ML-Modelle schätzen den langfristigen Wert von Kunden und leiten Marketing-Investitionsentscheidungen.

Index

1. Einführung
2. Beschreibung des Datensatzes
3. Zielsetzung des Modells
4. Methodik
   • Datenvorbereitung
   • Modellerstellung
5. Ergebnisse
   • Visualisierungen
6. Maßnahmen zur CLV-Verbesserung
7. Zusammenfassung

1. Einführung

Die Bedeutung des Customer Lifetime Value (CLV) für Ihr Unternehmen.

Im digitalen Zeitalter ist es entscheidend, die Profitabilität Ihrer Kunden zu verstehen und vorherzusagen. Der Customer Lifetime Value (CLV) ist eine Kennzahl, die Ihnen genau dies ermöglicht. Sie hilft Ihnen, den langfristigen Wert Ihrer Kunden zu ermitteln und fundierte Entscheidungen für Marketingstrategien, Kundenakquisitionskosten und Kundenbindungsmaßnahmen zu treffen. In dieser Fallstudie zeige ich, wie die Berechnung des CLV Ihr Unternehmen voranbringen kann.

Berechnung

CLV & CAC Formel lautet:

CLV=Durchschnittlicher Bestellwert × Kaufhäufigkeit× Kundenlebensdauer

Kundenakquisitionskosten (CAC):

$$\text{CAC} = \frac{\text{Gesamtausgaben für Marketing und Vertrieb}}{\text{Anzahl der gewonnenen Kunden}}$$

Die obige Grafik zeigt, wie verschiedene Kostenfaktoren zu den Kundenakquisitionskosten (CAC) beitragen und wie diese wiederum den Customer Lifetime Value (CLTV) beeinflussen.

2. Beschreibung des Datensatzes

Anzahl der verkauften Einheiten. Negative Werte können auf Rücksendungen hinweisen.

Datum und Uhrzeit der Rechnungserstellung.

Preis pro Einheit. Negative Werte können auf Fehler oder Rückerstattungen hinweisen.

Eindeutige Kennung des Kunden.

3. Zielsetzung des Modells

4. Methodik

Methodik, Von der Datenvorbereitung bis zur Modellierung

Ich habe den Datensatz gründlich bereinigt und vorbereitet, um sicherzustellen, dass die Daten für die Modellierung geeignet sind. Dies umfasste die Entfernung von Ausreißern, die Handhabung fehlender Werte und die Berechnung zusätzlicher Metriken wie `TotalPrice` und `Recency`.

Datenvorbereitung

Fehlende Werte

Quantile Tabelle

Ausreißer Entfernen

Datenvorbereitung und Kundensegmentierung zur Berechnung des Customer Lifetime Value (CLV)

Das Ziel der Datenvorbereitung ist es, ein umfassendes Verständnis der Kaufhistorie und des Kaufverhaltens unserer Kunden zu gewinnen. Dies umfasst:

Identifikation von Transaktionsmustern: Erkennen, wie oft Kunden einkaufen und welche Artikel sie bevorzugen.

Berechnung des CLV: Nutzung von Modellen wie BG-NBD (Beta-Geometric/Negative Binomial Distribution) und Gamma-Gamma-Modellen, um den zukünftigen Wert eines Kunden auf Basis vergangener Transaktionen vorherzusagen.

Segmentierung der Kunden: Einteilung der Kunden in verschiedene Segmente basierend auf ihrem CLV, um gezielte Marketingstrategien zu entwickeln.

Überblick über den Datensatz

Der Datensatz umfasst 417.534 Beobachtungen und 13 Variablen. Diese Daten wurden sorgfältig analysiert und in verschiedene Kategorien unterteilt, um tiefere Einblicke zu gewinnen und die Kundenwertanalyse (Customer Lifetime Value, CLV) zu unterstützen.

Observations: 417534
Variables: 13
cat_cols: 3
num_cols: 6
cat_but_car: 4
num_but_cat: 2
Kategorische Spalten: ['Customer Segment', 'Year', 'DayOfWeek']
Numerische Spalten: ['Quantity', 'InvoiceDate', 'Price', 'Customer ID', 'Month', 'Day']
Cardinale Spalten: ['Invoice', 'StockCode', 'Description', 'Country']
Numerisch aber kategorisch: ['Year', 'DayOfWeek']
2010-12-09 20:01:00
2009-12-01 07:45:00

  Customer ID Customer Segment
0       13085.0        Mid-Value
12      13078.0       High-Value
31      15362.0        Mid-Value
54      18102.0       High-Value
71      12682.0       High-Value

Feature Engineering

Erstellung des CLTV-Datensatzes

in DataFrame (cltv_df) wird erstellt, der die notwendigen Kennzahlen für das Modell enthält: recency, T, frequency und monetary_value.

# Erstellen von cltv_df
today_date = df['InvoiceDate'].max() + pd.Timedelta(days=1)
cltv_df = df.groupby('Customer ID').agg({
    'InvoiceDate': [
        lambda x: (x.max() - x.min()).days,
        lambda x: (today_date - x.min()).days
    ],
    'Invoice': 'nunique',
    'TotalPrice': 'sum'
})

cltv_df.columns = ['recency', 'T', 'frequency', 'monetary_value']
cltv_df['monetary_value'] = cltv_df['monetary_value'] / cltv_df['frequency']
cltv_df = cltv_df[(cltv_df['frequency'] > 1) & (cltv_df['monetary_value'] > 0)]
cltv_df['recency'] = cltv_df['recency'] / 7
cltv_df['T'] = cltv_df['T'] / 7

Recency: Zeitspanne zwischen dem ersten und dem letzten Kauf.

T: Zeitspanne vom ersten Kauf bis zum Analysezeitpunkt.

Frequency: Anzahl der Einkäufe.

Monetary Value: Durchschnittlicher Transaktionswert.

                recency          T  frequency  monetary_value
Customer ID
12346.0      28.000000  51.571429         11       33.896364
12347.0       5.285714   5.714286          2      661.660000
12349.0      25.857143  32.142857          3      890.380000
12352.0       2.285714   4.000000          2      171.900000
12356.0       6.285714   8.571429          3     1187.416667

Modellerstellung und Bewertung

Die Daten werden in Trainings- und Testdatensätze aufgeteilt. Das BG/NBD-Modell und das Gamma-Gamma-Modell werden erstellt, um den CLV vorherzusagen.

BG-NBD (Beta-Geometric/Negative Binomial Distribution) Modell

Modellinitialisierung und Anpassung:

# Split in Trainings- und Testdaten
train, test = train_test_split(cltv_df, test_size=0.2, random_state=42)

# BG/NBD-Modell
bgf = BetaGeoFitter(penalizer_coef=0.001)
bgf.fit(train['frequency'], train['recency'], train['T'])

# Gamma-Gamma-Modell
ggf = GammaGammaFitter(penalizer_coef=0.01)
ggf.fit(train['frequency'], train['monetary_value'])

# CLV-Vorhersage
train['predicted_clv'] = ggf.customer_lifetime_value(
    bgf, 
    train['frequency'], 
    train['recency'], 
    train['T'], 
    train['monetary_value'], 
    time=6, 
    freq='W', 
    discount_rate=0.01
)

test['predicted_clv'] = ggf.customer_lifetime_value(
    bgf, 
    test['frequency'], 
    test['recency'], 
    test['T'], 
    test['monetary_value'], 
    time=6, 
    freq='W', 
    discount_rate=0.01
)

# Modellbewertung
def evaluate_model(actual, predicted):
    rmse = np.sqrt(mean_squared_error(actual, predicted))
    mae = mean_absolute_error(actual, predicted)
    r2 = r2_score(actual, predicted)
    print(f'RMSE: {rmse}')
    print(f'MAE: {mae}')
    print(f'R^2: {r2}')

evaluate_model(test['monetary_value'] * test['frequency'], test['predicted_clv'])

RMSE: 9687.49976096235
MAE: 1793.7058314731114
R^2: 0.6243720057132962

Das BG-NBD Modell wird initialisiert und an die Daten angepasst.

Es nutzt die Kaufhäufigkeit (frequency), die Zeit seit dem letzten Kauf (recency) und die Kundenlebensdauer (T).

Optimierung des BG/NBD-Modells

Hyperparameter für das BG/NBD-Modell werden optimiert, um die Genauigkeit zu verbessern.

# Manuelle Hyperparameter-Optimierung für BG/NBD-Modell
penalizer_coefs = [0.001, 0.01, 0.1, 1]
best_rmse = float('inf')
best_coef = None

for coef in penalizer_coefs:
    bgf = BetaGeoFitter(penalizer_coef=coef)
    bgf.fit(train['frequency'], train['recency'], train['T'])
    
    test['predicted_clv'] = ggf.customer_lifetime_value(
        bgf, 
        test['frequency'], 
        test['recency'], 
        test['T'], 
        test['monetary_value'], 
        time=6, 
        freq='W', 
        discount_rate=0.01
    )
    
    rmse = np.sqrt(mean_squared_error(test['monetary_value'] * test['frequency'], test['predicted_clv']))
    print(f'Penalizer Coef: {coef}, RMSE: {rmse}')
    
    if rmse < best_rmse:
        best_rmse = rmse
        best_coef = coef

print(f'Best Penalizer Coef: {best_coef}, Best RMSE: {best_rmse}')

Best Penalizer Coef: 1, Best RMSE: 9046.908875797037

Optimiertes Modell und Bewertung

Das optimierte BG/NBD-Modell wird verwendet, um die CLV-Vorhersagen zu verbessern. Eine ähnliche Optimierung wird für das Gamma-Gamma-Modell durchgeführt.

# Optimiertes Modell mit besten Parametern
bgf_optimized = BetaGeoFitter(penalizer_coef=best_coef)
bgf_optimized.fit(train['frequency'], train['recency'], train['T'])

# CLV-Vorhersage mit optimiertem Modell
train['optimized_predicted_clv'] = ggf.customer_lifetime_value(
    bgf_optimized, 
    train['frequency'], 
    train['recency'], 
    train['T'], 
    train['monetary_value'], 
    time=6, 
    freq='W', 
    discount_rate=0.01
)

test['optimized_predicted_clv'] = ggf.customer_lifetime_value(
    bgf_optimized, 
    test['frequency'], 
    test['recency'], 
    test['T'], 
    test['monetary_value'], 
    time=6, 
    freq='W', 
    discount_rate=0.01
)

# Bewertung des optimierten Modells
evaluate_model(test['monetary_value'] * test['frequency'], test['optimized_predicted_clv'])

# Visualisierung der Ergebnisse
plt.figure(figsize=(10, 6))
sns.scatterplot(x=test['monetary_value'] * test['frequency'], y=test['optimized_predicted_clv'], alpha=0.5)
plt.plot([test['monetary_value'].min() * test['frequency'].min(), test['monetary_value'].max() * test['frequency'].max()], 
         [test['monetary_value'].min() * test['frequency'].min(), test['optimized_predicted_clv'].max()], 'r--', linewidth=2)
plt.title('Tatsächlicher CLV vs. Prädiktiver CLV mit optimiertem Modell')
plt.xlabel('Tatsächlicher CLV')
plt.ylabel('Prädiktiver CLV')
plt.show()

Details

Der Graph zeigt den Vergleich zwischen dem tatsächlichen Customer Lifetime Value (CLV) und dem prädiktiven CLV, der durch das optimierte Modell berechnet wurde. Auf der x-Achse befindet sich der tatsächliche CLV, während die y-Achse den prädiktiven CLV darstellt. Die rote gestrichelte Linie repräsentiert die Linie, auf der die prädiktiven Werte den tatsächlichen Werten exakt entsprechen würden (Ideal- oder Diagonallinie).

Wichtige Beobachtungen:

1. Konvergenz zur Ideal-Linie: Ein Großteil der Punkte liegt nahe an der Ideal-Linie, was darauf hinweist, dass das Modell in vielen Fällen sehr genaue Vorhersagen trifft.
2. Ausreißer: Es gibt einige Punkte, die weit von der Ideal-Linie entfernt sind. Diese Ausreißer zeigen, dass das Modell in einigen Fällen den tatsächlichen CLV nicht genau vorhersagen konnte. Dies könnte auf außergewöhnliche Kundenverhalten oder unzureichende Daten zurückzuführen sein.
3. Verteilung der Daten: Die meisten Datenpunkte befinden sich im unteren linken Bereich des Diagramms, was darauf hinweist, dass die meisten Kunden einen relativ niedrigen CLV haben. Dies ist ein typisches Muster in vielen Geschäftsmodellen, wo eine kleine Anzahl von Kunden einen hohen CLV hat.

Details

Der Graph zeigt den Vergleich zwischen dem tatsächlichen Customer Lifetime Value (CLV) und dem prädiktiven CLV, der durch das optimierte Gamma-Gamma Modell berechnet wurde. Auf der x-Achse befindet sich der tatsächliche CLV, während die y-Achse den prädiktiven CLV darstellt. Die rote gestrichelte Linie repräsentiert die Linie, auf der die prädiktiven Werte den tatsächlichen Werten exakt entsprechen würden (Ideal- oder Diagonallinie).

Wichtige Beobachtungen:

1. Konvergenz zur Ideal-Linie: Ein Großteil der Punkte liegt nahe an der Ideal-Linie, was darauf hinweist, dass das Modell in vielen Fällen sehr genaue Vorhersagen trifft.
2. Ausreißer: Es gibt einige Punkte, die weit von der Ideal-Linie entfernt sind. Diese Ausreißer zeigen, dass das Modell in einigen Fällen den tatsächlichen CLV nicht genau vorhersagen konnte. Dies könnte auf außergewöhnliche Kundenverhalten oder unzureichende Daten zurückzuführen sein.
3. Verteilung der Daten: Die meisten Datenpunkte befinden sich im unteren linken Bereich des Diagramms, was darauf hinweist, dass die meisten Kunden einen relativ niedrigen CLV haben. Dies ist ein typisches Muster in vielen Geschäftsmodellen, wo eine kleine Anzahl von Kunden einen hohen CLV hat.

Visualisierung der periodischen Transaktionen:

# Visualisierung der Frequenz von Wiederholungstransaktionen
def plot_repeat_transactions(bgf):
    plt.figure(figsize=(10, 6))
    plot_period_transactions(bgf)
    plt.title('Frequency of Repeat Transactions')
    plt.xlabel('Number of Calibration Period Transactions')
    plt.ylabel('Customers')
    plt.legend(['Actual', 'Model'])
    plt.show()

plot_repeat_transactions(bgf)

5. Ergebnisse

Visualisierungen

Ergebnisse: Einblicke in den Customer Lifetime Value

Unsere Analyse ergab, dass die meisten Kunden einen moderaten CLV haben, während eine kleine Gruppe von Kunden einen sehr hohen CLV aufweist. Diese Erkenntnisse halfen uns, gezielte Marketingmaßnahmen zu entwickeln.

Das dargestellte Diagramm zeigt die Verteilung des Customer Lifetime Value (CLV) für die analysierten Kunden. Hier sind die wesentlichen Merkmale des Diagramms:

Details

Achsenbeschriftung:

• Die x-Achse repräsentiert den Customer Lifetime Value (CLV), also den geschätzten Gesamtwert, den ein Kunde während seiner gesamten Geschäftsbeziehung generieren wird.
• Die y-Achse zeigt die Häufigkeit der Kunden mit einem bestimmten CLV.

Verteilung:

• Das Histogramm weist eine stark rechtsschiefe Verteilung auf, was bedeutet, dass die Mehrheit der Kunden einen sehr niedrigen CLV hat.
• Ein großer Peak befindet sich bei einem CLV nahe null, was darauf hinweist, dass viele Kunden nur geringe Umsätze generieren.
• Der CLV-Wert fällt schnell ab, und nur wenige Kunden erreichen hohe CLV-Werte.

Häufigkeit:

• Die Häufigkeit der Kunden mit niedrigen CLV-Werten ist extrem hoch, während die Anzahl der Kunden mit hohen CLV-Werten sehr gering ist.

Niedrige CLV-Werte: Die meisten Kunden generieren nur geringe Umsätze und haben einen niedrigen CLV. Diese Kunden könnten Gelegenheitskäufer oder Kunden mit niedriger Kaufhäufigkeit sein.

Hohe CLV-Werte: Eine kleine Anzahl von Kunden zeigt einen sehr hohen CLV. Diese Kunden sind wertvoll für das Unternehmen, da sie häufiger kaufen und höhere Umsätze generieren.

Das dargestellte Diagramm zeigt die Verteilung der Kunden in verschiedene Customer Lifetime Value (CLV)-Segmente. Hier sind die wesentlichen Merkmale des Diagramms:

Details

Achsenbeschriftung:

• Die x-Achse repräsentiert die CLV-Segmente: “Low-Value”, “Mid-Value” und “High-Value”.
• Die y-Achse zeigt die Anzahl der Kunden in den jeweiligen Segmenten.

Verteilung der Segmente:

• Low-Value: Die Mehrheit der Kunden fällt in das “Low-Value”-Segment. Diese Kunden generieren vergleichsweise niedrige Umsätze.
• Mid-Value: Eine moderate Anzahl von Kunden befindet sich im “Mid-Value”-Segment. Diese Kunden haben einen mittleren CLV.
• High-Value: Eine kleinere Gruppe von Kunden gehört zum “High-Value”-Segment. Diese Kunden sind besonders wertvoll, da sie hohe Umsätze generieren.

Häufigkeit:

Das “Low-Value”-Segment hat die höchste Anzahl von Kunden, was darauf hinweist, dass viele Kunden nur geringe Umsätze generieren.

Das “Mid-Value”-Segment hat eine mittlere Anzahl von Kunden.

Das “High-Value”-Segment hat die geringste Anzahl von Kunden, was auf eine kleine, aber sehr wertvolle Kundengruppe hinweist.

Schlussfolgerungen:

Fokus auf High-Value-Kunden: Das Unternehmen sollte Maßnahmen ergreifen, um diese wertvollen Kunden zu halten und deren Loyalität zu fördern. Personalisierte Angebote, Treueprogramme und gezieltes Marketing könnten hier besonders effektiv sein.

Verbesserung der Kundenbindung: Strategien sollten entwickelt werden, um Kunden aus den “Low-Value”- und “Mid-Value”-Segmenten zu fördern und zu höheren Umsätzen zu bewegen.

Regelmäßige Analyse und Anpassung: Die Segmentierung sollte regelmäßig überprüft und angepasst werden, um neue Trends zu erkennen und die Marketingstrategien entsprechend anzupassen.

6. Maßnahmen zur CLV-Verbesserung

Basierend auf unseren Ergebnissen empfehlen wir gezielte Maßnahmen zur Kundenbindung und -gewinnung. Für Kunden mit hohem CLV sollten exklusive Angebote und personalisierte Marketingstrategien entwickelt werden, während für Kunden mit niedrigem CLV Maßnahmen zur Steigerung des Engagements und zur Umsatzsteigerung ergriffen werden sollten.

7. Zusammenfassung

Erfahren Sie mehr über die Vorteile der CLV-Berechnung

Möchten Sie mehr darüber erfahren, wie die Berechnung des CLV Ihr Unternehmen voranbringen kann? Kontaktieren Sie mich noch heute und entdecken Sie die Vorteile einer datengestützten Marketingstrategie.

Kontaktieren Sie mich

Kostenlose Beratung anfordern

Fordern Sie Ihr individuelles Angebot an.

EINFACH & UNVERBINDLICH

Füllen Sie unser Formular aus, und wir senden Ihnen umgehend ein maßgeschneidertes Angebot.

Thema AuswählenMaschinelles Learnen LösungenPerformance Digital MarketingOutsourcingEinfach Hallo