Co to jest wartość życiowa klienta?

Wartość życiowa klienta (CLV) to suma przychodów, jakie klient wygeneruje dla firmy przez cały okres trwania relacji. Wyliczenie tego wskaźnika dla całego okresu współpracy między klientem a firmą, który może trwać nawet kilkadziesiąt lat, byłoby czasochłonne oraz obarczone dużym ryzykiem uzyskania błędnego wyniku, dlatego CLV liczy się zwykle dla krótszego przedziału czasowego, np. 12 miesięcy. Pozwala to zniwelować wpływ takich czynników jak zmiana oferty czy działania konkurencji. W praktyce więc jeśli klient co 3 miesiące kupuje w Twoim sklepie internetowym soczewki kontaktowe, za które płaci każdorazowo 100 zł, to jego CLV w okresie 12 miesięcy wynosi 4 * 100 zł = 400 zł.

Oczywiście powyższe obliczenie jest uproszczone i ma na celu wstępne zarysowanie koncepcji. CLV ma szerokie zastosowanie – jeśli wiesz, ile wart jest dla Ciebie klient, jesteś w stanie skuteczniej decydować, ile pieniędzy możesz przeznaczyć na konkretne działania, aby firma była rentowna.

Do czego wykorzystać wartość życiową klienta?

Znając wartość CLV możesz podjąć na podstawie danych wiele decyzji bazujących do tej pory na przeczuciu bądź ogólnej estymacji. Przede wszystkim CLV pozwala Ci stwierdzić, jak duże nakłady na pozyskanie klienta oraz utrzymywanie z nim relacji możesz ponieść. Dzięki temu określisz maksymalny budżet na działania PPC przy którym nadal opłaca Ci się pozyskiwać klientów.

Na przykład wiedząc, że średnio dział obsługi klienta poświęca 5 godzin miesięcznie na kontakt z klientem, a godzina pracy tego działu kosztuje Cię 40 zł, możesz to porównać z przychodami, jakie w ciągu roku klient wygeneruje dla Twojej firmy i zdecydować, czy na pewno taki kanał wsparcia jest opłacalny. Jeśli nie, to być może bardziej opłaca się stworzyć obszerny dział pomocy na stronie internetowej i tam kierować klientów, którzy nie przynoszą firmie dostatecznie dużo pieniędzy.

No właśnie – jak określić, ile nakładów maksymalnie na pozyskanie i obsługę konkretnego klienta? Z pomocą przychodzi tutaj segmentacja, która powinna być nieodłącznym elementem wyliczania CLV. Wyliczenie uśrednionej wartości dla całej populacji klientów nie pozwoli Ci na wyciągnięcie wniosków pozwalających na skuteczniejsze działanie. A im bardziej skomplikowane jest Twoje portfolio produktów i im większe są różnice pomiędzy poszczególnymi grupami klientów, tym ważniejsza będzie segmentacja i wyliczenie osobnego CLV dla każdego z segmentów, jakie zidentyfikujesz.

Jeśli prowadzić biznes internetowy, to jedną z podstawowych segmentacji jest podział użytkowników wobec źródeł ruchu. Pozwoli Ci to dostrzec różnice w CLV zaangażowanych klientów (pozyskanych np. poprzez newsletter) oraz klientów pozyskanych poprzez serwisy zakupów grupowych, którzy prawdopodobnie chcieli tylko skorzystać z promocji i już nie wrócą do Twojej firmy, ponieważ będą woleli wybrać ofertę promocyjną konkurencji. Taka segmentacja daje Ci informację o tym, które źródło pozyskiwania klientów jest skuteczniejsze i gdzie lepiej alokować budżet na promocję firmy – w pracownika dbającego o jakość kampanii e-mail marketingowych, czy w prowizję dla serwisu zakupów grupowych.

Jak wyliczyć wartość życiową klienta?

Do wyliczenia CLV prowadzą dwie drogi – pierwsza z nich to metody oparte o dane historyczne, natomiast druga to analizy predykcyjne. Analizy predykcyjne polegają na estymowaniu przyszłych przychodów na bazie dobranych kryteriów i wymagają tworzenia zaawansowanych modeli, dlatego na potrzeby tego wpisu przedstawię dwie metody oparte o dane historyczne. Te sposoby są szybsze i mniej skomplikowane. Mają oczywiście swoje wady, ale pozwolą Ci w krótszym czasie rozpocząć podejmowanie decyzji w oparciu o CLV.

Na początku warto jeszcze wspomnieć o tym, jak nie należy liczyć CLV. Najprostszym sposobem wydaje się bowiem podzielenie sumy przychodów na liczbę klientów. Nigdy tego nie rób – uśrednione w ten sposób dane w żaden sposób nie pomogą Ci podjąć właściwych decyzji.

Średni przychód na użytkownika

Na przykład jeśli klient o imieniu Weronika dokonał pierwszego zakupu na kwotę 100 zł w marcu, a następnie dokonał dwóch kolejnych zakupów na kwotę 70 zł każdy w kwietniu, to jego średnia miesięczna wartość wynosi:

(100 zł + 70 zł + 70 zł) / 2 = 120 zł

Jeśli klient o imieniu Adam dokonał w styczniu zakupu na kwotę 200 zł, a kolejnego zakupu na kwotę 80 zł dokonał dopiero w kwietniu, to jego średnia miesięczna wartość wynosi:

(200 zł + 80 zł) / 4 = 70 zł

Uśredniając ten wynik uzyskujesz wartość ARPU w ujęciu miesięcznym:

(70 zł + 120 zł) / 2 = 95 zł

Aby poznać CLV dla okresu 12 miesięcy, wystarczy pomnożyć uzyskany wynik:

95 zł * 12 = 1140 zł

Metoda średniego przychodu na użytkownika (ang. Average Revenue per User) to prosty i szybki sposób na wyliczenie wartości życiowej klienta (ang. Customer Lifetime Value). Dzięki niej obliczysz, ile pieniędzy średnio wydają klienci na Twoje usługi, co pomoże Ci podejmować trafne decyzje związane z pozyskiwaniem i obsługą klientów.

Oczywiście przy obliczaniu ARPU w Twojej firmie wykorzystasz dane o większej liczbie klientów, więc wyliczenie CLV potrwa dłużej, ale wciąż będzie oparte o przedstawione wzory. Zaletą tej metody jest szybkość i prostota. Jej wada to fakt, że nie bierze pod uwagę podziału na nowych i powracających klientów a także zmian w ich zachowaniu. Posiadając wartość ARPU nie jesteś w stanie określić, która z grup klientów ma większy wpływ na końcową wartość wskaźnika. Np. bazując na ARPU nie dostrzeżesz spadku przychodów w grupie powracających klientów (czyli spadku ich lojalności), jeśli jednocześnie szybko rosną przychody generowane przez nowych klientów. Wskaźnik pozostanie w miejscu, więc sytuacja na pozór będzie wyglądać normalnie, a prawdziwe problemy będą dla Ciebie niewidoczne.

Analiza kohort

Remedium na wady ARPU jest analiza kohort. Kohorta to grupa klientów, która dokonała pierwszego zakupu (lub zrealizowała inny cel, np.

Analiza kohort to metoda obliczania CLV, która uwzględnia podział przychodów uzyskanych od konkretnych grup klientów w podziale na kolejne miesiące. Ta metoda umożliwia sprawdzenie jaka część przychodu pochodzi od nowych klientów, a jaka od powracających, jak przedstawia się dynamika zmian między przychodami z tych dwóch grup oraz jak klienci zachowują się wraz z kolejnymi miesiącami od dokonania zakupu. Pozwala też dokładniej niż w przypadku ARPU estymować przychody w kolejnych miesiącach.

Dzięki analizie kohort dowiesz się, jak wygląda CLV w podziale na poszczególne miesiące licząc od pierwszego zakupu dokonanego przez klienta. Pozwoli Ci to zaobserwować trend i przewidzieć, ile faktycznie zarobisz przez kolejne 4 miesiące w odniesieniu do liczby klientów na poszczególnych etapach. Możesz np. wyciągnąć taki wniosek, że pierwsze dwa miesiące nie przynoszą zbyt wysokich przychodów, ponieważ klient chce wypróbować Twoje produkty bez inwestowania wielu pieniędzy, ale gdy się do nich przekona, to w trzecim miesiącu składa duże zamówienie.

Na podstawie takich danych możesz podjąć decyzję o zintensyfikowaniu działań budujących zaufanie do Twoich produktów oraz firmy w pierwszych dwóch miesiącach od pozyskania klienta, tak aby zwiększyć wartość zamówień składanych w trzecim miesiącu bądź zwiekszyć liczbę klientów, którzy w kolejnych miesiącach zdecydują się na zakup.

Analiza kohort pozwala Ci też zidentyfikować trend i obszary Twojej działalności wymagające poprawy. Jeśli widzisz, że wraz z upływem czasu klienci coraz mniej wydają w kolejnych miesiącach, oznacza to, że powinieneś popracować nad ich lojalnością identyfikując, co wpływa na ich mniejszą powracalność oraz znaleźć na to rozwiązanie.

Do wad analizy kohort w kontekście CLV trzeba zaliczyć fakt, że nie sprawdza się ona w momencie gdy rynek szybko się zmienia lub gdy firma dynamicznie rośnie. Klienci pozyskiwani na początkowym etapie istnienia firmy, czyli tzw. early adopters, różnią się od klientów pozyskiwanych na kolejnych etapach. Np. jeśli sprzedajesz aplikację w modelu SaaS i na początku działalności była ona niedopracowana, to pozyskani wtedy klienci prawdopodobnie szybko zrezygnowali z usługi. Zakładając, że po kilku miesiącach aplikacja działała sprawnie i pozyskiwani pół roku po starcie klienci przedłużali abonament, to analiza kohort z pierwszych kilku miesięcy wskazywałaby na przychody sporo mniejsze, niż rzeczywiste.

Teraz Twoja kolej!

Oblicz CLV dla swoich klientów korzystając z jednej z przedstawionych wyżej metod, najlepiej uwzględniając podział na segmenty. Dzięki temu będziesz mógł podejmować skuteczniejsze decyzje dotyczące np. wydatków na pozyskiwanie ruchu czy oferowanego wsparcia posprzedażowego.

Jeśli chcesz zyskać przewagę konkurencyjną dzięki zwiększaniu współczynnika konwersji oraz zwiększyć zysk swojej witryny bez wydawania kolejnej złotówki na reklamę, skontaktuj się z Conversion by poznać nasze podejście. Więcej o optymalizacji współczynnika konwersji dowiesz się pobierając przygotowane przez nas bezpłatne poradniki, raporty oraz case studies.

The post Jak obliczyć wartość życiową klienta (Customer Lifetime Value)? first appeared on Conversion.

Analiza polega na „kopaniu” w danych, nie na powierzchownej obserwacji. Tylko dzięki segmentacji jesteśmy w stanie zdobyć informacje, które pozwolą na stawianie trafnych rekomendacji.

Google Analytics wychodzi naprzeciw potrzebom analityków i sukcesywnie rozszerza funkcjonalności w obszarze segmentacji. Od lipca 2013 otrzymaliśmy porcję naprawdę przydatnych zmian: w tym nowe segmenty zaawansowane (w wersji angielskiej: unified segments).

W tym poście pokażę Wam, jak mądrze i efektywnie wykorzystywać je w Waszych analizach.

Rodzaje segmentacji w Google Analytics

Segmenty zaawansowane to jedna z metod segmentacji w Google Analytics. Nie jedyna – możemy także podzielić nasze dane w prosty sposób eksploracji raportów (tzw. drążenie w dół) lub poprzez nałożenie filtrów – z poziomu widoku bądź wewnątrz raportów. Kolejną metodą, chociaż formalnie nie zakwalifikowaną jako segmentacja, jest segmentacja do celu przy pomocy „poziomych ścieżek”. Każda z tych technik ma odpowiednie zastosowanie podczas różnych analiz, dlatego zdecydowanie polecam dokładnie się z nimi zapoznać – na przykład z pomocą naszego bloga

Segmenty zaawansowane: powrót do podstaw

Na początek tylko krótkie przypomnienie: segmenty zaawansowane pozwalają na wielowymiarową segmentację użytkowników danej witryny. Operacje wykonywane są w czasie rzeczywistym i dają większe możliwości analizy danych historycznych. Możemy je zestawiać i porównywać w raportach. Co więcej, w przeciwieństwie do filtrów, gdy wyłączymy dany segment, nie tracimy zebranych danych.

Nowe segmenty zaawansowane: co się zmieniło?

Od kilku miesięcy korzystamy z nowych segmentów zaawansowanych w Google Analytics. Począwszy od odświeżonego wyglądu po segmenty sekwencyjne, przygotowałam dla Was pełne zestawienie nowych funkcjonalności wraz z przykładami, jak wykorzystać je w codziennych analizach.

Nowy interfejs

Do zmian interfejsu Google Analytics zdążył nas już przyzwyczaić. Nie inaczej było w przypadku wprowadzenia modyfikacji w obrębie segmentów.

Pojawiło się kilka nowych gadżetów (takich jak np. wykresy kołowe, które pokazują jaki procent ruchu przypada na dany segment) oraz więcej segmentów wbudowanych – skonfigurowanych standardowo. Sam wygląd jest przejrzysty i logiczny, i tym samym – bardziej przyjazny dla użytkownika.

Możemy „przerzucać” kafelki segmentów, aby w prosty sposób nałożyć je na raporty, a także edytować je z poziomu kafelków (klikając w małą ikonkę ustawień). Pomocna jest także wyszukiwarka segmentów, która ułatwia poruszanie się po tej sekcji. Jeżeli nie odpowiada Wam rozwiązanie w formie kafelków – zawsze możecie przełączyć się na listę segmentów (oznaczono strzałką). Segmenty możemy dodawać z poziomu raportów, albo z poziomu administratora (w sekcji Widok).

Nowy wygląd to tylko wstęp do zmian, które przygotował dla nas Google Analytics. Prawdziwa gratka dla analityków to możliwość segmentacji w odniesieniu do użytkownika, analiza kohort oraz filtry sekwencyjne.

Segmentacja na użytkownika

Nareszcie Google Analytics pozwala mierzyć „prawdziwych użytkowników”. Przed wprowadzeniem zmian mogliśmy nakładać segmenty tylko w oparciu o wizyty – co chociaż bardzo przydatne, zdecydowanie nie dawało pełnego obrazu.

Aby lepiej zobrazować jakie możliwości daje segmentacja na użytkownika, przyjrzyjmy się przykładowej analizie w e-commerce.

Załóżmy, że sklep internetowy chce przeprowadzić analizę źródeł ruchu w segmencie użytkowników, którzy dokonali zakupów na kwotę powyżej 1000 PLN. Celem jest sprawdzenie i ocena, które źródła sprowadzają „najlepszy” ruch i są najbardziej efektywne.

Nakładając segment w oparciu o odwiedziny udałoby się wyselekcjonować jedynie użytkowników, którzy zrealizowali taką transakcje podczas jednej sesji. Co jednak z tymi, którzy w danym czasie pojawili się trzykrotnie w serwisie, każdorazowo dokonując transakcji o wartości 500 PLN? Rozwiązaniem jest segmentacja po użytkowniku: wówczas nałożone segmenty obejmą dokładnie wszystkich użytkowników, a nie sesje, które odpowiadają przedstawionym warunkom.

Przykładów na wykorzystanie takiej formy segmentacji danych jest o wiele więcej:

Stworzenie segmentu zaawansowanego na użytkownika, w którym jako warunek zdefiniujemy akcję „dołącz do newslettera” pozwoli na analizę zachowania użytkowników, którzy kiedykolwiek zapisali się do naszego newslettera.

Należy pamiętać, że dane zebrane w segmentach na użytkownika obejmują okres do 90 dni.

Jeżeli chcemy sprawdzić, jaka część użytkownikowi i sesji zostanie włączona do danego segmentu, a także – zweryfikować czy segment utworzony jest poprawnie (warunki mogą być spełnione), warto wykorzystać opcję Przetestuj.

Możliwość analizy kohort

Dzięki wprowadzeniu segmentów operujących na danych o użytkownikach pojawiła się nowa funkcjonalność istotna dla analityków. Mowa o analizie kohort, czyli grup użytkowników, których łączy określona cecha. W uproszczeniu: analiza kohort to nałożenie warunku daty.

Załóżmy, że sklep internetowy prowadzi intensywną kampanię cpc w okresie świątecznym. Marketerzy chcieliby jednak wiedzieć, jak w późniejszym okresie zachowują się użytkownicy, którzy dokonali transakcji w czasie trwania kampanii. Możemy nałożyć warunek: pokaż mi segment użytkowników, którzy weszli do mojego sklepu pomiędzy 15 listopada a 15 grudnia 2013, z medium cpc i dokonali transakcji o kwocie większej niż 100 złotych. Dzięki zastosowaniu takiego warunku, mogę przekonać się, jak w dalszej perspektywie zachowuje się segment użytkowników, który udało mi się pozyskać płatną kampanią listopad/grudzień. Czy w styczniu i lutym także dokonują transakcji?

Jednak i w przypadku analizy kohort pojawiają się ograniczenia: zakres dat pierwszej wizyty może wynosić maksymalnie 31 dni.

Filtry (segmenty) sekwencyjne

Czy zmiany wprowadzone w Google Analytics pozwolą wycisnąć z danych jeszcze więcej? Jak najbardziej.

Znacie już filtry sekwencyjne? Pozwalają one analizować konkretne sekwencje zachowania użytkowników na Waszej stronie. A konkretnie: sekwencje kroków (czyli na przykład odwiedzanych stron lub zdarzeń), które użytkownicy wykonują podczas obecności w naszym serwisie.

W praktyce oznacza to, że możemy zawęzić grupę użytkowników do tych, którzy przeszli ze strony kategorii bezpośrednio do koszyka. Albo do tych, którzy byli na karcie produktu, ale wrócili do serwisu. Albo takich, którzy weszli do koszyka, a nigdy nie dokonali transakcji. I tak dalej…

Tak stworzony segment sekwencyjny pozwoli nam zidentyfikować użytkowników, którzy przeszli ze strony kategorii do koszyka. Na uwagę zasługują opcje „Poprzedza” i „Bezpośrednio poprzedza”. Opcja „Bezpośrednio poprzedza” oznacza, że użytkownik musiał odwiedzić daną stronę w sekwencji bezpośrednio przed przejściem do kolejnego kroku. Opcja „Poprzedza” nakazuje tylko wykonanie kroku pierwszego w przeszłości, niekoniecznie bezpośrednio przed dokonaniem przejściem na daną stronę. Dzięki przełącznikowi „wizyty” możemy zdefiniować, czy zależy nam na sekwencji w trakcie jednej, czy wielu wizyt.

Nie ulega wątpliwości, że filtry sekwencyjne sprawdzą się podczas badania ruchu i zachowania na ścieżkach. Do tej pory w tym celu mogliśmy wykorzystywać jedynie raport wizualizacji ścieżek. Takie rozwiązanie miało jednak pewne wady, przy czym największym problemem był brak możliwości wygodnej segmentacji. Co więcej, raport wizualizacji ścieżek dawał dostęp do ograniczonej ilości informacji.

Ale to nie jedyne zastosowanie. Przyjrzyjcie się innym możliwościom wykorzystania tej funkcjonalności:

Możemy dokładnie przyjrzeć się segmentowi użytkowników, którzy zarejestrowali się w naszym serwisie w celu pobrania e-booka, ale po rejestracji nie wykonali takiej akcji. Dzięki stworzeniu takiego segmentu możemy rozpocząć stawianie i sprawdzanie hipotez: czy przycisk „Pobierz e-book” jest widoczny dla użytkowników? Czy może strona zawiera jakieś błędy, które uniemożliwiają dokończenie akcji?

Dzięki filtrom sekwencyjnym możemy nałożyć na dane segment użytkowników, dla których pierwszym kontaktem z naszą domeną był blog. Wystarczy wpisać taki warunek jako początek sekwencji i wybrać „pierwszą interakcje użytkownika”.

Podsumowanie

Nowe segmenty otwierają przed analitykami jeszcze większe niż dotychczas możliwości segmentacji.

Należy pamiętać, że stosowanie segmentów jest obarczone pewnymi ograniczeniami. Podział zmniejsza próbę, na podstawie której następnie będziemy podejmowali decyzje. Im mniej obserwacji, tym bardziej możemy się pomylić co do istotności wyników. Tu z pomocą przychodzą funkcje „Testuj” oraz „Podgląd” przed zapisem i faktycznym wykorzystaniem. Dzięki nim możecie sprawdzić liczebność próbki i tym samym sens zastosowania takiego segmentu.

Nowe segmenty dają możliwości nie do przecenienia nie tylko dla analityków. To potężna dawka wiedzy dla marketerów, którzy dzięki segmentacji po użytkowniku mogą jeszcze lepiej targetować reklamy dzięki listom remarketingowym. Nowe funkcjonalności pozwalają wyodrębnić segment użytkowników, który na przykład wymaga większego zachęcenia do zakupu, bądź wydaje się być wyjątkowo perspektywiczny – i skierować do niego odpowiedni przekaz reklamowy.

Nie ma więc żadnej wymówki. Segmentacja to podstawa – jej niestosowanie to poważny błąd w analizie danych.

Niech przestrogą będą słowa Avinasha Kaushika: „Do segmentation or die – there is no try”

The post Wszystko, co powinieneś wiedzieć o nowych segmentach zaawansowanych w Google Analytics first appeared on Conversion.