O slideshow foi denunciado.
Utilizamos seu perfil e dados de atividades no LinkedIn para personalizar e exibir anúncios mais relevantes. Altere suas preferências de anúncios quando desejar.

segundo_meetup_cielo

Apresentação do segundo Meetup de Data Science da Cielo sobre boas práticas para o cálculo do LTV (Lifetime Value)

  • Entre para ver os comentários

segundo_meetup_cielo

  1. 1. Uma vez?
  2. 2. Duas vezes?
  3. 3. Cinco?
  4. 4. Como Modelar?
  5. 5. 16
  6. 6. Alto Valor Médio Valor Baixo Valor Alguns clientes são pouco rentáveis independente das suas ações! • Canais baratos (i.e.: e-mail marketing massivo) • Julgue e saiba quando desistir deles! Numerosos / precisam ser fidelizados e protegidos • Clubes / Pontos – comodidade e inércia • Promoção da sua marca (redes sociais, referral, etc.) Conheça seus clientes de alto valor... quais os nomes deles? • Caso tenham problemas solucione rapidamente! • Não os “bombardeie” com propagandas...
  7. 7. 18
  8. 8. • • •
  9. 9. 22
  10. 10. Curva de Churn (Inatividade) Valor / Cliente Nº Clientes
  11. 11. Curva de sobrevivência Taxa de desconto
  12. 12. Curva de sobrevivência Taxa de desconto Erro 1: Se seus clientes não tem uma barreira contratual de saída, você só sabe probabilisticamente quantos clientes estão ativos em um dado momento
  13. 13. Retirado do artigo How to Project Customer Retention. Fader, Hardie (2007) Journal of Interactive Marketing. “Parametric approaches do not work.” -- Data Mining techniques Berry, Linoff (2004)
  14. 14. Retirado do artigo How to Project Customer Retention. Fader, Hardie (2007) Journal of Interactive Marketing. “Parametric approaches do not work.” -- Data Mining techniques Berry, Linoff (2004)
  15. 15. “Big Scary Machine Learning Random Forest Gradient Boosting Bayesian Neural Network”
  16. 16. Não é uma questão de poder computacional É uma questão de saber qual história contar. Relacionar comportamento passado com valor futuro. Vamos apresentar um framework apropriado...
  17. 17. Contínuo Não-contratual Contínuo Contratual Discreto Não-contratual Discreto Contratual Compras avulsas em E-commerce Supermercado Cielo (Excluindo Grandes Contas) Teleton / Criança Esperança Programas de membro (e.g.: Sam’s Club) Streaming (e.g.: Netflix) BG / NBD Pareto / NBD Beta-Geometric / Beta Binomial EG Shifted Beta Geometric
  18. 18. • Startups disputando novos clientes / removendo “amarras” • Clientes mais exigentes e com acesso à informação Artigo: “Some Customers Would Rather Leave Without Saying Goodbye” Ascarza, Netzer, Hardie (2018) – Marketing Science Vol. 37 • Exemplos: • Ride Sharing Apps • Open Banking
  19. 19. Nome é proveniente das suposições feitas para viabilizar a modelagem matemática Tema aberto de pesquisa Modelos base: Pareto / NBD (Schmittlein et al. 1987) (difícil aplicação!); BG / NBD (recomendado para iniciantes) Existem pacotes prontos para implementar, vamos falar sobre eles...
  20. 20. Beta Geometric - Negative Binomial Distribution Artigo para quem está iniciando “Counting Your Customers” the Easy Way: An Alternative to the Pareto / NBD Model Implementações • R – Library BTYD / BTYDplus (Buy ‘Till You Die) • Python – Package Lifetimes • Excel – Solver (modelo possui 4 parâmetros!)
  21. 21. Implementação completa no artigo
  22. 22. Distribuição Poisson Taxa de compra do cliente 1 parâmetro Distribuição Geométrica Taxa de mortalidade do cliente 1 parâmetro Distribuição Gamma Taxas de compra do grupo a que pertence. 2 parâmetros Distribuição Beta de taxas de mortalidade do grupo a que pertence. 2 parâmetros Nível Individual Nível Grupo
  23. 23. SQL Cust Date Sales 1 2019-01-01 R$ 10 1 2019-01-15 R$ 10 1 2019-01-20 R$ 20 2 2019-01-12 R$ 50 2 2019-01-15 R$ 60 3 2019-02-10 R$ 30 3 2019-02-11 R$ 40 4 2019-03-14 R$ 90 Log Transacional Converter para matriz CBS “Fitar” modelo Estimar quantidades úteis Validando modelo
  24. 24. Log Transacional Converter para matriz CBS “Fitar” modelo Estimar quantidades úteis Validando modelo Cliente 1 Cliente 2 Cliente 3 Cliente n
  25. 25. Vamos resumir o log transacional dos clientes em 4 métricas 1 - Frequência (x): Quantas transações foram observadas no período? 2) Recência (t.x) Quanto tempo se passou desde a última transação? 3) Valor monetário (Sales) Momento atual Log Transacional Converter para matriz CBS “Fitar” modelo Estimar quantidades úteis Validando modelo R$ 10 R$ 16 R$ 35 R$ 26 4) Tempo de vida do cliente (T)
  26. 26. Cust x t.x T Sales 1 3 20 30 R$ 40 2 2 3 18 R$ 110 * Simplificado, na prática o cliente é considerado a partir da 2ª transação (repeat transactions) Supondo que estamos no dia 2019-01-30 Log Transacional Converter para matriz CBS “Fitar” modelo Estimar quantidades úteis Validando modelo Cust Date Sales 1 2019-01-01 R$ 10 1 2019-01-15 R$ 10 1 2019-01-20 R$ 20 2 2019-01-12 R$ 50 2 2019-01-15 R$ 60 Elog2CBS
  27. 27. Período de Calibração Período de Validação T.cal Log Transacional Converter para matriz CBS “Fitar” modelo Estimar quantidades úteis Validando modelo R$ 10 R$ 10 R$ 10 R$ 10 R$ 10 R$ 10 R$ 10
  28. 28. Cust x t.x T.cal Sales T.Star x.Star Sales.Star 1 4 20 30 R$ 40 20 3 R$ 30 Log Transacional Converter para matriz CBS “Fitar” modelo Estimar quantidades úteis Validando modelo Elog2CBS Fornecendo T calibraçãoPeríodo de Calibração Período de Validação T.cal 10 10 10 10 10 10 10
  29. 29. 𝑙𝑖𝑏𝑟𝑎𝑟𝑦(𝐵𝑇𝑌𝐷) 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜𝑠 < −𝑏𝑔𝑛𝑏𝑑. 𝐸𝑠𝑡𝑖𝑚𝑎𝑡𝑒𝑃𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟𝑠 𝑚𝑎𝑡𝑟𝑖𝑧. 𝑐𝑏𝑠 Log Transacional Converter para matriz CBS “Fitar” modelo Estimar quantidades úteis Validando modelo Em linhas gerais encontramos os melhores parâmetros para as distribuições do modelo. Esses parâmetros fornecem a base para derivar quantidades de interesse do negócio.
  30. 30. Log Transacional Converter para matriz CBS “Fitar” modelo Estimar quantidades úteis Validando modelo Cust x t.x T.cal Sales T.Star x.Star Sales.Star Xstar.bgnbd 1 4 20 30 R$ 40 20 3 R$ 30 3.2 ConditionalExpectedTransactions
  31. 31. Log Transacional Converter para matriz CBS “Fitar” modelo Estimar quantidades úteis Validando modelo Cust x t.x T.cal Sales T.Star x.Star Sales.Star Xstar. bgnbd Palive 1 4 20 30 R$ 40 20 3 R$ 30 3.2 0.99 Palive
  32. 32. Log Transacional Converter para matriz CBS “Fitar” modelo Estimar quantidades úteis Validando modelo Cust x t.x T.cal Sales mx T.Star x.Star Sales. Star Xstar. bgnbd Palive Sales. Bgnbd 1 4 20 30 R$ 40 R$ 10 20 3 R$ 30 3.2 0.99 R$ 32 [Ticket Médio] * [Previsões do modelo] Mx * xstar.bgnbd
  33. 33. bgnbd.PlotTrackingInc( parametros, T.cal = df.cbs$T.cal, T.tot = max(df.cbs$T.cal + df.cbs$T.star), actual.inc.tracking = elog2inc(transacional) ) Log Transacional Converter para matriz CBS “Fitar” modelo Estimar quantidades úteis Validando modelo Função PlotTrackingInc
  34. 34. bgnbd.PlotTrackingCum( parametros, T.cal = df.cbs$T.cal, T.tot = max(df.cbs$T.cal + df.cbs$T.star), actual.cu.tracking.data = elog2cum(transações) ) Log Transacional Converter para matriz CBS “Fitar” modelo Estimar quantidades úteis Validando modelo Função PlotTrackingCum
  35. 35. • MAE (Mean Absolute Error) • MAPE (Mean Absolute Percent Error) • Etc. Log Transacional Converter para matriz CBS “Fitar” modelo Estimar quantidades úteis Validando modelo
  36. 36. 2 opções: • Multiplicar transações esperadas do cliente pelo ticket médio individual já observado. • Usar o modelo Gamma-Gamma para estimar ticket médio (útil para clientes com poucas transações). Esse modelo já está implementado nos pacotes BTYD e Lifetimes. Log Transacional Converter para matriz CBS “Fitar” modelo Estimar quantidades úteis Validando modelo
  37. 37. Função DERT (Discounted Expected Residual Transactions) do pacote BTYD pode ser utilizada para trazer a valor presente o valor futuro esperado de cada cliente DERT Parâmetros fitados X, t.x, T Taxa de desconto Soma de todos clientes = LTV!
  38. 38. SQL BTYD Análises ad hoc (quais características dos clientes mais rentáveis?) Dashboards de acompanhamento (clientes estão “descomportando?”)
  39. 39. Cada negócio é único... mas os modelos apresentados tendem a fitar bem a maioria dos casos! Comece simples e acostume-se com a modelagem primeiro: Fite todos clientes, veja a precisão do modelo! É o que você esperava? Algo novo foi aprendido? Use os resultados para outras análises suas! e.g.: KNN por padrão de recência / frequência revela algum padrão em seus clientes?
  40. 40. Beta Geometric - Negative Binomial Distribution Leiam as Vignettes (ajudam na implementação) Pacote BTYD – Contém os modelos básicos “Buy ‘Til You Die – A Walkthrough” Pacote BTYDplus – Contém modelos mais complexos e funções de conveniência úteis “Customer Base Analysis with BTYDplus”
  41. 41. Contato vitor.schipani@cielo.com.br

×