回想一下您上次經歷的糟糕消費體驗是什麼時候。也許這已經夠糟了，你甚至花時間填寫了一份客戶滿意度調查。也許你期望所有這些低分能夠轉化為一些外展活動——也許是優惠券或新福利或其他一些可行的橄欖枝。但你卻得到了…蟋蟀？
無線電靜默可能只是由於客戶服務不佳造成的，但很有可能是因為您的分數也不佳。許多公司現在計算所謂的客戶終身價值（CLV）—這項指標旨在量化客戶可能為公司帶來多少淨利潤。你的「價值」有多少，在某種程度上決定了公司願意付出多少努力來讓你快樂。
什麼是客戶終身價值？
客戶終身價值 (CLV) 是客戶將為公司帶來的淨利 瑞典電話號碼庫 潤的預測。基本公式將 CLV 表示為客戶利潤和保留率相對於折扣調整的乘積。但諸如 Buy Til You Die 統計模型、機器學習模型和深度學習系統等新興技術提供了日益複雜的改進，以便提供短期和長期 CLV 預測。
客戶的 CLV 分數會影響該客戶的行銷方式和程度 – 高 CLV 客戶比低 CLV 客戶值得更多費用。但它也會影響客戶服務回應時間以及特定客戶是否獲得特別優惠等。高 CLV 分數本質上是在「客戶永遠是對的」上打上一個大大的星號。賓州大學華頓商學院行銷學教授、CLV 的基礎架構師之一 Peter Fader（左）表示，它應該是如此。
在他看來，那些竭盡全力滿足每個不滿意的客戶的公司 律師潛在客戶開發：產生更多潛在客戶的指南 是錯誤的。他們需要確定優先順序。他說，公司往往有一個壞習慣，那就是癡迷於淨推薦值，試圖確定「哪些問題困擾著批評者，然後為他們解決問題」。 “[但是]那些顧客很糟糕。”
「我們花了這麼多錢試圖把醜小鴨變成美麗的天鵝，但這行不通，」他補充道。 「相反，如果我們了解我們認為客戶的價值，然後用它來推動決策——關於向誰提供免費物品，或者首先接聽誰的電話——我們會做出更好的決策並做出更多的決定錢。
基於訂閱的企業的一個基本 CLV 公式是將客戶的平均每月銷售額除以公司的流失率。因此，如果客戶每月支付 9 美元購買串流媒體服務，而流失率為 3%，則其 CLV 為 300 美元。
最常見的簡單 CLV 公式是：
CLV = 保證金 x 保留率 / 1 + 折扣率 – 保留率
利潤：銷售產生的利潤減去交付產品或服務的變動成本。
保留率：在給定時間段內沒有流失的客戶的百分比。
貼現率：根據目前借款利率，未來收入值多少錢。一些建議建議預設為 10%，直到金融專家能夠提供更清晰的訊息，而其他人則認為這是一個樂觀的數字。您的里程可能會有所不同。
上面的經典公式對於基本的早期評估很有幫助，但當您考慮複雜的 目錄 因素時，它開始看起來相當原始。其一，保留率顯然不是恆定的。而且，對於非合約企業來說，要確定客戶是否真正流失還是只是在購買之間是很困難的。它也無法整合客戶與產品或通路互動時產生的行為訊號大雜燴。
不用說，應該考慮更高級的選項。但在此之前，讓我們先仔細看看一些基本基礎。
有關的什麼是淨推薦值？您的公司應該關心 NPS 嗎？
客戶終身價值簡史
客戶終身價值計算已經變得極其複雜，通常由機器學習（有時是深度學習）提供支援。但該指標來自不太有吸引力的股票。早期的影響是 20 世紀 70 年代和 80 年代的老派直銷商。想想直郵活動，以及後來的電視廣告。
「儘管他們在深夜電視上出售蹩腳的東西，但他們的觀點 的最佳方法是什麼 的最佳方法是什麼 是革命性的，」費德說。這些行銷人員花了大量時間研究購買模式，這是我們今天擁有的資料探勘的訓練輪版本。這催生了 RFM 方法——新近度、頻率和貨幣價值。綜合來看，該方法表明，當顧客最後一次購買時，他們總共購買了多少次以及他們的平均購買金額是未來購買的主要指標。
“我們花了這麼多錢試圖把醜小鴨變成美麗的天鵝，但這根本行不通。”
然後，在80 年代中期，Dave Schmittlein（現任麻省理工學院斯隆管理學院院長）和兩位同事推導出一種數學方法，將「向後看」的RFM 數據轉化為對未來CLV 的「前瞻性”估計。這就是具有開創性的 Pareto/NBD 模型的誕生。
解釋 Pareto/NBD 框架而不迷失在機率雜草中的一種簡單方法是將其想像為人們有兩枚硬幣可以翻轉。一枚硬幣決定客戶是否繼續考慮購買，或永遠離開，而第二枚硬幣決定他們是否決定購買或不購買（如果他們仍在考慮）。該框架還考慮了購買頻率的差異：有些人會隨著時間的推移繼續購買；有些人會繼續購買。其他人將合而為一。
找出誰在招募。
查看頂級科技公司和新創公司的職位
查看所有職位
這種方法一開始並沒有對現實世界產生太大影響——Fader 說，它被視為「純粹的學術象牙塔」東西——直到大約15 年後，Fader 和他的同事推出了一種適用範圍更廣泛、對Excel 友善的版本並在整個企業環境中傳播該模型的價值。
分析軟體公司和 CLV 平台供應商 Retina 的 Emad Hasan 表示，這項工作成為「[所有未來客戶終身價值進步]的基礎研究」。
2016 年，Groupon 發布了基於隨機森林模型的客戶終身價值方法。 |照片：Shutterstock
CLV，認識機器學習
大數據出現後，CLV 得到了加強。由於資料集對於參數模型來說過於笨重，資料密集的電子商務公司轉向機器學習方法。ASOS 的資料科學家在 2017 年寫道： “整合自動學習或高度稀疏的特徵尤其困難。”