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

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

1 L'approche Customer Lifetime Value Pierre DESMET.

Présentations similaires


Présentation au sujet: "1 L'approche Customer Lifetime Value Pierre DESMET."— Transcription de la présentation:

1 1 L'approche Customer Lifetime Value Pierre DESMET

2 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)

3 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 »

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

5 Pierre Desmet 5 Fidélisation des clients Lun des objectifs prioritaires du marketing Pourquoi ? Amortissement des coûts dacquisition dun client Meilleure connaissance client et optimisation des actions proposées « Amélioration » du comportement du client avec lallongement de sa durée de vie Reichheld & Sasser (1990) +5% rétention = +25%/85% de rentabilité contesté Choix dune approche « centrée client » (customer centric) AcquisitionDéveloppement Rétention Fidélisation Réactivation

6 Pierre Desmet 6 Valeur actuelle dun 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 dintérêt) Horizon (T, 2 ans, linfini ?) Rétention (r) Marge (M) y compris coût de rupture

7 7 Exemple simple 1 (feuille excel active)

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

9 Pierre Desmet 9 Illustration : choisir la longueur de la période

10 Pierre Desmet 10 Capital clients (customer equity) Calculer la valeur dun 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 dacquisition

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

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

13 Pierre Desmet 13 Exemple : LTV en vente par série Taux dattrition observés Avec un taux de chute en t = 1 de 15% : LTV =

14 Pierre Desmet 14 Un modèle simple Hypothèses La rentabilité par période est constante Lattrition par période est constante Lhorizon est infini; hors période actuelle Si i = 12% et r = 90%, LTV = 4. m Conséquences Lélasticité de la LTV à la marge est de 1 Lélasticité à la rétention est plus importante Si i = 12% et r = 90%, r = 5 Lélasticité de la rétention est 5 fois plus forte que lélasticité à la marge

15 Pierre Desmet 15 La LTV pour orienter les choix marketing : (1) Développement Développement Augmenter la marge Mt : (R t – C t ) Augmenter les revenus courants Fréquence dachat 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)

16 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 loffre Déterminants : coûts de transfert, satisfaction, regret Réduire lattrition (churn) Allonger la durée de vie client Attention ! Lattrition moyenne dépend de la structure du fichier Calcul par cohorte Contexte : non-contractuel : définition « ad-hoc » (24 mois ?) contractuel : 0/1 Modèle dattrition (probabilité dêtre toujours « vivant ») Hazard model ( taux de mortalité par période) Proportionnel (PH) Accéléré (AFT) Régression logistique (facteurs explicatifs)

17 Attrition Attention au mode de calcul de lattrition Préférable : par cohorte (client recrutés par la même opération) Sinon en fonction du fichier début de période Pierre Desmet 17

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

19 Modèle Capital client agrégé : Blattberg & Deighton (1996) Deux politiques : Recrutement et Fidélisation Paramétrage : des coûts, de la marge, du taux dactualisation Dde la « rétention » (activité) : modèle géométrique, taux dattrition constant en % Prise en compte dune 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 : 19

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

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

22 22 Blattberg & Deighton (1996) Application

23 23 Blattberg & Deighton (1996) Illustration (2)

24 Pierre Desmet 24 Illustration (3) Lintégration du coût par contact et de la difficulté à retenir les clients Conduit à un objectif de fidélisation intermédiaire La maximisation de la fidélisation nest pas un objectif pertinent

25 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 »)

26 Pierre Desmet 26 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 ?

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 dun client recruté 27

28 Segmentation comportementale en MD Etapes dun modèle dynamique de Plan commercial équation dactivité (CRC, MMC, …) établir un profil dactivité 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 dun client (LTV) 28

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 dun 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) 29 Segmentation RFM Segmentation FRAT

30 Des taux de réponse décroissants selon R, F et M 30 Source : Hughes A.M

31 Mise en œuvre de la segmentation RFM Choix dune périodicité trimestre, semestre, année Calcul du vecteur dactivité Variables binaires avec 1 = achat, 0 sinon Lactivité la plus récente est généralement représentée à gauche Souvent 4 périodes [ ] 31

32 Calcul de classes RF Par une pondération binaire (Activité) RF = 23.A(t-1) + 22.A(t-2) + 21.A(t-3) + 20.A(t-4) 32

33 Calcul de scores RFM Par une pondération binaire (Montant) RFM = 23.M(t-1) + 22.M(t-2) + 21.M(t-3) + 20.M(t-4) 33

34 Plan à moyen terme 34

35 Regroupement des RF en classes de clientèle Tableau croisé Récence-fréquence : 35

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 lart 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 36

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) dune classe à lautre si la matrice est stable dans le temps Simulation à partir dune cohorte recrutée en première période 37

38 1. Récence-Fréquence et Classes 38

39 2. Matrice de transition 39

40 3. Evolution prévisionnelle 40

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.docfdbeaute.doc Feuille excel A : FdBeauteA.xlsFdBeauteA.xls Feuille excel C : FdBeauteC.xlsFdBeauteC.xls 41

42 Illustration : téléphonie mobile, lallongement de la durée dabonnement 42

43 Pierre Desmet 43 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, 1996 https://www.u- cursos.cl/ingenieria/2007/2/IN7A4/1/material_docente/objeto/147318https://www.u- cursos.cl/ingenieria/2007/2/IN7A4/1/material_docente/objeto/ Customer equity: Measurment, Management and Research Opportunities Villanueva et Hanssesns, 2007, Foundations and Trends in Marketing

44 44 Modèles stochastiques dachat Prévision agrégée au niveau des marques basée sur des hypothèses au niveau individuel

45 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 ? Lattrition : 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 lactivité/nb dachats 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 46

47 47 Niveau 1 : le comportement Nombre dachats : loi Poisson avec 1 paramètre

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

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

50 50 Comportement dachat Hypothèses Hypothèse de comportement selon la durée de la mémoire Sans mémoire : Binomial Mémoire courte (1, 2) : Processus markovien Mémoire longue : Modèle dapprentissage Hypothèse dhétérogénéité des paramètres individuels Lindividu suit un processus avec ses paramètres Les paramètres individuels suivent, eux mêmes, une loi sur lensemble de la population Exemple Dirichlet, NBD : Poisson & Gamma

51 51 Un exemple en collecte de fonds

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

53 53 Réachat : Processus Markovien illustration

54 54 Réachat : Modèle dApprentissage 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 i Le paramètre i suit une loi Gamma Intégration Distribution résultante agrégée P(X=x) = (G( +x)/(G( ).x!)).( /( +1)). ( /(1+ )) x. Moyenne : / Variance : ( +1)/ Agrégation sur plusieurs («t »)périodes Distribution de Poisson de paramètre :.t P(X=x) = (G( +x)/(G( ).x!)).( /( +t)). (t /(t + )) x. Moyenne : t / 55

56 56 Différentes combinaisons Un comportement Achat – BB : Binomial, Beta Nombre dachats - NBD : Poisson, Gamma Feuille : Un achat et un choix : Modèle Dirichlet Achat dans la catégorie : NBD (Poisson + Gamma) Choix dune marque : Modèle dirichlet multinomial Feuille : 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 57 NBD (Poisson & Gamma)

58 58 BG / NBD Beta géométrique NBD

59 59 Hendry model Modèle de structure de marché

60 60 Concurrence : Modèle de structure de marché de la Hendry Corp. Objectif : Déterminer si des marques sont « en concurrence directe » Si cest 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 dachat stochastique dordre 0 Le transfert entre 2 marques en concurrence directe (i et j) pour deux occasions dachat successives est fonction de leurs parts de marché (S) P ij = Kw.S i.S j

61 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 », mi= c. i la somme de ces alphas donne « S » (la statistique dhétérogénéité) Paramètre dhétérogénéité 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 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 Cest le rapport entre le transfert observé et le transfert sous lhypothèse dhomogénéité des probabilités dachat des consommateurs 0 si tous les consommateurs sont fidèles 1 si les consommateurs sont homogènes dans leur processus et ont la même probabilité stable dacheter les marques Dans lapproche Hendry Corp., la constante de transfert (Kw) est déterminée en utilisant la notion dentropie sur les seules parts de marché S i part de marché de la marque i

63 63 Hendry (suite) Modèle pionnier des modèles Dirichlet Cette distribution des probabilités de transfert correspond à lhypothèse dune fonction de densité de la distribution suivant une distribution Dirichlet si 2 occasions dachat simplement Modèle Dirichlet = Distribution Dirichlet multinomial (DMD) Procédure : « essai-erreur » Élaboration dune structure par jugement dexpert Analyse de la qualité de lajustement fourni par le modèle sur la base de données dun panel de consommateurs

64 64 Hendry (Application)

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

66 66 Modèle Dirichlet Modèle de comportement dachat et de choix dune marque parmi « n »

67 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 dachat à une certaine période La probabilité que chaque marque soit achetée à chaque occasion dachat Principes Chaque acheteur a un vecteur de probabilités dacheter les marques Ces probabilités sont constantes mais différentes selon les individus (hétérogénéité) Lhétérogénéité est reflétée par leur répertoire de marque, leur fréquence dachat Intérêt Sert de référence pour un marché concurrentiel uniforme Simple à estimer sur données de panel ou données individuelles

68 68 Modèle DIRICHLET : Hypothèses Hypothèses (Ehrenberg, 2000) 1. Le taux dachat 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 dachat des marques sont distribuées selon une fonction Beta (Dirichlet multivariée) 4. Pour chaque occasion dachat, le choix se fait en fonction des probabilités de choix des marques (multinomial ordre 0) 5. Lachat et le choix de la marque sont indépendants Conséquences sur les marchés adaptés Marché stationnaire (sans tendance) Marché concurrentiel (absence de niche)

69 69 Modèle DIRICHLET : Modèle conceptuel Potentiel Achat dans la catégorie Choix dune Marque / achat Poisson Gamma, Indépendants Dirichlet Multinomial Distribution (beta) NBD

70 70 Fonctions H marques, k achats Achat dans la catégorie Choix dune Marque / achat

71 71 Ressources Télécharger 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 72 Modèles dattrition Prévision de la mortalité (event ) dun individu

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

74 74 Modèles dattrition Mortalité commerciale (inactivité clientèle) Mesure de la « mort » Constat darrêt par un évènement : services dit « continus » Inférence : absence dactivité pendant un certain laps de temps Difficulté : les données sont « censurées » en dehors de lhorizon 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 75 Modèle de Cox Fonction de risque et non probabilité absolue de survie Risque = probabilité de mortalité sur une période sachant que lindividu a survécu jusquà cette période Mesurer leffet de variables explicatives sur la fonction de risque Lélasticité de la fonction de risque à la variable Hypothèse (lourde) dun risque proportionnel : leffet dune variable est le même quelle que soit la période où lon se situe Modèle paramétrique (ou non) selon lhypothèse sur H0. Paramétrique : Lhypothèse dune distribution sous-jacente aux propriétés statistiques adaptées est intéressante (notamment pour lestimation) mais ne peut pas être directement testée.

76 76 En savoir plus Procédures SAS Logistic, Probit, Genmod PHREG (Cox risque proportionnel) PROC PHREG DATA =; MODEL delai*cens(1) = X 1 X 2 … X k ; LIFEREG (modèles paramétriques) PROC LIFEREG DATA =; MODEL delai*cens(1) = X 1 X 2 … X k / DIST=weibull; ou LIFETEST (test de différentes fonctions de survie) En savoir plus


Télécharger ppt "1 L'approche Customer Lifetime Value Pierre DESMET."

Présentations similaires


Annonces Google