为什么关注留存率
引子
大部分公司都具有 transaction data 交易数据,这种数据是非常常见、非常容易采集的,包含客户是什么时间购买产品的,买的什么产品,消费金额是多少。总结一下,就是RFM数据
-
R (recency): 最后一次购买距今的时间
-
F (frequency): 一段时间内的交易频次
-
M (monetary) : 一段时间内的交易金额
一些看似简单、但是非常常见的问题:
-
企业目前有多少个客户?
-
去年至今增加了多少客户?
-
哪些客户表现的更活跃,哪些可以已经进入休眠状态,甚至已经流失了?
-
这些在名单上的客户,明年的消费水平如何,明年一共能给企业带来多少销售额?
以上问题看似简单,可能直接用ERP/CRM系统就能回答,但是我们用了一个 隐含的假设,我们口中的 客户 实际上 我们指的是 活着的(没有流失) 的客户,所以如果我们能 知道每个客户是否是活着的,换句话说,知道每个客户的 留存率 (活着的可能性)
那样,以上的问题都可以回答!
例子:一家公司有三个客户A, B, C, 他们的留存率分别是:
-
A: 0.9
-
B: 0.7
-
C: 0.4
-
那么这家客户一共有:
个客户,而不是3个!
针对非契约型的交易模式,回答留存的问题是比较困难的。因为企业与客户之间的交易没有合约的约束,客户的购买行为随机发送,即使他们再也不来了,也不会通知我们,企业无法获知客户流失的时点,客户生命周期不确定。
如何计算每个客户的留存率呢?
-
Pareto/NBD 概率模型
-
深度学习
-
两者结合