[2021 WOW Challenge] CLV(Customer Lifetime Value) Matrix 그리기

2021 WOW Challenge - WEEK 2 : Can you build a Customer Lifetime Value Matrix?

https://workout-wednesday.com/2021w02tab/

2021 Week 2 | Tableau : Can you build a Customer Lifetime Value Matrix? – Workout Wednesday

 

Introduction : 목표

1. 목표 ! Table Calculation의 위대함을 알자 !!
2. 주제 ! **CLV(고객 생애 가치) , 장기적인 관계를 통해 평가

• 장기적인 관계를 통해 평가
• 코호트 집단으로 묶어서 scan vertically !!

데이터 소개

- Superstore dataset for Tableau 2019.4

 

Customer Lifetime Value, 고객 생애 가치

: 고객 한 명에게서 / 우리 서비스를 이용하는 총 기간 내에 / 기대할 수 있는 총 수익

: 계산 식은 아래와 같음

• M: 고객 1인당 평균 매출. 보통 1년 단위로 계산한다.
• c: 고객 1인당 평균 비용. 보통 1년 단위로 계산한다.
• r: 고객 유지 비율 (retention rate), 즉 어떤 고객이 그 다음 해에도 여전히 고객으로 남아 있을 확률
• i: 이자율 또는 할인율
• AC: 고객 획득 비용 (Acquisition Cost). 고객이 첫 방문 또는 첫 구매를 하도록 하는데 드는 비용
• 무한 급수 개념으로 이해하면 쉬움 !!
  
  고객 생애 가치(CLV) = (첫 해에 고객이 가져다 준 이익의 총합) – (신규 고객 유치에 들어간 비용)
  + (둘째 해에 고객이 남아 있을 확률) * ((둘째 해에 고객이 가져다 준 이익의 총합) – (고객 유지에 들어간 비용))
  + (셋째 해에 고객이 남아 있을 확률) * ((셋째 해에 고객이 가져다 준 이익의 총합) – (고객 유지에 들어간 비용))
  + ...

고객 1인당 기여액이 커질수록 CLV 증가

고객 유지 비율이 상승할수록 CLV도 증가

인사이트

– 일반적으로, 신규 고객 유치에 드는 비용(Acquisition Cost)이 기존 고객을 유지하는데 드는 비용(Retention Cost)보다 크다.

-신규 고객 획득 비용(AC) 을 낮추면 CLV에 즉시 영향을 미친다. 위 계산에서 CLV가 $12.5이었는데, AC를 $5에서 $3으로 낮추면 CLV가 즉시 $15로 올라간다.

-고객 유지 비율을 높게 유지하는 것이 정말 중요하다. 예를 들어, 위 공식에서 고객 유지 비율(r)이 70%에서 80%로 높아지면 CLV는 무려 $5나 상승해서 $18로 올라가고, r이 60%로 낮아지면 CLV는 $13에서 $9로 크게 떨어진다.

중요 포인트

1. 고객 유치 비용(Acquisition Cost)을 줄이고
2. 고객 1인당 수익 기여액을 높이고 (M – c)
3. 고객 유지 비율(Retention Rate)을 높이는데에 집중하자.

왜 중요할까?

1. 회사 이익에 기여하는 부분이 큰 고객에게 집중
2. 가치가 낮은 고객이 있다면 어떻게 하면 충성도를 높여서 유지 비율을 높여보자.

CLV 계산 방법

과거 이력 기반 (Historic)

• 개별 고객이 거래한 과거 구매 총 가치 or 총 이익의 합계 측정
• CLV(Historic) = (거래1 + 거래2 + 거래 3… + 거래 n) * 평균마진

예측 기반 (Predictive)

• 과거이력기반보다 더 많은 데이터를 사용하기 때문에 고객 생애주기 동안 회사에 제공할 총 가치를 나타내는 데 좋은 지표가 될 수 있음
• 가격, 할인 등의 변동을 고려할 때 정확한 예측을 결정하는 것은 어려울 수 있음
• CLV(Predictive) = ((월 평균 거래횟수 * 평균구매금액) * 평균 총마진) * 평균고객수명

고객 수명 기반 (Lifespan)

• 고객가치와 고객 수명을 가지고 계산하는 방법
• 평균구매가치
  • 일정 기간 동안의 총 매출을 같은 기간 동안 발생한 구매 횟수로 나누기
  • 총 매출 / 총 구매 횟수
• 평균구매빈도
  • 위의 구매 횟수를 해당 기간 동안 구매한 고객수로 나누기
  • 총 구매 횟수 / 총 구매 고객수
• 평균고객가치
  • 평균구매가치 * 평균구매빈도
• 평균고객수명
  • 고객들이 계속 구매하는 년 수의 평균값 계산
• CLV(Lifespan) = 평균고객가치 * 평균고객수명

동질집단기반 (Cohort)

• 유사한 특성을 가진 고객을 수집하고 그룹화함
• 여러 유형의 고객들 사이에서 결론을 도출하는데 유용함
• cohort
• 

개인화 기반 (Individual)

• 개인화된 CLV는 마케팅의 더 넓은 관점을 고려하는데 유용
• 이 CLV를 통해 어떤 마케팅 채널이 효율적인지, 누구를 타켓팅 해야하는지 등의 인사이트를 얻을 수 있음

Requirements

기존 계획이 성공적인지(=고객이 가져다주는 이익이 늘고있는지) ⇒ VERTICAL SCAN , 즉 수직으로 표현

아래와 같은 작업을 할 예정

1. 대시보드 사이즈: 1400px by 1000 px
2. 시트 수는 자유
3. CLV(Customer Lifetime Value Matrix) 지수 생성
   • 모든 고객은 acquisition quarter (=구매한 첫 quarter)를 기준으로 묶인다.
   •  # of Quarters since birth, 즉 분기 수 별로 LV의 평균을 계산하라
4. 도구 설명으로 형식 맞추기
5. 추가사항
   • Q2 2021, and Q3 2020 에 빈칸 해결하기

사용 기능

• 분기별 코호트 집단 생성
• 아무런 value변화가 없는 gap의 경우 그 전 value로 대체하기

분기 생성 : 모든 고객은 acquisition quarter (=구매한 첫 quarter)를 기준으로 묶인다.

• datetrunc 
  ('날짜 부분',[날짜],[주_시작]) · [날짜]를 '날짜 부분'에 따라 잘라서 반환한 새로운 날짜의 시작일을 반환하는 함수

 

구매한 첫 분기 이후로 지난 분기 수

• DATEDIFF 시작일자와 종료일자 사이의 일수 또는 시간, 분, 초 등의 차이를 계산 ⇒ 현재는 차이를 분기로 반환

CLV : 판매 매출 / 고객 수

• RUNNING_SUM(SUM([SALES])) 는 SUM(SALES)의 누계 합계를 계산
• #CUSTOMER 는 분기별 CUSTOMER NAME을 센 것

Q3 2020, Q2 2021 사이에 GAP 발생

완성 화면

• average lifetime customer value는 시간이 흐를수록 (=age가 증가할수록) 가치는 더 커지고 있음
• 특히 2020년 2분기의 경우 속도 성장 엄청 ↑ : 마켓팅 계획이 잘 들어맞았다라던가, 고객리텐션이 좋다라던가, active marketing을 시작했다던가
• 추가 : 결제 날짜 기준으로 트렌드 파악, 최대 매출을 달성한 고객은 어디에 분포되어있는지