データサイエンティストのための5つの重要なレッスン（パート1）
• Spotifyで学んだ初心者データサイエンティストのための5つの重要なレッスン（パート2）

顧客生涯価値とは何ですか？

顧客生涯価値（Customer Lifetime Value）とは、顧客が小売業者との間で最初の購入から最後の購入までの間に生成する価値のことです。この「価値」とは純粋な収益、つまり顧客が支出した金額と定義することができます。しかし、私の電子商取引の経験からは、成熟した小売業者ほど短期的な収益よりも長期的な利益に重点を置いています。したがって、彼らは「価値」を収益からコストを差し引いたものと考える傾向があります。しかし、第2部では、差し引くべきコストを把握することが簡単ではないことがわかります…

計算 vs 予測？

経験豊富なR&Dチームは、新しいデータサイエンスプロジェクトではシンプルに始めるのがベストだと知っています。CLVに関しては、これは過去のトランザクションを使用してこれまでの生涯価値を計算するという「簡単な」方法です。例えば、次のようなことができます：

• すべての顧客の平均を計算する、または
• 人口統計グループごとに平均を計算するなど、論理的なセグメントを基に平均を計算する。

このような過去の視点から得られる情報は、小売業者のマーケティングや購買（つまり、在庫管理）チームにとっても多くの利用価値があります。実際、会社のデータリテラシーレベルと利用可能なリソースによっては、これだけでも十分な場合もあります（少なくともスタートするためには）。さらに、データサイエンティストは、会社の顧客の典型的な支出パターンを把握することができるため、後で個別の顧客ごとに将来のCLVを予測する必要がある場合には非常に貴重な情報になります。

過去のCLVの洞察が必要か、将来の予測が必要かを判断するために、会社とあなたがどちらが必要かを決定するのに役立つため、それぞれのユースケースを見てみましょう。なぜなら、マーケティング、管理、データサイエンスチームがプロジェクトの成果物の利用方法について最初から合意していることが、間違ったものを作らないための最良の方法だからです。

他のビジネスデータとCLV情報を組み合わせる

多くのチュートリアルでは、CLV予測の顧客単位での使用方法についてのみ説明されています。明らかなユースケース、例えば「予測された低支出者を再び購買に導くための試み」などがリストアップされています。しかし、可能性はそれ以上に広がっています。

CLV情報を計算または予測によって取得した場合、他のデータと組み合わせることでそのビジネス価値を高めることができます。必要なのは、顧客ごとにCLV値またはある種のCLVレベルスコア（たとえば「高」「普通」「低」など）があればよいです。その後、次のような他の情報源と結合することができます。

• 顧客が購入している商品
• 使用している販売チャネル（店舗、オンラインなど）
• 返品情報
• 配送時間
• その他

以下に示すように、それぞれのボックスはデータテーブルとその列名を示しています。各テーブルにはCustomer_IDが含まれていることに注目してください。これにより、それらをすべて結合することができます。CLV_Infoテーブルの列については、パート3で説明します。まず、ユースケースを約束します。

過去のCLV計算の利用

これまでのところ、顧客の総支出額で顧客をランク付けし、いくつかの方法でセグメント化しました。たとえば、マーケティングチームからTop 10%の支出者、中間20%、および下位70%のデータに分割するように求められたかもしれません。おそらく、世界中にオンラインショップを持っている場合、国ごとに顧客ベースのサブグループでこれを複数回行ったかもしれません。そして、上記で説明したように、他のビジネスデータと組み合わせた場合を想像してみてください。あなたの会社はこの情報をどのように活用できるでしょうか？

正直に言いますと、データに対してたくさんの質問をすることができ、その回答を使ってできることもたくさんあります。私にはあなたのドメイン知識がないので、それをすべて網羅することはできません。しかし、次の数節で、データ主導のマーケターのように考えるためのいくつかのアイデアを提供します。これをさらに進めてください…：

CLVセグメントとそのニーズを探索する

• トップ層の顧客には何が特別なのでしょうか？非常に規則的で控えめな支出者ですか？それとも、より頻繁には買い物をしないが、取引ごとにより多く支出するのでしょうか？これにより、マーケティングチームと在庫チームは、本当に獲得したい顧客のタイプを特定することができます。そして、それに応じてマーケティングと顧客サービスの取り組み、在庫と製品のプロモーションを計画できます。
• 下位層のショッパーのコストが高く、もしくは収益が低いのはなぜでしょうか？彼らは常に激安で商品を購入しているだけですか？常に返品しているだけですか？それともクレジットで購入し、時間通りに支払っていないだけですか？明らかに製品と顧客のフィットが悪いようですが、異なる商品を提示することで改善できるでしょうか？また別の質問ですが、下位層の顧客は常に1つの商品を購入してから二度と買い物をしないのでしょうか？おそらくそれは「毒となる商品」であり、在庫から削除すべきです。
• 高いCLVの顧客はより満足していますか？なぜですか？たとえば、衣料品小売業者で、顧客がアカウントにサイズ情報を保存するオプションがあるとします。これにより、ログインした顧客が商品をカートに追加しようとするとき、オンラインストアでサイズの推奨をすることができます。また、高いCLVの顧客のほとんどがサイズを保存しており、返品が少ないことに気付きます。したがって、推奨によって、返品率を低下させ、顧客満足度を向上させ、ショッパーの忠誠心を高めることができると疑っています。
• この情報をどのように活用できるでしょうか？たとえば、ウェブサイトチームはユーザーにサイズ情報の追加を促すプロンプトを追加することができます。理想的には、これにより収益が増加し、コストが減少し、顧客満足度が向上しますが、本当にデータ主導である場合は、この変更をA/Bテストしたいと思うでしょう。これにより、外部の影響を制御し、「ガードレール」のメトリックに注意しながら、影響を測定できます。A/Bテスト中に変化してほしくないメトリック、例えばアカウントの削除数などです。

デモグラフィックスの調査

前のセクションではCLVの階層について説明しましたが、今回は年齢層、性別、場所などに基づいた異なる顧客のサブグループについて言及します。2つの方法があります。

1. まずは全顧客ベースで上記のCLV分析を実施し、その後サブグループがCLVの階層にどのように分布しているかを確認します。

2. まずサブグループに分割し、それぞれのCLV分析を行います。

または、両方のアプローチを試してみることもできます！ビジネスのニーズと利用可能なリソースによります。しかし、興味深い質問がたくさんあります：

• どのようなサブグループがありますか？ さきほど挙げた当たり前のサブグループは忘れましょう。クリエイティブに考えましょう。例えば、顧客を元の獲得チャネル別、または現在最も使用しているチャネル別に分割することができます。オンライン対対面、アプリ対ウェブサイトなどです。提供している場合は、会員レベル別に分割することもできます。ウェブストアのトラッキングクッキーを使用して、好まれるショッピングデバイス別に分割することさえできます。なぜなら、たとえばモバイルベースのショッパーは、大きな購入はデスクトップで行いたいという理由で、バスケットの価値が低いかもしれません。ドメインの知識を積み重ねるほど、分析や（必要に応じて）機械学習の取り組みが向上します。
• 顧客のサブグループごとの購買行動の違いは何ですか？ いつショッピングをするのか？どれくらい頻繁に？いくらの金額で？プロモーションやクロスセルによく反応しますか？どれくらいの期間忠実ですか？顧客のライフタイムの初めに頻繁に費やし、それから減少するのか、それとも別のパターンなのか？このような情報は、マーケティング活動の計画や将来の収益の見積もりに役立ちます。その重要性は説明する必要はないでしょう…
• 「典型的な」顧客の旅程は何ですか？ 新規顧客のほとんどを実店舗で獲得していますか？それはあなたの店舗が優れているが、ウェブサイトが駄目なのでしょうか？または、インストアの従業員の方が、ウェブサイトよりも会員登録に人を誘導するのが上手ですか？いずれにしても、ウェブサイトの改善を試したり、少なくとも広告を掲載するチャネルを賢く選んだりすることができます。新規顧客向けのオファーやニュースレターのサインアップ割引、友達紹介などは、高CLV顧客の確保に対して十分な数の顧客を引き付けていますか？そうでない場合は、それらのキャンペーンを見直す時が来ています。

オファリングとマーケティングの工夫をしましょう

• 顧客をよりよく理解することで、より良いサービスを提供できます。 小売業者にとっては、最も優れた顧客が好む製品を在庫することが含まれるかもしれません。モバイル電話プロバイダーは、高CLV顧客が使用しているサービスを改善することができます。もちろん、顧客が嫌いな変更を導入しないようにするために、変更をA/Bテストする必要があります。そして、低CLV顧客を見捨てずに、何がうまくいかないのかを調査し、改善策を見つけましょう。
• 同様に、顧客を理解することで、彼らの言葉を話すことができます。 正しいタイミングで、適切なチャネルで適切な広告を表示することで、望む顧客を獲得し、あなたと一緒にショッピングしたいと思う顧客を獲得できます。

顧客獲得にいくら費やすべきかを知る

• しばらくその店で買い物をしないと、なぜ会社からメールが届くのか疑問に思ったことはありませんか？それは顧客獲得には費用がかかるため、あなたを失いたくないからです。また、あなたが1つのeコマースサイトを閲覧すると、その商品がインターネット上で追いかけてくるのは同じ理由です。それらは「プログラマティック広告」と呼ばれ、会社がその最初のクリックに対して支払いを行い、まだあなたを手放したくないから表示されます。
• 小売業者として、ただ顧客を獲得するためにお金を投げ込むのではなく、高い価値を持つ顧客を獲得して維持したいのです： 長い期間にわたって忠実で良い収益を生み出す顧客です。過去のCLVを計算することで、いつ各顧客が獲得コストを「返済」したかを計算することもできます。平均は何か、どのCLVの階層や顧客デモグラフィックグループが最も早く返済されるのか？これを知ることは、マーケティングチームが顧客獲得キャンペーンの予算を立て、新規顧客の歓迎フロー（つまり、新しいショップでの初回購入後に受けるメール）を改善し、早期のエンゲージメントを向上させ、返済期間を改善するのに役立ちます。

時間経過に伴うパフォーマンスのトラッキング

• 傾向を特定するために再評価する。 ビジネスや市場は変化し続けますが、小売業者のコントロールを超えています。歴史的なCLVを定期的に再計算することで、顧客とそのニーズ、そしてそれに応えているかどうかを理解し続けることができます。分析をいつ頻繁に再実行すべきかは、通常の販売と顧客獲得の速度によって異なります。たとえば、スーパーマーケットは家具ディーラーよりも頻繁に再評価するかもしれません。また、ビジネスが実際に新しいCLV情報を取得し、データに基づいた意思決定に使用できる頻度にも依存します。
• 改善するために再評価する。 定期的にCLVを再計算することで、ますます価値のある顧客を獲得していることを確認できます。また、大きな戦略変更を導入した後は、数値を誤った方向に送らないようにするために、追加の評価を実行することも忘れないでください。

CLV予測についてはどうなのでしょうか…？

わかりました、わかりました…機械学習について話したいですし、CLV予測をどのように活用できるかも知りたいですね。しかし、この投稿はすでに長いので、次回までお預けにします。次回では、チームが実際のデータを使用して歴史的なCLVをモデル化し、将来のCLVを予測する方法についての教訓をまとめます。その後、利用可能なモデリングと予測方法の利点と欠点についても取り上げます。それについてのリマインダーが必要な場合は、忘れずに購読してください。次回お会いしましょう！

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!