1 / 67

6. Modèles individuels : Valeur client

6. Modèles individuels : Valeur client. Intérêt. Calculer une valeur client pour: Calculer la valeur d’un portefeuille client (actif immatériel à valoriser) Décider de la politique marketing direct pour chaque segment/client Fréquence de contact, type d’offre, … Prévoir l’activité

norman
Download Presentation

6. Modèles individuels : Valeur client

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 6. Modèles individuels :Valeur client

  2. Intérêt • Calculer une valeur client pour: • Calculer la valeur d’un portefeuille client (actif immatériel à valoriser) • Décider de la politique marketing direct pour chaque segment/client • Fréquence de contact, type d’offre, … • Prévoir l’activité • Agréger les valeurs clients en un « Capital client » (customer equity) • Imlpact sur la valeur boursière • La contrainte des données disponibles selon le contexte • La relation est-elle contractuelle (date de début et de fin) ? • S1 : approche contractuelle • Périodicité connue • Mortalité connue : modèle d’attrition • S2 : non contractuelle, « mortalité » inconnue : « always a share »

  3. Types d’approches • Agrégée • type Blattberg & Deighton, 1996 • Stochastique • utilisation de données individuelles mais prévision agrégée • Individuelle • prévision de l’activité, de l’attrition au niveau individuel/segment

  4. Valeur d’un client (VAN, Life time value LTV) • Combien rapporte un client sur l’ensemble de la relation • Quel coût de recrutement ? (à séparer) • Quelle contribution, hors retour, impayés,… ? • Quelle durée de vie ? • Analyse financière • LTV = St=1,n (CFt . Survie). (1+i)-t + CF additionnel • CF = (Revenu – Coûts directs) – Coûts promotionnels • CF additionnel = parrainage, coûts de rupture, … • ROI (recrutement) = LTV / Coût Recrutement • ROI (fidélisation) = D LTV / Coût de l’action

  5. Valeur d’un client (VAN, Life time value LTV) • Déterminants • Evolution du cash-flow (CF) :niveau CF et croissance CF • Selon le Recrutement (CF négatif) et le comportement • Segmentation • Paramètres : • Taux d’actualisation : taux de rendement interne de l’entreprise, coût du financement,… • Attrition (survie) : voir modèle d’attrition • Sur combien de périodes ? Dépend de l’horizon de l’activité et de la stabilité des coefficients (validité des hypothèses) : habituellement 2 ans (8 trimestres) • Des simplifications • Si Horizon infini, taux d’attrition constant LTV = marge * (1- ta)/ (i + ta)

  6. Exemple simple 1 (feuille excel active)

  7. Exemple simple 2 • Combien êtes-vous prêt à investir pour • Recruter ce client • Pour réduire de moitié l’attrition

  8. Le comportement des clientsCadre théorique • Les comportements des clients (achat, attrition) sont rationnels, mais stochastiques (composante aléatoire) • Le comportement actuel peut être anticipé à partir des connaissances sur • des variables individuelles • des comportements antérieurs • Les variables sont diverses et doivent être intégrées • Comportementales • Descriptives permanentes • Descriptives temporaires • Attitudes – Réponses • En savoir plus • http://searchcrm.techtarget.com/searchCRM/downloads/Managingcustomers_ch03.pdf

  9. Cycle de vie client • La relation entreprise-client évolue dans le temps • Elle est nourrie par les différentes expériences vécues dans les échanges • Elle peut éventuellement « bonifier » : • Revenu = fonction (ancienneté) ? • Moindre élasticité prix ? • Elle peut être caractérisée par • Le degré de connaissance • des produits par le client / du client par l’entreprise • La facilité de la rupture – l’attachement du client à l’entreprise (économique-utilitaire, affectif, contractuel) • La confiance, la volonté du client de mettre en place cette « relation » • versus simple transaction • Les déterminants sont liés • Au client et à ses caractéristiques • À l’entreprise et aux habitudes du secteur : • capacité de la relation à créer une véritable valeur ajoutée • Au contexte et à l’environnement

  10. Cycle de vie client • Former des groupes reliés en fonction • De l’état de développement de la relation (information détenue,…) • Des critères de choix, de l’information nécessaire pour chaque étape de la relation • Du potentiel, des coûts, de la rentabilité de chaque groupe

  11. Modélisation de la LTV • Modèle de rétention • Une personne reste cliente si elle génère des transactions • Le calcul repose uniquement sur la probabilité de survie, c’est-à-dire la probabilité que le client soit actif durant la période considérée (nombre estimé des transactions) • Modèle demigration • Un client peut se manifester après une période d’inactivité • Le calcul repose sur les probabilités de survie et de réactivation (redevenir actif) • Les calculs passent par des arbres de décision et de migration et des matrices de probabilités de transition

  12. Modèle Capital client agrégé Simulation du capital client à partir d’hypothèses sur les activités de « Recrutement « et de « Fidélisation »

  13. 1. Modèle Capital client agrégé :Blattberg & Deighton (1996) • Deux politiques : Recrutement et Fidélisation • Paramétrage : • des coûts, de la marge, • du taux d’actualisation • De la « rétention » (activité) : modèle géométrique, taux d’attrition constant en % • Prise en compte d’une fonction de réponse • calibrage subjectif de la performance maximale • pour la simulation de la performance

  14. Modèle sous-jacent Anciens Clients (attrition) Durée de vie Clients Clients Actifs (activité) Prospects Coûts Coûts Revenus Revenus Revenu par recruté (Coût d’acquisition) Revenu par client LTV

  15. Blattberg & Deighton (1996)Application • http://www.marketing-science-center.com/charge/Capital_client.xls

  16. Blattberg & Deighton (1996) Illustration (2)

  17. Blattberg & Deighton (1996)Illustration (3) • http://www.marketing-science-center.com/charge/Capital_client.xls

  18. Plan commercialRFM Prévision agrégée d’une activité marketing direct basée sur les comportements au niveau individuel

  19. 2. Modèle Capital client désagrégé : Segmentation RFM • Grandes étapes • Modèle structurel : • équation de comportement • Segmentation : • Construction des Classes de clientèle • Transition (flux) entre les classes (Processus de Markov) : • Détermination des Transitions entre les classes • Calcul de la Valeur vie entière (LTV) / valeur actuelle nette d’un client recruté

  20. Les segmentations comportementales • Critères comportementaux • Acheteurs / non acheteurs • Durée de la relation • R Récence du dernier achat • F Fréquence des achats • M Montant des achats • T Type de produit • Calcul d’un score RFM à partir de données comportementales connues • Simplicité, automaticité • Importance respective des lettres : R > F > M • Validée dans plusieurs secteurs (VAD, Presse,…) • Mais pas tous (collecte de fonds) Segmentation RFM Segmentation FRAT

  21. Etapes d’un modèle dynamique de Plan commercial • Équation d’activité (CRC, MMC, …) • établir un profil d’activité • calculer des indicateurs : récence, fréquence, montant, • construire des classes de clientèles • calculer les transitions entre ces classes de clientèles • mesurer l’activité des classes • étudier l’attrition des classes • tester l ’hypothèse de stationnarité • simuler les conséquences des décisions • déterminer la valeur d’un client (LTV)

  22. Des taux de réponse décroissants Source : Hughes A.M

  23. Mise en œuvre de la segmentation RFM • Choix d’une périodicité • trimestre, semestre, année • Calcul du vecteur d’activité • Variables binaires avec 1 = achat, 0 sinon • L’activité la plus récente est généralement représentée à gauche • Souvent 4 périodes • [0 0 1 1]

  24. Calcul de classes RF • Par une pondération binaire (Activité) • RF = 23.A(t-1) + 22.A(t-2) + 21.A(t-3) + 20.A(t-4)

  25. Calcul de scores RFM • Par une pondération binaire (Montant) • RFM = 23.M(t-1) + 22.M(t-2) + 21.M(t-3) + 20.M(t-4)

  26. Fréquence Récence 0 1 2 3 4 0 RF8 RF12 RF10 RF9 RF14 RF13 RF11 RF15 1 RF4 RF6 RF5 RF7 2 RF2 RF3 3 RF1 >3 RF0 Regroupement des RFen Classes de clientèle (CC) • Tableau croisé Récence-Fréquence

  27. Flux entre les classes de clientèles • Regroupement en CC classes de clientèle • Ex TBC = (F>2 ) & (R<1) • Suivi des flux entre les classes de clientèle …

  28. Utilisation en simulation • Etude du comportement de chaque CC • CA = MMC * CRC * TA* Effectifs • Montant, Répétition, Activité • Calcul des fréquences relatives de transition entre les classes • assimilées à des probabilités de transition (t-> t+1) d’une classe à l’autre • si la matrice est stable dans le temps • Simulation à partir d’une cohorte recrutée en première période

  29. IllustrationPlan à moyen terme • http://www.marketing-science-center.com/charge/Plan_com.xls

  30. 1. Récence-Fréquence et Classes

  31. 2. Matrice de transition

  32. 3. Evolution prévisionnelle

  33. Illustration : téléphonie mobile, effet de l’allongement de la durée d’abonnement • http://www.marketing-science-center.com/charge/telephone.xls

  34. Application approfondie : Fleurs de Beauté • Fleurs de Beauté par D. BRAURE et L. FIEVET de la Société La Redoute • Présentation du cas : fdbeaute.doc • Feuille excel A : FdBeauteA.xls • Feuille excel C : FdBeauteC.xls

  35. Modèles stochastiquesd’achat Prévision agrégée au niveau des marques basée sur des hypothèses au niveau individuel

  36. Modèles stochastiquesQuel comportement/processus prendre en compte ? • Le Choix • binaire : Achat / non achat • multinomial • Entre des magasins, marques ou conditionnements (MNL) • Hiérarchique : type / conditionnement / marque • Autres choix : • Le moment : quand ? • Les quantités : combien ? • L’attrition : survie ? • Choix complexe • Combinaison de Quoi ? Quand ? Où ? Combien ? • Options • Ensemble des alternatives et hypothèse • Sans et avec variables explicatives • Sans et avec hétérogénéité entre des segments

  37. Principe : Modèles à plusieurs niveaux • Analyse au niveau de cohortes • clients recrutés par la même opération, même moment • Modélisation de l’activité/nb d’achats par période en supposant • Que le comportement résulte de plusieurs processus • Qui suivent un certain « modèle » (loi statistique) Niveau 1 • Dont les paramètres peuvent être spécifiques à chaque individu mais sont distribués selon un autre modèle (loi statistique) Niveau 2 • Niveau 1 : comportement • Nombre (achats) : Comptage -> Poisson • Action (achat, click,…) oui / non : Binomial • Mortalité (0/1 cumulé) : Exponentiel, Weibull • Niveau 2 : distributions « souples » des paramètres individuels • Beta / Gamma • Niveau 3 : agrégation sur plusieurs périodes

  38. Niveau 1 : le comportement Nombre d’achats : loi Poisson avec 1 paramètre

  39. Niveau 2 : distribution du paramètre sur la population Distribution Beta • http://www.marketing-science-center.com/charge/Lois_continues.xls

  40. Niveau 2 : distribution du paramètre sur la population Distribution Gamma • http://www.marketing-science-center.com/charge/Lois_continues.xls

  41. Comportement d’achatHypothèses • Hypothèse de comportement selon la durée de la mémoire • Sans mémoire : Binomial • Mémoire courte (1, 2) : Processus markovien • Mémoire longue : Modèle d’apprentissage • Hypothèse d’hétérogénéité des paramètres individuels • L’individu suit un processus avec ses paramètres • Les paramètres individuels suivent, eux mêmes, une loi sur l’ensemble de la population • Exemple Dirichlet, NBD : Poisson & Gamma

  42. Un exemple en collecte de fonds • http://www.marketing-science-center.com/charge/Markov.xls

  43. Réachat : Modèle Binomial (homogène)illustration • Fréquence d’un événement (0/1) = P(n).(1-P)(N-n)

  44. Réachat : Processus Markovienillustration

  45. Réachat : Modèle d’Apprentissage linéaire illustration

  46. Combinaison des deux niveauxpar un choix judicieux des deux lois statistiques • La combinaison des deux lois statistiques, qui se combinent bien, donne une distribution « simple » des probabilités • Estimation : Maximum de vraisemblance, Approche bayesienne, Méthode des moments, • Exemple : Modèle NBD (negative binomial distribution) • Comportement : Loi de Poisson avec un paramètre li • Le paramètre li suit une loi Gamma • Intégration • Distribution résultante agrégée • P(X=x) = (G(a+x)/(G(a).x!)).(b/(b +1))b. (1/(1+b))x. • Moyenne : a / b Variance : a (b +1)/b2 • Agrégation sur plusieurs («t »)périodes • Distribution de Poisson de paramètre : l.t • P(X=x) = (G(a+x)/(G(a).x!)).(b/(b +t))b. (t /(t +b))x. • Moyenne : a.t / b

  47. Différentes combinaisons • Un comportement • Achat – BB : Binomial, Beta • Nombre d’achats - NBD : Poisson, Gamma • Feuille : http://www.marketing-science-center.com/charge/NBD.xls • Un achat et un choix : Modèle Dirichlet • Achat dans la catégorie : NBD (Poisson + Gamma) • Choix d’une marque : Modèle dirichlet multinomial • Feuille :http://www.mastermarketingdauphine.com/charge/Dirichlet_Rungie.xls • Achat et Attrition (et éventuellement correction pour les 0) • Pareto / NBD (Schmittlein, Morrison et Colombo, 1987) • BG / NBD : Exponentiel et Beta (Fader, Hardie et Lee, 2005) • http://brucehardie.com/pmnotes.html • Feuille : http://www.marketing-science-center.com/charge/BGNBD.xls

  48. NBD (Poisson & Gamma) • http://www.marketing-science-center.com/charge/NBD.xls

  49. BG / NBD • Beta géométrique NBD • http://brucehardie.com/pmnotes.html • http://www.marketing-science-center.com/charge/BGNBD.xls

  50. Hendry model Modèle de structure de marché

More Related