Определение вероятности повторных клиентов

Проблема одноразового покупателя — одна из наиболее широко известных проблем для розничных брендов электронной коммерции, поскольку трудно определить потенциальных постоянных клиентов только по одному экземпляру покупки. Компании электронной коммерции часто приобретают новых клиентов в больших количествах с помощью интеллектуальных маркетинговых стратегий, но крайне важно определить, кто из этих клиентов, вероятно, повторит покупку.

Наша цель создания модели прогнозирования повторных покупателей в LXRInsights, собственной платформе клиентской аналитики NetElixir, состоит в том, чтобы предвидеть потенциальных повторных клиентов среди разовых покупателей за последние два месяца. Наше решение состоит из двух частей: во-первых, бренды могут начать приобретать постоянных клиентов, а во-вторых, удержание существующих клиентов обходится дешевле, чем привлечение новых клиентов.

Понимание покупательского поведения вашего клиента

С помощью LXRInsights мы отслеживаем пути клиентов к покупке от первой точки притяжения до покупки, чтобы определить, какое поведение приводит их к конверсии. Данные о транзакциях, которые мы собираем, включают время и день, когда клиенты совершили покупку, количество товаров в корзине, среднюю стоимость заказа на покупку, реферера или канал, который привел их к покупке, устройство и многое другое. Мы интерпретируем профили клиентов на основе данных о транзакциях, которые раскрывают модели покупок клиентов. На основе этого профиля мы используем модель машинного обучения, чтобы предсказать, повторит ли покупку первый покупатель.

Запросите полную демонстрацию LXRInsights, чтобы получить целостное представление о том, как ответственно развивать свой бизнес с помощью аналитических данных, основанных на данных.

Как покупательский путь вашего клиента тренирует наши модели машинного обучения

LXRInsights нужны ключевые характеристики поведения клиентов при покупках в Интернете, чтобы точно обучить модель. Точность модели зависит от релевантности сгенерированных признаков. В следующем списке описаны некоторые функции, созданные для этой модели:

  1. Информация о просмотрах страниц, например общее количество просмотров страниц или среднее число просмотров страниц в день до совершения покупки.
  2. Счетчик посещений для определения количества посещений веб-сайта за период цикла покупки, от первого посещения веб-сайта до покупки.
  3. Информация о заказе, которая включает разнообразие продуктов, количество товаров в корзине и стоимость заказа.
  4. Пять лучших браузеров, десять первых и вторых рефереров, лучший день недели, лучший час посадки и лучший час оформления заказа.

Чтобы понять, как мы сегментируем эти данные о клиентах, скачайте наш отчет FACES 2021, в котором каталогизировано поведение крупных клиентов при покупках в Интернете в десяти отраслях электронной коммерции, таких как продукты питания и бакалея и онлайн-подарки.

Модель машинного обучения

Алгоритмы машинного обучения пригодятся для достижения нашей цели прогнозирования потенциальных постоянных клиентов. Следуя ритуалу обучения моделей машинного обучения, мы разделяем данные на две части: Обучающий набор для обучения модели и Тестовый набор для проверки точности модели.

Псевдокод модели

Ниже приведен алгоритм, который наша модель использует для прогнозирования вероятности повторных клиентов среди новых покупателей:

  1. Соберите данные за последние тринадцать месяцев.
  2. Пометьте клиентов с повторными покупками как «Повторный клиент», а клиентов с единичными покупками как «Неповторный клиент» для базового уровня существующих клиентов вашего бренда.
  3. Наметьте соответствующие характеристики пути к покупке каждого сегмента, как указано выше.
  4. Разделите данные на две части: данные для обучения и тестирования.
  5. Обучите модель с помощью набора алгоритмов ML.
  6. Измерьте точность модели, используя данные Test Set.
  7. Выберите модель с максимальной точностью.
  8. Если значение точности высокое, поделитесь списком предполагаемых потенциальных постоянных клиентов.
  9. Предоставьте характеристики предполагаемых клиентов, которые можно использовать для их удержания и перенацеливания.

Выводы

Мы используем данные прошлых транзакций для создания соответствующих характеристик клиентов и обучения модели. Понимая покупательское поведение ваших клиентов, ваш бренд может лучше определить постоянных клиентов среди ваших нынешних разовых покупателей. Затем вы можете создавать более персонализированные кампании, чтобы повторно привлечь этих потенциальных постоянных клиентов к вашему бренду и, возможно, привлечь более лояльных клиентов.

Посетите LXRInsights, чтобы запросить демонстрацию нашей платформы аналитики клиентов, чтобы лучше понять поведение новых и повторных покупок в Интернете.

Ссылки

  1. Гуймэй Лю и др. др. «Repeat Buyer Prediction for e-commerce» 2016, KDD 13–17 августа, Сан-Франциско, США.
  2. https://www.custora.com/blog/four-steps-to-solve-one-time-buyer-prob

Подробнее читайте на https://www.netelixir.com/blog/.