La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

L'approche Customer Lifetime Value

Présentations similaires


Présentation au sujet: "L'approche Customer Lifetime Value"— Transcription de la présentation:

1 L'approche Customer Lifetime Value
Pierre DESMET

2 Problématiques managériales
Un marketing personnalisé Offres personnalisées (sortant) Réactions personnalisées (entrant) Valorisation Que vaut un client ? Action Quels sont les clients à acquérir ? Que faut-il investir sur lui ? Comment le rentabiliser ? Quel service offrir ? Vision à court et à moyen terme Interactions entre les effets des actions Quelles sont les conséquences à moyen terme des actions (interactions) Pierre Desmet

3 Complémentarité de deux approches
Centrée « offre » : Scoring Qui est potentiellement intéressé par cette offre (appétence) ? Que proposer dans une transaction spécifique ? Centrée « client » : Le client : un « actif » financier Marketing relationnel, approche individuelle et personnalisée Bien adapté au domaine des services Une approche « stock » par rapport aux mesures fréquentes de « flux » Pierre Desmet

4 Cycle de vie client Former des groupes reliés en fonction
De l’état de développement de la relation (information détenue,…) Des critères de choix, de l’information nécessaire pour chaque étape de la relation Du potentiel, des coûts, de la rentabilité de chaque groupe

5 Fidélisation des clients
L’un des objectifs prioritaires du marketing Pourquoi ? Amortissement des coûts d’acquisition d’un client Meilleure connaissance client et optimisation des actions proposées « Amélioration » du comportement du client avec l’allongement de sa durée de vie Reichheld & Sasser (1990) +5% rétention = +25%/85% de rentabilité contesté Choix d’une approche « centrée client » (customer centric) Fidélisation Acquisition Développement Réactivation Rétention Pierre Desmet

6 Valeur actuelle d’un client (CLV-LTV lifetime value) définition
Somme des espérances de marge actualisées sur la vie probable du client Composantes Actualisation (taux de rentabilité interne, taux d’intérêt) Horizon (T, 2 ans, l’infini ?) Rétention (r) Marge (M) y compris coût de rupture Pierre Desmet

7 Exemple simple 1 (feuille excel active)

8 Exemple simple 2 Combien êtes-vous prêt à investir pour
Recruter ce client Pour réduire de moitié l’attrition

9 Illustration : choisir la longueur de la période
Pierre Desmet

10 Capital clients (customer equity)
Calculer la valeur d’un portefeuille client (Customer Equity) Somme des valeurs actualisées du portefeuille des clients Pour les clients actuels Et les clients indirects (parrainage) On tient compte des coûts d’acquisition Pierre Desmet

11 Un concept, de nombreuses mesures
Des variantes Client actuel / Client à acquérir (intègre le coût d’acquisition) Niveau : individuel / segment / agrégé (!) Des perspectives Historique : la marge dégagée par un client depuis son acquisition Opportunité d’une offre spécifique « certaine » Prédictive : l’espérance de marge future Potentielle Si les paramètres ne changent pas Caractéristiques d’une mesure Données nécessaires Complexité, Précision illusoire, Compréhension, Fiabilité, Pertinence, Comparabilité Hypothèses Pierre Desmet

12 Utilisation de cette mesure (metric)
Avoir un cadre d’analyse pour améliorer la productivité des plateformes CRM Mettre en relation Les coûts d’acquisition et la valeur d’un client Les coûts de fidélisation et la valeur client (calcul de ROI) Les actions, les canaux et les comportements Eclairer les décisions D’acquisition De réactivation De fidélisation (développement) Pierre Desmet

13 Exemple : LTV en vente par série
Taux d’attrition observés Avec un taux de chute en t = 1 de 15% : LTV = € Pierre Desmet

14 Pierre Desmet http://www.mastermarketingdauphine.com
Un modèle simple Hypothèses La rentabilité par période est constante L’attrition par période est constante L’horizon est infini; hors période actuelle Si i = 12% et r = 90%, LTV = 4 . m Conséquences L’élasticité de la LTV à la marge est de 1 L’élasticité à la rétention est plus importante Si i = 12% et r = 90%, h r = 5 L’élasticité de la rétention est 5 fois plus forte que l’élasticité à la marge Pierre Desmet

15 La LTV pour orienter les choix marketing : (1) Développement
Augmenter la marge Mt : (R t – C t ) Augmenter les revenus courants Fréquence d’achat Cross-selling (évolution éventuellement ordonnée) Up-selling Réduire les coûts Améliorer la productivité des dépenses marketing Choisir les meilleurs canaux et messages Augmenter les revenus exceptionnels souscription, terminaison de la relation Indirecte : parrainage, bouche à oreilles (WOM word of mouth) Pierre Desmet

16 La LTV pour orienter les choix marketing : (2) Rétention
Un facteur très important de la LTV En interaction avec le recrutement et l’offre Déterminants : coûts de transfert, satisfaction, regret Réduire l’attrition (churn) Allonger la durée de vie client Attention ! L’attrition moyenne dépend de la structure du fichier Calcul par cohorte Contexte : non-contractuel : définition « ad-hoc » (24 mois ?) contractuel : 0/1 Modèle d’attrition (probabilité d’être toujours « vivant ») Hazard model (l taux de mortalité par période) Proportionnel (PH) Accéléré (AFT) Régression logistique (facteurs explicatifs) Pierre Desmet

17 Pierre Desmet http://www.mastermarketingdauphine.com
Attrition Attention au mode de calcul de l’attrition Préférable : par cohorte (client recrutés par la même opération) Sinon en fonction du fichier début de période Pierre Desmet

18 Effet d’un accroissement de la rétention sur le LTV
À 90%, +1% rétention = +5.29% LTV Mais à quel coût ? Pierre Desmet

19 Modèle Capital client agrégé : Blattberg & Deighton (1996)
Deux politiques : Recrutement et Fidélisation Paramétrage : des coûts, de la marge, du taux d’actualisation Dde la « rétention » (activité) : modèle géométrique, taux d’attrition constant en % Prise en compte d’une fonction de réponse calibrage subjectif de la performance maximale pour la simulation de la performance Paramétrisation de fonctions de réaction agrégées Par jugement managérial Application :

20 Modèle sous-jacent Anciens Clients Prospects Clients Clients Actifs
(attrition) Durée de vie Prospects Clients Clients Actifs (activité) Coûts Coûts Revenus Revenus Revenu par recruté (Coût d’acquisition) Revenu par client LTV

21 Gestion du portefeuille client (agrégé) (Blattberg et Deighton)
Arbitrage Acquisition-Fidélisation m = marge par transaction, i = taux d’actualisation A, R = dépenses d’acquisition et de rétention Max(a), Max(r) = % maximaux sans limite budgétaire a, r = % de clients acquis et gardés Fonctions de réactions exponentielles Pierre Desmet

22 Blattberg & Deighton (1996) Application

23 Blattberg & Deighton (1996) Illustration (2)

24 Pierre Desmet http://www.mastermarketingdauphine.com
Illustration (3) L’intégration du coût par contact et de la difficulté à retenir les clients Conduit à un objectif de fidélisation intermédiaire La maximisation de la fidélisation n’est pas un objectif pertinent Pierre Desmet

25 La LTV pour orienter les choix marketing : (3) Segmentation
Hétérogénéité des comportements et des sensibilités Evolution de la relation avec le client Modèle de migration Segmentation comportementale RFM Frat Comportement homogène au sein de la classe et migration entre les classes Calcul de la LTV par simulation Modèles stochastiques Comportement à mémoire nulle (aucune « fidélité ») Pierre Desmet

26 Pierre Desmet http://www.mastermarketingdauphine.com
Challenges Complexité Difficulté des calculs Robustesse des hypothèses (ceteris paribus) Validité des valeurs estimées Multicanal Intégration du comportement v/v des canaux Fréquentation séquentielle et parcours Fréquentation simultanée de plusieurs canaux Face à la multiplication des « filières », la segmentation comportementale est-elle toujours pertinente ? Pierre Desmet

27 Segmentation comportementale en MD
Grandes étapes Modèle structurel : Equation de comportement Segmentation : Construction des Classes de clientèle Processus de transition (Markov) : Détermination des Transitions entre les classes Calcul de la Valeur vie entière (LTV) / valeur actuelle nette d’un client recruté

28 Segmentation comportementale en MD
Etapes d’un modèle dynamique de Plan commercial équation d’activité (CRC, MMC, …) établir un profil d’activité calculer des indicateurs : récence, fréquence, montant, construire des classes de clientèles calculer les transitions entre ces classes de clientèles mesurer l ’activité des classes étudier l ’attrition des classes tester l ’hypothèse de stationnarité simuler les conséquences des décisions déterminer la valeur d’un client (LTV)

29 Les segmentations comportementales
Critères comportementaux Acheteurs / non acheteurs Durée de la relation R Récence du dernier achat F Fréquence des achats M Montant des achats T Type de produit Calcul d’un score RFM à partir de données comportementales connues Simplicité, automaticité Importance respective des lettres : R > F > M Validée dans plusieurs secteurs (VAD, Presse,…) Mais pas tous (collecte de fonds) Segmentation RFM Segmentation FRAT

30 Des taux de réponse décroissants selon R, F et M
Les graphes sont réalisés en effectuant une segmentation sur le portefeuille client en fonction de chaque indicateur pris séparément afin de démontrer la suprématie de R sur F et M. Les clients sont classés selon les quintiles : 5 correspond au segment ayant la valeur le + élevée, 1 le segment ayant la valeur la – élevée Les patterns pour R et F sont identiques pour les industries mais pour M cela dépend de la catégorie de produits (pas la même chose pour les produits bancaires) Source : Hughes A.M

31 Mise en œuvre de la segmentation RFM
Choix d’une périodicité trimestre, semestre, année Calcul du vecteur d’activité Variables binaires avec 1 = achat, 0 sinon L’activité la plus récente est généralement représentée à gauche Souvent 4 périodes [ ] B>C>A

32 Calcul de classes RF Par une pondération binaire (Activité)
RF = 23.A(t-1) A(t-2) A(t-3) A(t-4) Expliquer d’abord les scores en général. Ensuite intégrer le montant de la commande et les scores en valeur

33 Calcul de scores RFM Par une pondération binaire (Montant)
RFM = 23.M(t-1) M(t-2) M(t-3) M(t-4)

34 Plan à moyen terme

35 Regroupement des RF en classes de clientèle
Tableau croisé Récence-fréquence :   Classes à constituer en fonction de la taille minimale de l’effectif, de la proximité des comportements de réachat au sein des classes et la cohérence temporelle entre les classes

36 Flux entre les classes de clientèles
Regroupement en CC classes de clientèle : Silver, Gold, Diamond… Définition des CC : exemple TBC = (F>2 ) & (R<1) Plus de l’art que de la science… Tenir compte des effectifs Des transitions pour éviter les sauts brusques de groupes Suivi des flux (transition) entre les classes de clientèle

37 Utilisation en simulation
Etude du comportement de chaque CC CA = MMC * CRC * TA* Effectifs Montant, Répétition, Activité Calcul des fréquences relatives de transition entre les classes assimilées à des probabilités de transition (t-> t+1) d’une classe à l’autre si la matrice est stable dans le temps Simulation à partir d’une cohorte recrutée en première période Intérêt de ce calcul: prévoir l’évolution des effectifs des classes de clientèle. Calculé basé sur les chaînes de Markov. Proba calculée en fonction de : p (Xt+1) sachant Xt.

38 1. Récence-Fréquence et Classes

39 2. Matrice de transition

40 3. Evolution prévisionnelle

41 Application : Fleurs de Beauté
Pour approfondir Un exemple plus complexe : Fleurs de Beauté par D. BRAURE et L. FIEVET de la Société La Redoute Présentation du cas : fdbeaute.doc Feuille excel A : FdBeauteA.xls Feuille excel C : FdBeauteC.xls

42 Illustration : téléphonie mobile, l’allongement de la durée d’abonnement

43 Pierre Desmet http://www.mastermarketingdauphine.com
Webographie Modeling Customer Lifetime Value, Gupta, Hanssens, Hardie, Kahn, Kumar, Lin, Ravishanker, Sriram, 2006, JSR Challenges and Opportunities in Multichannel Customer Management, Neslin, Grewal, Leghorn, Shankar, Teerling, Thomas, Verhoef, 2006, JSR, Return on Marketing: Using Customer Equity to Focus Marketing Strategy , Rust, Leman et Zeithaml, 2004, JM, Manage customers by the customer equity test, Blattberg et Deighton, HRB, https://www.u-cursos.cl/ingenieria/2007/2/IN7A4/1/material_docente/objeto/147318 Customer equity: Measurment, Management and Research Opportunities Villanueva et Hanssesns, 2007, Foundations and Trends in Marketing Pierre Desmet

44 Modèles stochastiques d’achat
Prévision agrégée au niveau des marques basée sur des hypothèses au niveau individuel

45 Modèles stochastiques Quel comportement/processus prendre en compte ?
Le Choix binaire : Achat / non achat multinomial Entre des magasins, marques ou conditionnements (MNL) Hiérarchique : type / conditionnement / marque Autres choix : Le moment : quand ? Les quantités : combien ? L’attrition : survie ? Choix complexe Combinaison de Quoi ? Quand ? Où ? Combien ? Options Ensemble des alternatives et hypothèse Sans et avec variables explicatives Sans et avec hétérogénéité entre des segments

46 Principe : Modèles à plusieurs niveaux
Analyse au niveau de cohortes clients recrutés par la même opération, même moment Modélisation de l’activité/nb d’achats par période en supposant Que le comportement résulte de plusieurs processus Qui suivent un certain « modèle » (loi statistique) Niveau 1 Dont les paramètres peuvent être spécifiques à chaque individu mais sont distribués selon un autre modèle (loi statistique) Niveau 2 Niveau 1 : comportement Nombre (achats) : Comptage -> Poisson Action (achat, click,…) oui / non : Binomial Mortalité (0/1 cumulé) : Exponentiel, Weibull Niveau 2 : distributions « souples » des paramètres individuels (Beta / Gamma) Niveau 3 : agrégation sur plusieurs périodes

47 Niveau 1 : le comportement Nombre d’achats : loi Poisson avec 1 paramètre

48 Niveau 2 : distribution du paramètre sur la population : Distribution Beta

49 Niveau 2 : distribution du paramètre sur la population :Distribution Gamma

50 Comportement d’achat Hypothèses
Hypothèse de comportement selon la durée de la mémoire Sans mémoire : Binomial Mémoire courte (1, 2) : Processus markovien Mémoire longue : Modèle d’apprentissage Hypothèse d’hétérogénéité des paramètres individuels L’individu suit un processus avec ses paramètres Les paramètres individuels suivent, eux mêmes, une loi sur l’ensemble de la population Exemple Dirichlet, NBD : Poisson & Gamma

51 Un exemple en collecte de fonds

52 Réachat : Modèle Binomial (homogène) illustration
Fréquence d’un événement (0/1) = P(n).(1-P)(N-n)

53 Réachat : Processus Markovien illustration

54 Réachat : Modèle d’Apprentissage linéaire illustration

55 Combinaison des deux niveaux par un choix judicieux des deux lois statistiques
La combinaison des deux lois statistiques, qui se combinent bien, donne une distribution « simple » des probabilités Estimation : Maximum de vraisemblance, Approche bayesienne, Méthode des moments, Exemple : Modèle NBD (negative binomial distribution) Comportement : Loi de Poisson avec un paramètre li Le paramètre li suit une loi Gamma Intégration Distribution résultante agrégée P(X=x) = (G(a+x)/(G(a).x!)).(b/(b +1)) b. (1/(1+b)) x. Moyenne : a / b Variance : a (b +1)/b2 Agrégation sur plusieurs («t »)périodes Distribution de Poisson de paramètre : l.t P(X=x) = (G(a+x)/(G(a).x!)).(b/(b +t)) b. (t /(t +b)) x. Moyenne : a.t / b

56 Différentes combinaisons
Un comportement Achat – BB : Binomial, Beta Nombre d’achats - NBD : Poisson, Gamma Feuille : Un achat et un choix : Modèle Dirichlet Achat dans la catégorie : NBD (Poisson + Gamma) Choix d’une marque : Modèle dirichlet multinomial Feuille :http://www.mastermarketingdauphine.com/charge/Dirichlet_Rungie.xls Achat et Attrition (et éventuellement correction pour les 0) Pareto / NBD (Schmittlein, Morrison et Colombo, 1987) BG / NBD : Exponentiel et Beta (Fader, Hardie et Lee, 2005) Feuille :

57 NBD (Poisson & Gamma)

58 BG / NBD Beta géométrique NBD http://brucehardie.com/pmnotes.html

59 Modèle de structure de marché
Hendry model Modèle de structure de marché

60 Concurrence : Modèle de structure de marché de la Hendry Corp.
Objectif : Déterminer si des marques sont « en concurrence directe » Si c’est le cas alors : « le transfert des achats entre les marques est proportionnel au produit de leurs parts de marché » Hypothèses (Kalwani & Morrison, 1977) Les consommateurs ont un processus d’achat stochastique d’ordre 0 Le transfert entre 2 marques en concurrence directe (i et j) pour deux occasions d’achat successives est fonction de leurs parts de marché (S) Pij = Kw.Si.Sj

61 Hypothèse pour une marque
Il y a une relation linéaire entre le taux de réachat (R) et la moyenne (m) R= repeat rate (pourcentage de ceux qui choisissent la marque aux 2 occasions. R=(1-m).c + c m = average share of category requirements for a specific brand (taux de nourriture moyen) Chaque marque a son « alpha a », mi= c. ai la somme de ces alphas donne « S » (la statistique d’hétérogénéité) Paramètre d’hétérogénéité S donne lieu au « contrast c » qui est une mesure standardisée de la variance c=1/(1+S) c = « contrast » unique pour toutes les marques (0<= c <= 1) K=1-C

62 Constante de transfert (Kw)
Kw, la constante de transfert au niveau de la catégorie, est une mesure du degré de fidélité à la marque C’est le rapport entre le transfert observé et le transfert sous l’hypothèse d’homogénéité des probabilités d’achat des consommateurs 0 si tous les consommateurs sont fidèles 1 si les consommateurs sont homogènes dans leur processus et ont la même probabilité stable d’acheter les marques Dans l’approche Hendry Corp., la constante de transfert (Kw) est déterminée en utilisant la notion d’entropie sur les seules parts de marché Si part de marché de la marque i

63 Hendry (suite) Modèle pionnier des modèles Dirichlet
Cette distribution des probabilités de transfert correspond à l’hypothèse d’une fonction de densité de la distribution suivant une distribution Dirichlet si 2 occasions d’achat simplement Modèle Dirichlet = Distribution Dirichlet multinomial (DMD) Procédure : « essai-erreur » Élaboration d’une structure par jugement d’expert Analyse de la qualité de l’ajustement fourni par le modèle sur la base de données d’un panel de consommateurs

64 Hendry (Application) http://marketing-science-center

65 Hendry (fin) La structure de marché peut être Application aux médias
Hiérarchique (choix successifs) : conditionnement / marque / Mixte : conditionnement * marque (approche globale du marché) Application aux médias Leckenby & Jishy, JMR, 1984 (Lire) Biblio Kalwani and Morrison 1977, A parsimonious description of the Hendry system, Management Science, 23, 5 Rubinson, Vanhonacker, and Bass 1980

66 Modèle de comportement d’achat et de choix d’une marque parmi « n »
Modèle Dirichlet Modèle de comportement d’achat et de choix d’une marque parmi « n »

67 Modèle DIRICHLET : Principe
Source : Goodhardt, Gerald J., Andrew S.C. Ehrenberg, and Christopher Chatfield (1984), "The Dirichlet: A Comprehensive Model of Buying Behaviour," Journal of the Royal Statistical Society, 147 (part 5), Modèle stochastique donnant La distribution des probabilités du nombre d’achat à une certaine période La probabilité que chaque marque soit achetée à chaque occasion d’achat Principes Chaque acheteur a un vecteur de probabilités d’acheter les marques Ces probabilités sont constantes mais différentes selon les individus (hétérogénéité) L’hétérogénéité est reflétée par leur répertoire de marque, leur fréquence d’achat Intérêt Sert de référence pour un marché concurrentiel uniforme Simple à estimer sur données de panel ou données individuelles

68 Modèle DIRICHLET : Hypothèses
Hypothèses (Ehrenberg, 2000) 1. Le taux d’achat individuel est stable et distribué selon une fonction Gamma (beaucoup de petits acheteurs et quelques gros) 2. Les achats sont répartis indépendamment dans le temps selon une distribution de Poisson. 3. Les probabilités d’achat des marques sont distribuées selon une fonction Beta (Dirichlet multivariée) 4. Pour chaque occasion d’achat, le choix se fait en fonction des probabilités de choix des marques (multinomial ordre 0) 5. L’achat et le choix de la marque sont indépendants Conséquences sur les marchés adaptés Marché stationnaire (sans tendance) Marché concurrentiel (absence de niche)

69 Modèle DIRICHLET : Modèle conceptuel
NBD Poisson l Achat dans la catégorie Gamma g, b Potentiel Indépendants Dirichlet Multinomial Distribution (beta) Choix d’une Marque / achat

70 Fonctions H marques, k achats Achat dans la catégorie Choix d’une

71 Ressources Télécharger Biblio additionnelle
la feuille excel sur Une feuille avancée (Rungie et Goodhardt, 2004) : Biblio additionnelle Livre : Ehrenberg, A.S.C., (1972, New edition 1988), Repeat Buying, Charles Griffin & Co. Ltd., London, Oxford University Press, New York importance des hypothèses :

72 Prévision de la mortalité (event ) d’un individu
Modèles d’attrition Prévision de la mortalité (event ) d’un individu

73 Illustration : modèle de rétention
Source : Cas Tintin (Desmet P. et Amat. P-M)

74 Modèles d’attrition Mortalité commerciale (inactivité clientèle)
Mesure de la « mort » Constat d’arrêt par un évènement : services dit « continus » Inférence : absence d’activité pendant un certain laps de temps Difficulté : les données sont « censurées » en dehors de l’horizon étudié Avant (date de création) et Après (date effective de décès des survivants) Hypothèses (spécification du modèle) Non paramétrique de Kaplan-Meier (actuarielle) Semi-paramétrique : Modèle de Cox - Risque proportionnel (proportional hazard, exponentiel) Paramétrique (vraisemblance) Fonctions Weibull, Gompertz, logistique / Modèle multi-régimes Différence selon le temps discret ou continu

75 Modèle de Cox Fonction de risque et non probabilité absolue de survie
Risque = probabilité de mortalité sur une période sachant que l’individu a survécu jusqu’à cette période Mesurer l’effet de variables explicatives sur la fonction de risque L’élasticité de la fonction de risque à la variable Hypothèse (lourde) d’un risque proportionnel : l’effet d’une variable est le même quelle que soit la période où l’on se situe Modèle paramétrique (ou non) selon l’hypothèse sur H0. Paramétrique : L’hypothèse d’une distribution sous-jacente aux propriétés statistiques adaptées est intéressante (notamment pour l’estimation) mais ne peut pas être directement testée.

76 En savoir plus Procédures SAS En savoir plus Logistic, Probit, Genmod
PHREG (Cox risque proportionnel) PROC PHREG DATA =; MODEL delai*cens(1) = X1 X2 … Xk ; LIFEREG (modèles paramétriques) PROC LIFEREG DATA =; MODEL delai*cens(1) = X1 X2 … Xk / DIST=weibull; ou LIFETEST (test de différentes fonctions de survie) En savoir plus


Télécharger ppt "L'approche Customer Lifetime Value"

Présentations similaires


Annonces Google