Mengapa efek guncangan penting dalam pemodelan CLV

Nilai seumur hidup pelanggan (CLV) sering kali diperlakukan sebagai metrik statis.

Dalam praktiknya, hal ini dibentuk oleh perilaku – dan churn – berbagai jenis pelanggan dari waktu ke waktu.

Salah satu dinamika yang paling penting untuk dipahami adalah “efek guncangan”, di mana churn awal menghilangkan pelanggan bernilai rendah dari suatu kelompok, meninggalkan kelompok yang lebih kecil dan lebih stabil dengan keterlibatan yang lebih tinggi dan perilaku pembelian yang lebih dapat diprediksi.

Artikel ini membahas lebih dekat efek guncangan dalam analitik CLV, mengapa hal itu terjadi, dan bagaimana pemasar harus memperhitungkannya saat mengevaluasi churn, retensi, dan profitabilitas jangka panjang.

Apa efek guncangan dalam konteks analisis CLV?

Bayangkan sekelompok pelanggan baru.

Seiring berjalannya waktu, semua pelanggan “buruk” akan berkurang, hanya menyisakan “pelanggan baik” dengan kecenderungan menurun yang rendah, lebih banyak keterlibatan, kesesuaian produk dengan pasar yang lebih baik, dan perilaku pembelian yang lebih dapat diprediksi.

Oleh karena itu, kecenderungan churn secara keseluruhan menurun seiring waktu. Hal ini disebut efek guncangan dan merupakan produk sampingan dari heterogenitas antar pelanggan.

Sejauh berjalannya waktu, analis biasanya menggunakan periode satu tahun atau memeriksa riwayat pembelian sepanjang masa, tetapi itu tergantung.

Untuk bisnis dengan langganan bulanan, jangka waktu setelah 30 hari pertama penting untuk dianalisis, karena tidak ada pembelian setelah 30 hari berarti pelanggan baru telah berhenti.

Jika Anda melihat kemungkinan keseluruhan untuk melakukan churn seiring berjalannya waktu, Anda akan melihat hal serupa.

Jika Anda membagi tingkat retensi di berbagai dimensi, seperti media UTM pada contoh di bawah, Anda mulai melihat heterogenitas ini.

Dalam kasus ini, email sebagai sentuhan pertama dikaitkan dengan tingkat retensi yang lebih tinggi dari waktu ke waktu, sekitar 27% setelah 500 hari, sementara Google menunjukkan tingkat retensi yang lebih rendah, sekitar 18% setelah 500 hari.

Gali lebih dalam: Cara menggunakan data CRM untuk menginformasikan dan mengembangkan kampanye PPC Anda

Mengapa efek guncangan penting bagi pemasar?

Tidak semua pelanggan sama dari sudut pandang CLV.

Bisnis sering kali kehilangan uang karena sebagian besar pelanggan baru yang melakukan churn sebelum mereka mendaftarkan CLV yang cukup tinggi untuk membenarkan biaya akuisisi.

Profitabilitas seringkali sangat terkonsentrasi pada segmen kecil pelanggan yang sangat loyal.

Jika pemasar tidak memperhitungkan guncangan dan melakukan analisis churn dalam jangka waktu yang wajar, mereka mungkin melebih-lebihkan churn jangka panjang, dengan asumsi churn awal terus berlanjut, atau melebih-lebihkan CLV jika mereka mengabaikan kerugian awal sepenuhnya.

Pandangan tingkat tinggi yang kuat menerapkan kurva Lorenz dan prinsip Pareto, yang menunjukkan bahwa 80% CLV berasal dari 20% pelanggan.

Sangat penting bagi bisnis untuk mengidentifikasi segmen inti loyal ini, memahami seperti apa demografi dan perilaku pelanggan, dan apa yang secara spesifik mereka sukai dari merek dan produk.

Mungkin ada lebih banyak pelanggan seperti mereka di luar sana – dan data tersebut dapat menghasilkan wawasan untuk membantu melibatkan mereka dengan penargetan dan pengiriman pesan yang cerdas.

---

Cara mengidentifikasi heterogenitas dalam CRM Anda

Salah satu cara termudah dan efektif untuk menjelajahi data CRM Anda dan memahami apa yang mendorong naik atau turunnya CLV adalah analisis korelasi silang peringkat (RCC).

Sebagai langkah awal, kami ingin mengetahui apakah ada fitur dalam data yang secara jelas menunjukkan banyak varian dalam CLV.

Pada contoh di atas, pelanggan dengan CLV di atas rata-rata:

• Tunjukkan frekuensi pembelian yang tinggi.
• Berlangganan buletin.
• Melakukan pembelian baru-baru ini.
• Awalnya berlangganan setidaknya satu produk.

Meskipun beberapa fitur ini berlebihan, seperti frekuensi pembelian yang terkait erat dengan langganan produk, pandangan ini berfungsi dengan baik dalam menyarankan apa yang menjadi penggerak utama CLV.

Cara sederhana lainnya untuk memahami CLV lintas dimensi adalah dengan memvisualisasikan distribusi data.

• Apakah normal, miring ke kiri, atau miring ke kanan?
• Berapa median CLV berdasarkan frekuensi?

Pada contoh di bawah, dengan menggunakan grafik ridgeline, kita dapat melihat bahwa distribusi CLV mengarah ke kanan, dengan Brasil memiliki CLV tertinggi, yaitu $2.014, dan India memiliki CLV terendah, yaitu $820.

Dimensi mana yang Anda pilih untuk dianalisis bergantung pada apa yang tersedia di CRM Anda.

Setidaknya periksa frekuensi pembelian, terkini pembelian, saluran, geografis, dan produk yang dibeli.

Khusus untuk B2B, saya sarankan menggunakan jabatan, vertikal, dan jenis akun, seperti SMB, perusahaan, dan pertumbuhan tinggi.

Ketika pemasaran menawarkan lebih banyak cara bagi pelanggan untuk terlibat, saya juga menemukan kegunaan dalam memasukkan dimensi ya atau tidak untuk langganan buletin dan SMS.

Metode statistik yang lebih canggih, seperti analisis kolinearitas, regresi bertahap, dan hutan acak, membantu memperhitungkan tantangan kolinearitas dan memperkirakan pentingnya setiap fitur dalam data. Saya akan menyimpannya untuk artikel lain.

Gali lebih dalam: LTV:CAC menjelaskan: Mengapa Anda tidak harus mengandalkan KPI ini

Kesimpulan CLV dari efek guncangan

Singkatnya, pemasar yang cerdas harus:

• Perhitungkan efek guncangan untuk memperkirakan CLV secara akurat.
• Gunakan analisis deskriptif dan prediktif untuk memahami dan memprediksi apa yang memengaruhi CLV.
• Identifikasi dan gali wawasan tentang segmen setia inti mereka untuk menemukan pelanggan serupa di masa depan.