Müşteri Yaşam Boyu Değeri Nedir? Nasıl Hesaplanır ve Tahmin Edilir? (Customer Lifetime Value - CLTV)
Müşteri yaşam boyu değeri, bir müşterinin bir şirketle kurduğu ilişki ve iletişim süresince, bu şirkete kazandıracağı parasal değerdir. Bir şirket, müşterilerinin gelecekte de sağlayabilecekleri faydaları belirlediği takdirde, müşteri ilişkilerini düzenleyebilir. Bu bağlamda hem orta uzun vadede daha müşteri odaklı, hem de daha fazla katma değer odaklı bir yaklaşım sergileyebilir. Birçok yerli ve yabancı firmanın en büyük dertlerinden birisi müşteri yaşam boyu değerini hesaplamaktır.
Bu durum aynı zamanda pazarlama bütçelerinin belirlenmesinde de önemli bir rol oynayacaktır çünkü bir şirket elindeki müşterilerin yaşam boyu değerini hesaplayabilirse, aynı zamanda yeni müşteri bulma faaliyetleri kapsamında maliyetlerin birimleştirilmesiyle, var olan müşteriler kapsamında yapılacak pazarlama faaliyetleri ile yeni müşteriler bulma çabaları arasındaki kıyaslamayı yapabilir.
Müşteri Yaşam Boyu Değeri Nasıl Hesaplanır?
Çok temel bir yaklaşım olarak, satın alma başına ortalama kazanç * Satın alma sayısı formülü ile bir müşteri için en temel yaklaşımla potansiyel değer hesabı yapmış oluyoruz. Genel olarak tüm müşteri yaşam boyu değeri hesaplama modellerinin (olasılıksal modeller vb.) temeli buradaki yaklaşıma dayanmaktadır.
Genelleştirme yapmamız durumunda:
- Ortalama Sipariş Değeri = Toplam Fiyat / Toplam İşlem
- Satın Alma Sıklığı = Toplam İşlem / Toplam Müşteri Sayısı
- Müşteri Değeri = Ortalama Sipariş Değeri * Satın Alma Sıklığı
- Müşteri Terk Oranı = 1 — Tekrarlanan Sipariş Oranı [Birden fazla alışveriş yapan müşteri sayısı / Tüm müşteriler]
- Kar Marjı = Toplam Fiyat * (0,10) [0.10 değeri örnek olarak seçilmiştir. Şirketin stratejisine göre değişkenlik gösterir]
- CLTV = (Müşteri Değeri/Müşteri Terk Oranı) x Kar Marjı
Müşteri yaşam boyu değeri hesaplama yöntemi yukarıdaki formülasyon ile genel olarak ifade edilebilir.
Bir CLTV hesaplama örneği olarak:
Sonuç olarak her bir müşteri için hesaplanacak olan CLTV değerlerine göre bir sıralama yapıldığında ve CLTV değerlerine göre belirli noktalardan bölme işlemi yapılarak gruplar oluşturulduğunda müşterilerimiz segmentlere ayrılmış olacaktır.
Müşteri Yaşam Boyu Değer Tahmini (Customer Lifetime Value Prediction)
Zaman Projeksiyonlu Olasılıksal Lifetime Value Tahmini
Müşteri değerimizi, satın alma sayısı* satın alma başına ortalama kazanç olarak betimlemiştik. Buradan yola çıkarak:
Müşteri Yaşam Boyu Değeri:
CLTV = (Customer Value/ Churn Rate)* Profit Margin
Olarak Müşteri Yaşam Boyu Değerini formüle etmiştik.
Şimdi bir tahmin modeli olarak:
CLTV = Expected Number of Transactions * Expected Average Profit
şeklinde daha önce betimlediğimiz değerlerin olasılıksal halleridir. Bu betimleme olasılık dağılımları kullanarak tahminler yapma imkanı sağlayacaktır.
Esasen formülümüz Conditional Expected Number of Transaction ve Conditional Expected Average Profit değerleriyle ifade edilir.
Conditional Expected Number of Transaction için bütün kitlenin satın alma davranışları bir olasılık dağılımı ile modellenir. Daha sonra bu olasılık dağılımı ile modellenen davranış biçimleri koşullu olarak kişi özelinde biçimlendirilecek şekilde kullanarak, her bir kişi için beklenen satın alma sayıları, (beklenen işlem sayılarını) tahmin edilir. Müşterilerin genel satın alma davranışını bir olasılık dağılımı ile öğrenip bir olasılıksal model kurduktan sonra kişi özelinde o modelin özelliklerini biçimlendirerek, her bir kişi için beklenen satın alma sayısı tahmin edilir.
Aynı şekilde Conditional Expected Average Profit için de bütün kitlenin Average Profit değerini olasılıksal olarak modelledikten sonra bu modeli kullanarak kişi özellikleri girildiğinde, müşteri özelinde koşullu olarak ana kitlenin dağılımından beslenmiş bir şekilde her bir kişi için beklenen Average Profit Değerleri hesaplanabilir.
Bu işlemlerde kullanılan iki adet model ile CLTV değerimizi betimleyebiliriz:
CLTV = BG/NBD Model * Gamma Gamma Submodel
Bu model neticesinde kitlenin ‘genel davranış biçimi’ karakteristiğini her bir bireye indirgeyip, birey özelliklerini modele sorarak her bir kişi için Expected Average Profit ve Expected Number of Transaction değerlerini hesaplayabiliriz. Bu değerlerin çarpımıyla CLTV değerinin gelişmiş ve zaman projeksiyonlu, Conditional Expected ifadesinin taşıdığı genel kitlenin özelliklerini barındıracak şekilde, bu özellikleri bireye doğru biçimlendirme tekniği kullanarak her bir kişi için CLTV hesaplaması gerçekleştirilebilir.
BG/NBD Modeli
(Beta Geometric / Negative Binomial distribution)
Bu dağılımları kullanarak Expected Number of Transaction değerleri hesaplanabilir. Öncelike rassal değişken, değerlerini bir deneyin sonuçlarından alan değişken olarak betimlenmekle birlikte buradaki Expected ifadesi bir rassal değişkenin beklenen değerini ifade etmek için kullanılır. Bir rassal değişkenin beklenen değeri ise o rassal değişkenin ortalaması ile anlamına gelir.
Amacımız, olasılık dağılımları amacıyla genel kitlemizin satın alma davranışlarını modelleyip, bunları kişilerin üzerine indirgemektir.
Ayrıca BG/NBD modeli tek başına satış tahmin modeli olarak da kullanılan bir olasılıksal modeldir. BG/NBD, Expected Number of Transaction için iki süreci olasılıksal olarak modeller:
- Transaction Process: (Buy)
- Satın alma sürecini modeller. Alive olduğu sürece, belirli bir zaman periyodunda, bir müşteri tarafından gerçekleştirilecek işlem sayısı, transaction rate parametresi ile possion dağılır.
- Başka bir deyişle bir kullanıcı alive olduğu süre boyunca kendi transaction rate’i etrafında rastgele satın alma yapmaya devam edecektir.
- Transaction Rate’ler her bir müşteriye göre değişir ve tüm kitle için gamma dağılır. (r,a) - Dropout Process: (Churn)
- Kullanıcının markayı terk sürecini modeller
- Her bir müşterinin p olasılığı ile dropout rate’i (dropout probability) vardır.
- Bir müşteri alışveriş yaptıktan sonra belirli bir olasılıkla drop olur.
- Dropout rate’ler her bir müşteriye göre değişir ve tüm kitle için beta dağılır.
Bu formülde kullanılan değişkenlerin anlamları:
- x: Frequency , en az iki kez işlem yapmış kullanıcılar için tekrar eden satış sayısı.
- t_x: Recency, müşterinin ilk ve son satın alması üzerinden geçen süredir. Haftalık olarak hesaplanır.
- T (Tenure): Müşterinin şirketle etkileşime geçtiği ilk zaman ile referans belirlediğimiz zamana kadar geçen süredir. Müşterinin yaşını ifade etmektedir.
- r, α : Gama dağılımından gelir. Transaction Rate’i modeller.
- b, a : Dropout Rate’i modeller ve beta dağılımından gelir.
BG/NBD modelinde yapılan işlemler sırasında, tüm kitlenin Transaction Rate dağılımı (r,α), Dropout Rate (a, b) dağılımları ile tekil müşteriler özelinde indirgenmiş Frequency (x) ve Recency (t_x) değeri, müşterinin şirketle etkileşime geçtiği ilk zaman ile referans zamana kadar geçen süreyi ifade eden Tenure (T) girildiğinde beklenen satış sayısı tahmini (Expected Number of Transaction) hesaplanmış olacaktır.
Gamma-Gamma Modeli
Bir müşterinin işlem başına ortalama ne kadar kar getirebileceğini tahmin etmek için kullanılır.
- Bir müşterinin işlemlerinin parasal değeri (monetary) transaction value’larının ortalaması etrafında rastgele dağılır.
- Ortalama transaction value, zaman içinde kullanıcılar arasında değişebilir fakat tek bir kullanıcı için değişmez.
- Ortalama transaction value tüm müşteriler arasında gamma dağılır.
- p, q, γ : Transaction Value’ları modeller ve gama dağılımından gelir.
- m_x: Monetary, satın alma başına ortalama kazancı ifade eder.
- x: Frequency , en az iki kez işlem yapmış kullanıcılar için tekrar eden satış sayısı.
Tüm müşterilerin average profit’i hesaplanmasının ardından, her bir müşterinin monetary ve frequency değerleri girildikten sonra beklenen average profit değeri hesaplanmış olacaktır.
Sonuç olarak BG/ NBD ve Gamma-Gamma modellerinin çarpılmasıyla, zaman projeksiyonlu bir tahmin modeliyle oluşturarak, tüm müşteriler genelinde Customer Life Time Value Prediction değeri hesaplanabilir.
Kaynakça:
