Убийцы и драйверы LTV: автоматически выявляем причины изменений и проверяем прогнозы воздействий по истории продаж

Долгосрочная доходность клиента (LifeTime Value, LTV, CLTV) — самый важный и сложный показатель, не зависящий от размеров бизнеса. Делимся кейсами влияния на LTV, по которым истёк срок конфиденциальности. Это первая статья на vc.ru, просьба пинать конструктивно, если какая-то тема не раскрыта или интересна — пишите, будем дополнять.

Даже если отвлечься от важности самих доходов, прогноз LTV напрямую отражает перспективы долгосрочных отношений с имеющимися покупателями – а значит, их доверие, лояльность (и все их бонусы для привлечения вроде рекомендаций знакомым). К сожалению, из-за сложности, на операционном уровне его вытесняют краткосрочные метрики, и долгосрочное выстраивание отношений с покупателями упускается из вида.

В идеале, нужно оперативно выявлять все причины изменения LTV, возможный результат влияния на которые существенно превышает расходы. Это может быть отказ от неподходящего ассортимента, разочаровывающего покупателей, устранение проблем с персоналом или логистикой, своевременные спецпредложения покупателям - например, пробники, нацеленные не на моментальную прибыль, а на долгосрочные отношения, и другие “управленческие воздействия”.

Но как на практике измерять и повышать LTV, если:

• Доходность известна только за ограниченное время
• Общей причиной действий сотрудников и изменений LTV может быть множество внешних и внутренних факторов
  
• Контрольных групп обычно нет
  
• Статистики по конкретным вариантам упаковки (SKU) мало
• Покупатели не могут и не обязаны объяснять собственное поведение
• Не все покупатели идентифицированы (например, в интернет-магазине или программе лояльности)
• И как автоматизировать влияние на причины LTV, исключая человеческий фактор?

Неизбежный естественный отток покупателей (переезд, смена работы, состава семьи, а также потеря бонусной/дисконтной карты и т.д.) снижает вклад отдалённых периодов в общий доход от покупателя - обычно на несколько процентов в неделю. В итоге практически весь доход от покупателей из LTV чаще всего складывается за первые несколько месяцев или год.

Поэтому отличие LTV в группах воздействия и контроля за ближайшие месяцы или недели уже часто позволяет оценить, каким может быть полное долгосрочное изменение, хотя бы в оценке снизу.

Например, для сети АЗС мы проводили акцию с дополнительными бонусами на маржинальные товары – в тщательно подобранных поведенческих сегментах: сначала экспертно подбирались потенциальные новые потребители дорогого топлива, потом по результатам LifeStyle Segmentation по всем возможным поведенческим характеристикам обнаружил и исключил убыточные сегменты с негативным долгосрочным результатом – в т.ч. ночных таксистов - "бомбил" с канистрами и корпоративных клиентов, начислявших бонусы на личные карты.

На графике результатов видно и влияние внешних причин (провалы в гололёд и сезонность), и естественный отток покупателей - как в стратифицированной контрольной группе, изначально однородной по важным показателям, так и в группе воздействия. А по суммарной разнице доходности между группами можно оценить полный финансовый результат в течение акции и после её завершения.

Таким образом, за несколько недель или месяцев после воздействия можно хотя бы снизу оценить как LTV, так и его изменение – если была выделена достаточно большая и однородная контрольная группа.

Часто результат хоть и изменяется одновременно с действиями сотрудников, но не зависит от них, а они вместе зависят от общей внешней причины. Например, продажи шампанского и мандаринов у одного клиента парадоксально росли одновременно с ценой, что аналитическая система моментально и обнаружила. Причина, конечно, была внешняя – в сезонном новогоднем спросе, от которого повышались и продажи, и цена. И несвоевременное повышение цен в другое время на основе примитивного анализа, естественно, только оттолкнуло бы покупателей.

Другой клиент был очень доволен повышением доходов АЗС при проведении промо-акции и собирался уже запускать её на всю сеть, но вовремя обратил внимание на ремонт на соседней АЗС – что и было внешней причиной повышения доходов.

Поэтому если есть вероятность, что контрольная группа не однородна или её нет, прогнозная система учитывает эту вероятность: формирует и исключает возможные гипотезы влияния внешних причин на основе всех имеющихся данных (и соответственно ужесточает доверительные вероятности, отсеивая сомнительные результаты).

В сети обувных магазинов после рассылок СМС с обещанием гигантских бонусов на часть марок обуви, запрошенные отчёты измеряли продажи только этих марок за период акции. Изменение продаж остального ассортимента и долгосрочные результаты рассылок клиента не интересовали: им нужно было просто отчитаться перед спонсором-поставщиком.

Позже анализ товаров-драйверов показал, что часть именно этих марок снижает LTV клиентов. Скорее всего, само продвижение потребовалось именно по причине низкого качества и соответствующих низких продаж этой обуви – вместо отправки партии в дискаунтер, поставщик решил провести промо-акцию от имени и за счёт доверия покупателей к торговой сети.

Анализ товаров-драйверов использует перебои поставок чтобы смоделировать реакцию лояльных покупателей на исключение любимых товаров из ассортимента.

Например, в сети закусочных снижение LTV при отсутствии в продаже любимых напитков (в сравнении с контрольной группой) оказалось в 9-13 раз больше наценки на сам напиток.

На графике “Кофе Эспрессо” видно, что текущая покупка даже увеличивалась – при отсутствии любимого напитка покупатель выбирал более дорогой вариант, но в следующие недели общая доходность снижалась намного больше.

Но по части “любимых” товаров эффект был обратный – при отсутствии их в продаже покупатели удачно переходили на другие варианты и, судя по повторным покупкам, не жалели об этом.

На графике с французскими хот-догами – пример такой ситуации, когда отсутствие товара в продаже лучше для повторных покупок, чем его наличие – прямо из анекдота “не все йогурты одинаково полезны" – после некоторых клиенты не возвращаются.

То есть всё время, когда такие товары есть в продаже, они убивают будущую доходность покупателей.

Возможно, у производителя ухудшилось качество или товар портится при доставке – но покупатели “голосуют рублём” в следующих покупках, и наша проблема если мы этот голос не слышим.

Поэтому прежде чем продвигать, убирать или менять логистику товаров, важно проверить их влияние на полную будущую доходность покупателей.

Но принимать решения можно только после проверки, что по конкретному случаю достаточно статистики, не было внешней причины и т.д. По конкретному варианту хот-дога было всего 47 случаев отсутствия любимого товара в продаже, и видны существенные колебания доходности во времени. Всего же в истории продаж несколько десятков наименований хот-догов разных размеров, начинок и соусов.

Поэтому события по всем покупателям, товарам и возможным воздействиям с общими характеристиками по ключевым фразам в описаниях обобщаются в прогнозной подсистеме, где все статистические перекосы, проверки и поправки автоматически учитываются, выявляются общие закономерности, и только после этого прогнозная модель загружается в процессинговую систему.

По отдельным SKU (вариантам упаковки) статистики продаж обычно мало. Но в их описании содержатся ключевые фразы, позволяющие выделять широкие категории товаров, по схожей реакции покупателей (для которых они и написаны).

По каждому наблюдению формируются тысячи поведенческих характеристик покупателя за разные периоды времени, и десятки характеристик воздействия.

Каждое значение характеристики в подсегменте – гипотеза о дальнейшей сегментации покупателей, событий или воздействий, или о добавлении дополнительных зависимостей. Все они проверяются с доверительной вероятностью, скорректированную на количество гипотез. Наиболее важные гипотезы по превышению над доверительным интервалом входят в прогнозную модель:

Несмотря на неготовность покупателей объяснять своё поведение (тем более – если им ясно что эта информация будет использоваться не для долгосрочного сотрудничества, а для манипуляции) фактическое поведение покупательских сегментов достаточно предсказуемо.

Но со временем оно изменяется, иногда – существенно. Прогнозная модель, конечно, учтёт дату наблюдений (условие с [Days before] на скриншоте выше) и не будет использовать для будущих прогнозов устаревшие тренды, но качество прогноза всё равно упадёт.

Поэтому при принятии управленческих решений важно понять устойчивость прогнозов влияния воздействий - соответствуют ли они фактическим данным за следующие периоды?

Для уверенности в устойчивости прогнозов, система формирует несколько исторических срезов, в каждом из которых прогнозы по прошлым данным сверяются с фактами по будущим.

Например, на графике разделены фактические результаты при позитивных и при негативных прогнозах изменения доходности покупателей за 5 следующих недель по сравнению с 5 предыдущими из-за проблем с доставкой товаров по данным сети закусочных по десяти месячным срезам. Как видно, фактические результаты при позитивных прогнозах стабильно выше примерно на 200 рублей, чем при негативных (в первом месяце ещё выше, но там меньше всего обучающих данных):

Поэтому исправление проблем с доставкой важных товаров-драйверов LTV позволило бы ежемесячно повышать доход как минимум на 200 рублей на лояльного покупателя (даже если он не участник программы лояльности).

Плюс можно начинать экономить на логистике неподходящих товаров – после приобретения которых LTV снижается на фоне контрольной группы. Это, скорее всего, также повысит доходность, но и даст по ним больше ситуаций отсутствия в продаже, то есть статистики воздействий с уже точно известной причиной для взвешенного принятия решений исключению из ассортимента – и, возможно, не на всех точках продаж.

Обычно меньше половины продаж делается в программе лояльности. Но в ней есть представители из большинства важных поведенческих сегментов, поэтому полученные данные полезны и для улучшения обслуживания анонимных покупателей – не участников программы.

Поэтому планируемые результаты корректировки ассортимента и других воздействий нужно масштабировать на всю клиентскую базу, что многократно увеличивает экономический эффект.

Выявление товаров-убийц и драйверов LTV нужно автоматизировать и ставить на поток. Как и продвижение лучших драйверов LTV с учётом бюджетов от поставщиков – и, конечно, в наиболее подходящие потребительские сегменты.

Для начала такого анализа достаточно сырых данных продаж идентифицированных покупателей, например - в интернет-магазине, банке или в программе лояльности.

Но, к сожалению, краткосрочные метрики вроде продаж акционных товаров за время акции – для этого не годятся. Любой сотрудник или алгоритм, задача которого максимизировать краткосрочные метрики – будет вынужден это делать правдами и неправдами за счёт всех остальных показателей – проще говоря, впаривать самое выгодное в текущий момент, не заботясь о последствиях. И если сотрудник понимает границы допустимого, то алгоритм будет продавать здесь и сейчас вне рамок законов и приличий – пока ему их не зададут в явном виде.

Поэтому автоматизация отношений с покупателями изначально должна строиться на долгосрочных метриках, максимально соответствующих конечным целям как бизнеса, так и покупателей – и наиболее для этого подходит именно LTV.

Покупатели заинтересованы в содержимом упаковки. Исходя из своей удовлетворённости они подстраивают следующие покупки и надеются, что такое голосование рублём будет услышано хотя бы в программе лояльности. Это фактическое покупательское поведение намного достовернее любых опросов, плюс оно уже собрано и доступно в электронном виде.

С помощью надёжных статистических методов мы должны выделить отклик покупателей из истории покупок и выстроить с каждым долгосрочное сотрудничество, в том числе – по его главному интересу – удовлетворенности содержимым упаковки через существенное время после покупки.

#LTV