Analiza porównawcza metod predykcji Customer Lifetime Value w kontekście zarządzania relacjami z klientem

Abstract

Tematem pracy jest analiza porównawcza metod predykcji wartości życiowej klienta (Customer Lifetime Value). Praca jest osadzona w kontekście marketingu PPC i stanowi odpowiedź na rosnące koszty akwizycji nowych klientów (CAC). W badaniu empiryczym wykorzystana została metodyka CRISP-DM na rzeczywistym zbiorze danych transakcyjnych e-commerce "Online Retail II". Programem, który posłużył do przetworzenia danych był Python w środowisku Colab. W pracy zostało opisane użycie algorytmów BG/NBD oraz Gamma-Gamma z zderzeniu z konkurencyjnym podejściem opartym na algorytmie Random Forest. W przypadku badanego zbioru znacznie lepiej spisał się algorym Random Forest, co zostało udokumentowane niższymi błędami statystycznymi RMSE oraz MAE. Postawione hipotezy zostały potwierdzone. W zbiorze danych występowała silna asymetria zgodna potwierdzająca zasadę Pareto. Ponadto klienci pozyskani w okreach charakterystycznych dla promocji okazali sie mniej lojalni. Na podstawie uzyskanych wyników rekomendowane jest dla przedsiębiorstwa odejście od krótkoterminowego wskaźnika jakim jest ROAS i skupienie się na Value-Based Bidding oraz wykorzystaniu danych transakcyjnych do redukcji odejść klientów z seegmentu VIP.

The subject of this thesis is a comparative analysis of methods for predicting customer lifetime value (CLV). The thesis is set within the context of PPC marketing and addresses the issue of rising customer acquisition costs (CAC). The empirical study utilised the CRISP-DM methodology on a real-world e-commerce transaction dataset, ‘Online Retail II’. The programm used to process the data was Python in the Colab environment. The thesis describes the use of the BG/NBD and Gamma-Gamma algorithms in comparison with a competing approach based on the Random Forest algorithm. In the case of the dataset under study, the Random Forest algorithm performed significantly better, as evidenced by lower statistical errors (RMSE and MAE). The hypotheses put forward were confirmed. The dataset exhibited strong positive skewness, consistent with the Pareto principle. Furthermore, customers acquired during promotional periods proved to be less loyal. Based on the results obtained, it is recommended that the company move away from the short-term ROAS metric and focus on Value-Based Bidding and the use of transactional data to reduce customer churn in the VIP segment. Translated with DeepL.com (free version)