GAUC 2017 Workshop Customer Lifetime Value: Oliver Kiderle (Google)

Confidential + Proprietary
Oliver Kiderle - EMEA Product Lead
Google Analytics Konferenz 2017
Customer Lifetime Value mit GA

Quelle: Lorem ipsum dolor sit amet, consectetur adipiscing elit. Duis non erat sem
Proprietary + Confidential
Attribution löst seit 2011*
ein zentrales Marketing-Problem
Direct? ? Store
Direct?
DirectDirect
Paid Search
Direct
Quelle: Google Analytics Blog Introducing Multi-Channel Funnels: discover untapped opportunities in your conversion path
DirectDirectReferral

Aber fehlt da nicht noch etwas?
DirectReferral Direct
DirectPaid Search
DirectDirect
Quelle: Google Analytics Blog Introducing Multi-Channel Funnels: discover untapped opportunities in your conversion path
Store

Wir optimieren Pfade.
Nicht Customer Journeys!
DirectReferral Direct
DirectPaid Search
DirectDirect
Store

Unsere Kunden passen nicht in Trichter…
“Best practitioners
aim not just to improve
the existing journey but
to expand it.”
Quelle: Harvard Business Review Competing on Customer Journeys (2015)

Eine umfassende Betrachtung beantwortet
entscheidende Fragen
Akquirieren wir die
besten Nutzer?
Bieten wir genug? Wie erhalten wir
bestehende Nutzer?
3.60€
1.20€ +5% Kunden-
bindung
+25% Profit
Quelle: Bain & Company: Prescription for Cutting Costs (2001)

Also - warum wird CLV so wenig genutzt?
Quelle: See Charts
Führungskräfte die einen guten Überblick/akurate
Messung von CLV/Kundenbindungsraten haben
(% der Befragten)
Quelle: CMO Council (2016) durch eMarketer (basierend auf Nordamerika)
16%

Vertragsgebunden
Kosten finden an Terminen statt
Kosten ändern sich i.d.R. nicht
Kundenbindung extrem wichtig
Versicherung Kleidung
Geschäftsmodelle …
Kein Vertrag
Flexible Zeitpunkte
Kosten variieren zw. Käufen
Warenkorb und Kundenbindung
entscheidend

… Messweisen …
Cookies User ID Stitching Fingerprinting

… Richtungsweisen … FY2015
FY2016
2016 2017
Heute
20€ 80€ -5€ 30€ 44€

FY2016
2016 2017
Heute
20€ 80€ 30€ 44€
95€
-5€

FY2016
2016 2017
Heute
20€ 80€ 30€ 44€
95€ 74€
-5€

FY2016
2016 2017
Heute
20€ 80€ 30€ 44€
95€ 74€
229€
-5€

… Berechnungen …
CLV = U * L
Kunden sind unterschiedlich teuer in der Akquise und haben
ganz unterschiedliche Margen, warum alle gleich behandeln?

CLV = (U - K) * L
Was ist mit Rückgaben?
… Produktionskosten?
… Marketingkosten?
Wie verhält es sich mit dem Zeitwert des Geldes?

CLV = U ( ∑ ri
(1+d)i ( ∑ ri-1
(1+d)i-0.5- K) )
Wie evaluieren wir indirekte Effekte wie word-of-mouth?

… Berechnungsmodelle …
RFM Recency, Frequency, Monetary Value
Kunden werden segmentiert und nach (i.d.R.) Regressionsmodellen bewertet

… Berechnungsmodelle …
RFM Recency, Frequency, Monetary Value
Kunden werden segmentiert und nach (i.d.R.) Regressionsmodellen bewertet
Pareto/NBD NBD: Negative Binomial Distribution
Pareto wird genutzt um Ende der Kundenbeziehung zu simulieren, NDB für Transaktionshöhe
Hazard Rate Hazard (engl. für Gefahr/Risiko), beschreibt das Risiko des Verlusts von Kunden
Bspw. Borle, Singh, Jain (2008): Customer Lifetime Value Measurement
Markov Chains Simuliert die Wahrscheinlichkeit, dass ein Kunde einen bestimmten Status einnimmt
Bspw. Pfeifer, Carraway (2000): Modeling Customer Relationships as Markov Chains

… und wo wir schon von Pareto reden …
20% 80%

Es gibt bereits viele Lösungen!
2012 2013 2014 2015 2016 2017
Universal
Analytics
Beta
Lifetime
Value
User
Explorer
Data
Import
RFMizer
GA
BigQuery
Kohorten-
Analyse
BigQuery
CLV
notebook
LTV for Web
Session Quality
Users
Everywhere

Lifetime Value Report

Lifetime Value Report
ADWORDS
WORKS!
ADWORDS
WORKS!

Kohortenanalyse

Nutzer-Explorer
It is one of the finest
additions to Google
Analytics after introducing
Cohorts, LTV & Postbacks.
“
”“The new User Explorer report is great and I can’t wait to use it.”
Margarita Evtimova, Google Analytics Notes
With this feature, Google Analytics is really pushing hard to be “The Killer Web Analytics Tool”
Andrea Rapanaro, Atos Consulting

Nutzer-Explorer

Benutzerdefinierte Metriken
2016 2017
Heute
30€
40€

2016 2017
Heute + x
30€
40€
25€

2016 2017
Heute + x
30€
40€
25€
25€ vs. 0€
55€ vs. 40€

Benutzerdefinierte Metriken Dimensionen
2016 2017
Heute + x
‘30’€
‘40’€
‘25’€
25€ vs. 40€ (User Scope)

Benutzerdefinierte Dimensionen
Custom Dimension X matches regex ^[3-9][0-9]+€?$
Segment: Kunden mit CLV ≥ 30€
Custom Dimension X matches regex ^([0-9]|[1-2][0-9])€?$
Segment: Kunden mit CLV < 30€
Custom Dimension X matches regex ^([2][0-9])€?$
Segment: Kunden mit CLV ≥ 20€ und < 30€

Externe Quellen
Quelle: https://goo.gl/xzfm8M
ZAIUS
BIGDATAMODULES3PPLATFORMS
ZODIAC
IBM SPSS MODELER ORACLE DATA MINING SAS ENTERPRISE MINER
PEGA

BigQuery CLV
Quelle: https://goo.gl/xzfm8M

3. Errechnung des
durchschnittlichen Erwartungswert
1
RFM Modelling mit GA
Quelle: https://goo.gl/qbkTvK
Entwickelt von Lado Lebanidze & Alexander Prikhodko (Google Moskau)
Recency
Freq. $ 1 2 3
1 1 5% 5% 24%
1 2 5% 5% 24%
1 3 5% 5% 24%
2 1 5% 17% 37%
2 2 8% 32% 73%
2 3 21% 76% 194%
3 1 2% 37% 122%
3 2 1% 79% 360%
3 3 3% 202% 1326%
Recency (Letzter Kauf)
321
1. RFM gruppiert Nutzer in
gleichgroße Abschnitte
180_days_ago 90_days_ago 7_days_ago
Frequenz der Käufe
2 3
1_Order 3_Orders 5_Orders 7+_Orders
Monetärer Wert (Durchschnitt)
21
$0.00 $10.00 $20.00 $30.00 $40.00
3
2. Kombination
Unterschiedlicher Dimensionen
Frequency
Recency
$

RFM Modelling mit GA
Order date Customer ID Order Value
01-02-15 177237 $140
02-02-15 177323 $30
01-03-15 177237 $35
CRM Auszug Kundensegmentierung
anhand eines RFM Modells
Analytics
Nutzer-Listen-Import
Recency und Frequenz von
Käufen auf Nutzerlevel
Monetärer Wert
Frequency
Recency
$
Quelle: https://goo.gl/qbkTvK
Entwickelt von Lado Lebanidze & Alexander Prikhodko (Google Moskau)

Case Study: ozon.ru
Nach 4 Monaten…
100%
Steigerung der Abschlussrate
55%
Steigerung der Kosten-Umsatz-Relation

Vielleicht einen Schritt zurück?
Akquirieren wir die
besten Nutzer?
Bieten wir genug? Wie erhalten wir
bestehende Nutzer?
3.60€
1.20€ +5% Kunden-
bindung
+25% Profit
Quelle: Bain & Company: Prescription for Cutting Costs (2001)

Einordnung bestehender Lösungen
* Basierend auf Erfahrungswerten - deutlich vom Einzelfall abhängig
Komplexität*
Handlungsfähigkeit*
Mehrwert*
hoch
Nutzer halten
Gebote
Richtige Nutzer
Primäre Antwort*
BigQuery
RFMizer
Custom
Dimensions/
Metrics
Kohorten-
Analyse
Lifetime
Value in
Apps Nutzer-
Explorer
GA Standard
Wenig Anpassung nötig
GA Standard
Anpassung nötig
GA gestützt
Nutzung zusätzlicher Tools

Takeaways
1 GA bietet Standardlösungen und dazu auch
noch Flexibilität
2 The devil is in the detail - Pareto!
3 Viele Unternehmen tappen noch im Dunkeln
und benötigen Unterstützung

Appendix

… Geschäftsmodelle …
Vertrag Kein Vertrag
Fest Variabel Fest Variabel
Fortlaufend Einige Bibliotheken und
Grafiksammlungen
Kreditkarte Kino
In-Game Purchases
Lebensmittel
Reisen
Kleidung
Diskret Versicherungen
Kredit
Handyvertrag (Flat)
Handyvertrag Friseur Autokauf
Quelle: Angelehnt an Singh, Jain (2013) - Faculty & Research Working Paper:
https://goo.gl/5Daohs

Also - warum wird CLV so wenig genutzt?
Lead Anzahl 46% (48%)
Conversion Rate 40% (50%)
Marketing ROI 38% (56%)
Brand Mentions 35% (41%)
Lifetime Value 32% (49%)
Net Promoter Sc. 26% (32%)
Metriken die Unternehmen tracken vs brauchen
(% der Befragten)
Quelle: HBR (2016) durch eMarketer
Quelle: See Charts
Führungskräfte die einen guten Überblick/akurate
Messung von CLV/Kundenbindungsraten haben
(% der Befragten)
Quelle: CMO Council (2016) durch eMarketer (basierend auf Nordamerika)
Jeden Tag besser
(37%)
Nein (45%)
Ja (16%)
Wissen es nicht (3%)
Wollen es tracken
Derzeit getrackt

… “One-off” Methodik …
Quelle: https://goo.gl/jdvJvK

GAUC 2017 Workshop Customer Lifetime Value: Oliver Kiderle (Google)

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

Similaire à GAUC 2017 Workshop Customer Lifetime Value: Oliver Kiderle (Google)

Similaire à GAUC 2017 Workshop Customer Lifetime Value: Oliver Kiderle (Google) (20)

Plus de e-dialog GmbH

Plus de e-dialog GmbH (19)

GAUC 2017 Workshop Customer Lifetime Value: Oliver Kiderle (Google)