El Customer Lifetime Value o Ciclo de Vida del Cliente es una métrica usada en marketing para calcular el valor económico que representa un cliente para la empresa durante un determinado periodo de tiempo. También conocido como CLV o CVC, sirve para tomar decisiones que prioricen la rentabilidad en las acciones dirigidas a captar nuevos clientes, a fidelizar y a retener a los usuarios que ya lo son. En nuestro artículo, abordamos las ventajas de utilizar técnicas de machine learning para estimar y predecir el CLV con eficacia.
Por qué es importante el Customer Lifetime Value en marketing
Conocer el Customer Lifetime Value es de gran utilidad porque permite:
- Segmentar la base de clientes en función de la rentabilidad de cada cohorte de usuarios identificando sus características y determinar en qué grupo centrar los esfuerzos (en todos los sentidos: desarrollo de productos, marketing…).
- Fijar el coste de adquisición para cada nuevo cliente y, por tanto, establecer un marco de referencia en el que encuadrar la inversión destinada a acciones de marketing.
- Crear experiencias personalizadas para los clientes más interesantes para la marca (por ejemplo, con ofertas especiales o propuestas de up-selling o cross-selling) y diseñar un programa de fidelización acorde a su perfil con el objetivo de aumentar el CLV.
Hay distintas fórmulas para calcular el Customer Lifetime Value dependiendo del modelo de negocio con el que funciona la empresa (basado en suscripciones o libre) y de la clase de costes que se consideren en la relación con el cliente. La publicación Harvard Business Review propone este.
¿Cómo estimar el Customer Lifetime Value con machine learning?
Los algoritmos de machine learning aplicados al análisis del Customer Lifetime Value parten del histórico de datos para realizar predicciones e inferir el comportamiento de los clientes, con el fin de estimar el número de compras que van a efectuar en el futuro. La ventaja estratégica que otorga el uso del machine learning en este ámbito es la capacidad de optimizar la estrategia de marketing actual haciendo hincapié en el largo plazo.
Si nos centramos en los negocios que no están basados en suscripciones, se pueden aplicar distintos modelos, entre los que destacan:
1. Los modelos probabilísticos clásicos
En pocas palabras, son sobre todo el modelo de Pareto/NBD o su evolución, el modelo BG/NBD. Estos modelos suponen que, cada cierto tiempo, el cliente compra y después de un periodo concreto, el cliente deja de comprar (la relación con la marca muere). Su comportamiento en ambos casos depende del histórico de transacciones.
2. Los modelos de aprendizaje automático con redes neuronales profundas (DNN)
Muy usados para trabajar con series temporales, estos modelos son ideales para encontrar patrones en el tiempo y poder inferirlos en el futuro. Se trata de una herramienta muy flexible que se adapta mejor tanto a los datos de los que disponemos actualmente, como a los datos que serán inferidos en el futuro. Dada su naturaleza, necesitan trabajar con una gran cantidad de datos para ofrecer un buen rendimiento. Por ello, para implementarlos en el ciclo de vida del cliente, es necesario crear data lakes y data warehouses con los que alimentarlos (como por ejemplo, BigQuery).
Además, hay que mencionar que son mucho más intensos computacionalmente hablando si los comparamos con los algoritmos tradicionales. Los modelos de machine learning en producción tienen que encontrar un equilibrio entre su bondad, tiempo de computación (a mayor tiempo, mayor dinero hemos de invertir) y nuestra capacidad de ofrecerles datos con los que nutrirlos, por lo que la elección de modelo con el que trabajar siempre debe ser hecha a medida de las necesidades de la marca.
El punto de partida de ambos tipos de modelos es común y consiste en clasificar los clientes en segmentos. Aquí es esencial la calidad y cantidad de los datos de transacciones, ya que es la base para definir la importancia de cada cliente (al que se le asigna un ID individual) en función del valor que genera. Para esta clasificación es habitual en marketing utilizar los modelos RFM cuyas siglas hacen referencia a las tres métricas en las que se basa la creación de clusters: las transacciones recientes (recency), la frecuencia de las compras (frecuency) y su valor (monetary value).
Optar por una vía u otra depende principalmente de las características de los datasets con los que se cuente. En general, los modelos probabilísticos clásicos funcionan bien cuando hay un buen número de compras repetidas por cada cliente, si no se tiene acceso a datos de CRM o de analítica web o cuando el histórico de datos no es muy extenso en el tiempo.
En cambio, los modelos basados en redes neuronales profundas son adecuados si se posee un histórico de datos más potente y si se tiene acceso a herramientas extra que se pueden integrar como, por ejemplo, el CRM o la propia web cuya información servirá para nutrir el algoritmo.
Machine learning para el estudio del cliente presente y futuro
En tiempos de incertidumbre en los que la volatilidad de los hábitos de consumo es constante, el análisis y tratamiento masivo de datos con técnicas de machine learning se vuelve crucial para que la toma de decisiones se ajuste a la realidad actual, sin que ello perjudique a la estrategia a largo plazo.
Junto con los modelos de atribución avanzados y la analítica omnicanal, el estudio del Customer Lifetime Value es otra área en la que la aplicación de técnicas de machine learning destaca por su potencial para refinar la estrategia de marketing digital y optimizar el rendimiento de la inversión publicitaria.
