Дисконтированный LTV по Байесу — точная оценка маркетинговых затрат

Существует множество методик оценки маркетинговых затрат:

Зачастую, при оценке маркетингового бюджета не учитываются два фундаментальных понятия в маркетинге и корпоративных финансах: Стоимость денег во времени (NPV), и Пожизненная выручка с клиента (LTV). Плюс, не всегда рассматривается потенциальный отток свежепривлеченного клиента после первой транзакции.

Для решения данных проблем представляю вам формулу Дисконтированного LTV по Байесу. С математической точки зрения формула состоит из 3 частей:

Она состоит из трех частей, что является объединением вышеупомянутых понятий "Стоимость денег во времени" — NPV и "Пожизненная выручка с клиента" — LTV, с корректировкой по теореме Байеса.

1. Прибыль с клиента (Доходы - Расходы)

2. Дисконтный множитель (1/1+r)ⁿ

3. Байесовская вероятность дожития (P(B|A) × P(A) / P(B))

Подобный расчет позволяет оценить эффективность маркетингового инструмента по:

1. Возвратности инвестиций (сравнение с бенчмарком),

2. Скорости оборачиваемости (n-периодов дисконтирования),

3. Объему оттока (доля churn после первой сделки)

Например: Мы готовим рекламную/маркетинговую компанию и для формирования бюджета и оценки привлекательности необходимо соотнести затраты на привлечение с ожидаемыми продажами.

В обычном варианте мы получаем усредненную выручку с клиента, деленную на стоимость привлечения. После чего мы сравниваем коэффициент с заданной в нашей компании нормой и принимаем решение выгодно ли нам привлечение. Однако, подобный подход не учитывает, во-первых, сколько приносит единожды привлеченный клиент, во-вторых, как текущая инфляция обесценит наши доходы от продаж, в-третьих, какова конверсия клиентов в повторную покупку, при условии, что они уже были привлечены до этого.

Допущения: Отталкиваясь из условия того, что клиенты ведут себя неслучайным т.е. немарковским образом, когда вероятность последующей сделки зависит от предшествующей транзакционной активности, в формулу дисконтированного LTV добавляется Байесовская вероятностная модель.

Где:

P(A) — доля вторых покупок в общем объеме сделок;

P(B) — вероятность сделки (конверсия);

P(A|B) — вероятность будущей сделки А при текущей сделке В (оценка потенциала клиента);

P(B|A) — вероятность сделки В при уже совершенной повторной сделке А (суммарная доля повторных покупок).

Как показано на изображении, у нас есть некоторое распределение со следующими вводными данными:

t = 1 период (интервал прогнозирования);

R-C = 1.000 у.е. (прибыль с клиента);

P(A|B) = 0,263 (вероятность повторных сделок);

P(A) = 0,2766 (доля повторных покупок в общем объеме сделок);

P(B) = 0,417 (конверсия в сделку от общего объема клиентов);

P(B|A) = 0,397 (сумма долей последующих после первой покупок: мы суммируем вероятности событий, которые не могут происходить одновременно).

В то же время, поскольку вероятность последующих покупок можно назвать зависимой от предыдущей транзакционной истории, процесс оценки будущей конверсии принимается как немарковский, и расчет производится через произведение вероятностей.

Иными словами: совершая сделку, клиент переходит в новое состояние, вероятность которого равна отношению произведения доли вторых покупок с суммарной вероятностью следующих покупок к конверсии.

Так, в результате мы получаем:

1000 * (1 + 0,263) / (1 + 0,1) = 1148,18

Сайт:

Телеграм: