客戶生命週期價值預測- Dynamics 365 Customer Insights

先決條件; 建立客戶生命週期價值預測; 審查預測狀態與結果; 管理預測. 預測在一段定義好的未來時間中，個別活躍客戶將帶來的業務潛在價值(營收)。

跳到主要內容 已不再支援此瀏覽器。

請升級至MicrosoftEdge，以利用最新功能、安全性更新和技術支援。

下載MicrosoftEdge 其他資訊 目錄 結束焦點模式 閱讀英文 儲存 目錄 閱讀英文 儲存 意見反應 編輯 Twitter LinkedIn Facebook 電子郵件 WeChat 目錄 客戶生命週期價值預測 發行項 05/05/2022 2位參與者 此頁面有所助益嗎？ Yes No 還有其他意見反應嗎？ 系統會將意見反應傳送給Microsoft：按下[提交]按鈕，您的意見反應將用來改善Microsoft產品和服務。

隱私權原則。

送出 謝謝。

本文內容 預測在一段定義好的未來時間中，個別活躍客戶將帶來的業務潛在價值(營收)。

此功能可協助您實現許多目標： 找出高價值的客戶並處理這種見解 根據潛在價值建立策略性的客戶細分，便能在目標銷售、行銷及支援工作執行個人化行銷活動 引導產品開發，專注能增加客戶價值的功能 透過優化銷售、行銷策略、更準確地分配預算等方式來進行客戶拓展 透過忠誠度或獎勵計畫，識別和獎勵高價值客戶 先決條件 在開始使用之前，請思考CLV對企業的意義。

目前，我們支援以交易為基礎的CLV預測。

客戶的預測價值是依據商務交易的歷史記錄產生。

若要建立預測，您至少需要參與者權限。

因為設定與執行CLV模型所需的時間不長，請考慮以不同輸入喜好設定建立多個模型，並比較模型結果，查看哪種模型方案最符合您的業務需求。

資料需求 下列是需要的資料，而標示為選擇性的地方，建議使用以增加模型效能。

模型處理的資料越多，預測就越準確。

因此，我們鼓勵您盡可能內嵌更多的客戶活動資料。

客戶識別碼：將交易記錄匹配至單一客戶的唯一識別碼 交易記錄：歷史交易記錄與下方的語意資料架構 交易識別碼：交易的唯一識別碼 交易日期：日期，最好是每個交易記錄的時間戳記 交易總額：每個交易記錄的金錢價值(例如，營收或獲利率) 指派給退貨的標籤(選用)：布林值，表示交易是否為退貨 產品識別碼(選用)：此交易記錄內的產品其產品識別碼 其他資料(選用)，例如 網頁活動：網站訪問歷史記錄、電子郵件歷史記錄 忠誠度活動：忠誠度獎勵積分應計和兌換歷史記錄 客戶服務記錄、服務電話、投訴或退貨歷史記錄 關於客戶活動的資料(可選)： 活動識別碼，用於區分相同類型的活動 客戶識別碼，可將活動對應至客戶 活動資訊，包含活動的名稱和日期 活動的語意資料結構描述包含： 主索引鍵：活動的唯一識別碼 時間戳記：以主索引鍵辨識事件的日期和時間 事件(活動名稱)：您要使用的事件名稱 詳細資料(總量或價值)：有關客戶活動的詳細資料 建議的資料特性： 足夠的歷史資料：至少一年的交易資料。

要預測一年的CLV，最好有2到3年的交易資料。

每個客戶有多個購買：理想狀況是，每個客戶識別碼至少有二到三個交易記錄，最好在多個日期中。

客戶數量：至少100個不重複客戶，最好超過10,000個客戶。

少於100位客戶且歷史資料不足此模型將會失敗 資料完整性：輸入資料中必要欄位值的缺失要少於20% 注意 模型需要客戶的交易歷史記錄。

目前只能設定一個交易記錄歷史記錄實體。

如果有多個購買/交易實體，您可以在開始資料擷取前，在PowerQuery將它們聯集。

如果是其他的客戶活動資料(可選)，則可以新增任意數量的客戶活動實體供模型考量。

建立客戶生命週期價值預測 請移至智慧>預測。

選取客戶生命週期價值圖格，然後選取使用模型。

在客戶存留期值窗格中，選取開始使用。

命名此模型及輸出實體名稱，將它們與其他模型或實體區分開來。

選取下一步。

定義模型喜好設定 設定預測時間區段，定義未來您要預測多遠以後的CLV。

根據預設，單位會設定為月。

您可以將它變更年，研究更遠的未來。

提示 若要在您設定的時段精確預測CLV，您需要有可比較時段的歷史資料。

例如，如果您想要預測接下來12個月的CLV，擁有至少18–24個月的歷史資料會比較好。

指定活動客戶在您企業中的意義。

設定時間範圍，客戶在此範圍內必須至少有一個交易才能被視為活躍。

此模型只能預測活躍的客戶CLV。

讓模型計算購買間隔(建議使用)：模型會分析您的資料，並根據歷史採購判斷時間長度。

手動設定間隔：如果您擁有活躍客戶的特定業務定義，請選擇此選項，並相應地設定時間長度。

定義高價值客戶的百分位數，讓模型能提供符合您業務定義的結果。

模型計算(建議)：模型會分析您的資料，並根據您的客戶交易歷史資料，判斷業務中的高價值客戶為何。

模型使用啟發型規則(受80/20規則或柏拉圖法則而出現的)尋找高價值客戶的比例。

在歷史記錄期間內，對業務累積營收貢獻80%的前百分之幾的客戶被視為高價值客戶。

通常，80%的累計營收是由少於30-40%的客戶貢獻的。

但是，不同的企業和產業，這個數字可能會不同。

最活躍的客戶數百分比：將企業的高價值客戶定義成排名前百分比之幾的活躍付費客戶。

例如，您可以使用此選項，定義高價值的客戶為未來前20%的付費客戶。

如果您的企業以不同的方式定義高價值的客戶，請跟我們說，我們樂意傾聽您的意見。

選取下一步繼續進行下一個步驟。

新增必要資料 在必要資料的步驟，選取購買歷史記錄的新增資料接著選擇實體來提供先決條件中說明的交易/購買歷史記錄資訊。

將語義欄位對應到您的購買歷史記錄實體中的屬性，並選取下一步。

如果未填寫下方欄位，設定將您的購買歷史記錄實體關聯到客戶實體並儲存。

請選取交易歷史記錄實體。

請在購買歷史記錄實體中選取辨識客戶的欄位。

這必須與您的客戶實體的主要客戶識別碼相關。

選取符合您的主要客戶實體的實體。

輸入描述此關聯的名稱。

選取下一步。

新增選擇性資料 資料表現出關鍵客戶互動(例如web、客戶服務及事件記錄)，會將背景新增至交易記錄。

在您的客戶活動資料中找到更多的模式，可以增進預測的準確性。

在其他資料(選擇性)步驟中，選取新增資料。

選擇客戶活動實體提供先決條件說明的客戶活動資訊。

將語義欄位對應到您的客戶活動實體中的屬性，並選取下一步。

為您正在新增的客戶活動，選取符合其類型的活動類型。

從現有的活動類型中選擇或新增活動類型。

設定客戶活動實體到客戶實體的關聯。

請在客戶活動表格中選取找出客戶的欄位。

這可以直接關聯到客戶實體的主要客戶識別碼。

選取與主要客戶實體相符的客戶實體。

輸入描述此關聯的名稱。

選取儲存。

如果有其他想要放入的客戶活動，請新增更多資料。

選取下一步。

設定更新排程 在資料更新排程步驟中，選擇根據最新資料重新定型模型的頻率。

此設定對更新預測準確度很重要，因為新資料會內嵌到CustomerInsights中。

大部分企業都可以每月重新定型一次，讓他們的預測取得良好的準確度。

選取下一步。

審查並執行模型設定 在審查模型詳細資料步驟中，驗證預測的設定。

您可以選取顯示值底下的編輯，返回預測設定的任何一部分。

您也可以從進度列指示器中選取設定步驟。

如果所有值都已正確設定，請選取儲存並執行開始執行模型。

在我的預測索引標籤中，您可以看到預測程序的狀態。

視預測中使用的資料量而定，此程序可能需要數個小時才能完成。

審查預測狀態與結果 審查預測狀態 請前往智慧>預測並選取我的預測索引標籤。

選取您要檢閱的預測。

預測名稱：建立預測時提供的名稱。

預測類型：用於預測的模型類型 輸出實體：儲存預測輸出實體的名稱。

移至資料>實體尋找此名稱的實體。

預測欄位：此欄位只填入某些類型的預測，並不用在客戶生命週期價值預測中。

狀態：預測執行狀態。

已排入佇列：預測正等待其他程序完成。

重新整理：預測目前正在建立將進入輸出實體的結果。

失敗：預測執行失敗。

如需更多細節，請回顧記錄。

已成功：預測已成功。

在垂直省略符號下方選取檢視表，以檢閱預測結果。

已編輯：預測設定變更的日期。

上次重新整理：在此日期預測重新整理輸出實體中的結果。

檢閱預測結果 請前往智慧>預測並選取我的預測索引標籤。

選取您要檢閱其結果的預測。

結果頁面中有三個主要的資料區段。

訓練模型效能：A、B或C為可能的評分。

此分數表示預測的效能，並可協助您決定是否使用輸出實體中儲存的結果。

選取瞭解此分數，深入瞭解基礎模型效能指標和此最終模型效能評分是如何獲得的。

根據設定預測時提供的高價值客戶定義，系統會評估與基準模型相比，AI模型在預測高價值客戶時表現如何。

評分是根據下列規則而定： A是與基準模型相比，模型對高價值客戶的準確預測至少多5%。

B是與基準模型相比，模型對高價值客戶的準確預測多0-5%。

C是與基準模型相比，模型對高價值客戶的準確預測較少。

模型評等窗格會顯示關於AI模型效能和基準模型的更多詳細資料。

基準模型主要根據客戶完成的歷史購買記錄，使用非AI方法計算客戶生命週期價值。

基準模型用來計算CLV的標準公式： 每個客戶的CLV=活躍客戶視窗中的客戶完成的平均每月購買量*CLV預測期間中的月數*所有客戶的整體留存率* AI模型將根據兩種模型效能指標與基準模型進行比較。

預測高價值客戶的成功率 請查看預測高價值客戶時，使用AI模型與基準模型相比的差異。

例如，84%成功率表示訓練資料中的所有高價值客戶，AI模型可以準確地預測84%。

接著，我們會將此成功率與基線模型的成功率進行比較，以報告相對變化。

這個值會用來指派模型的評分。

錯誤指標 另一個指標可讓您從預測未來值中的錯誤來檢閱模型的整體效能。

我們使用整體均方根誤差(RMSE)指標來評估此錯誤。

RMSE是一種標準方式，可以在預測量化資料時測量模型的錯誤。

將AI模型的RMSE與基準模型的RMSE比較，並會報告相對差異。

AI模型會根據其對業務的價值排出客戶準確的等級。

因此，只有預測高價值客戶的成功比率，才用來取得最終的模型評等。

RMSE指標對極端值敏感。

當案例中低比例的客戶擁有超高購買價值時，整體RMSE指標可能無法給予模型效能的全貌。

依百分比區分客戶價值：使用您的高價值客戶定義，會根據其CLV預測將客戶分組成低價值和高價值，並顯示在圖表中，。

透過暫留在直方圖中的長方形，您就可以看到每個群組的客戶數，以及該群組的平均CLV。

若您想根據CLV預測建立客戶的區段，此資料有所幫助。

最具影響力的因素：根據提供給AI模型的輸入資料，建立CLV預測時，會考慮各種因素。

每個因素都有其針對模型所建立彙總預測而計算的重要性。

您可以使用這些因素來協助驗證預測結果。

對預測CLV所有客戶的最具影響力因素，這些因素也提供更多深入解析。

管理預測 最佳化、疑難排解、重新整理或刪除預測都能夠做到。

檢閱輸入資料可用性報表，找出如何讓預測更快捷和更可靠。

如需詳細資訊，請參閱管理預測。

注意 是否能請您告知您偏好的慣用文件語言？請填寫問卷。

(請注意，本問卷為英文版) 完成問卷大約需要七分鐘。

本問卷將不會收集個人資料(隱私權聲明)。

意見反應 提交並檢視相關的意見反應 本產品 本頁 檢視所有頁面意見反應 本文內容