Förstå Klaviyo's prediktiva analys
Du kommer att lära dig
Läs mer om de olika typerna av data för prediktiv analys som visas i ditt Konto, de olika sätt som Klaviyo beräknar detta på och riktlinjer för hur du kan använda dessa data.
Om tillämpligt kan du vilja justera vilka mättal som används för att beräkna prediktiv analys och bättre anpassa dem efter dina affärsmål, din datastruktur eller din anpassade integration. För att justera vilka mättal som mappas globalt i ditt Konto går du till guiden om mättalsmappning.
Klaviyo tillämpar en kombination av datavetenskap och maskininlärningstekniker på alla data i ditt Konto för att ge dig användbara och praktiskt tillämpbara insikter.
Observera att du bara ser avsnittet prediktiv analys på profiler om du uppfyller följande villkor:
- Minst 500 kunder har gjort en beställning.
Det här syftar inte på det totala antalet profiler, utan på antalet personer som faktiskt har gjort en beställning hos ditt företag. Dessa beställningar kan inte annulleras eller återbetalas, och de måste vara beställningar med ett värde som inte är 0. Om det här avsnittet finns på en profil men är tomt innebär det att vi inte har tillräckligt med data om personen för att göra en prognos. - Du har en e-handelsintegration (t.ex. Shopify, BigCommerce, Magento eller WooCommerce) eller använder vårt API för att skicka genomförda beställningar.
- Du har minst 180 dagars orderhistorik och har ordrar inom de senaste 30 dagarna.
- Du har åtminstone några kunder som har lagt 3 eller fler beställningar.
Avsnittet med prediktiv analys i en profil
Du hittar avsnittet Prediktiv analys i en profil på fliken Mättal och insikter i profilen. Nedan är ett exempel på avsnittet Prediktiv analys i en kontakts profil och informationen som visas:
Tabellen nedan definierar fälten för prediktiv analys som visas ovan. Observera att CLV står för kundlivstidsvärde.
Fält | Definition | Exempelvärde från skärmbild |
Historiska kundlivstidsvärden | Det totala värdet av alla tidigare beställningar som en person har gjort, med hänsyn till eventuella återbetalningar och returer. | 401 $ |
Predikativt kundlivstidsvärde | En förutsägelse av hur mycket pengar en viss kund kommer att spendera under nästa år. | 99 $ |
Total kundlivstidsvärde | Summan av historiskt kundlivstidsvärde och förutspått kundlivstidsvärde. | 500 $ |
Prediktion av kundbortfallrisk | Sannolikheten för kundbortfall för en kund baseras på antalet och frekvensen av beställningar. Varje gång kunden gör en beställning minskar sannolikheten för kundbortfall (grön), men när det går tid mellan beställningar ökar sannolikheten för kundbortfall (röd), med en medelhög risk för kundbortfall som visas i gult. | 21 % |
Genomsnittlig tid mellan beställningar | Det genomsnittliga antalet dagar mellan var och en av en kunds beställningar. | 75 dagar |
Förväntat kön | Förutsagt kön är också en del av Klaviyos funktioner för prediktiv analys, men detta visas inte i en kundprofil. | N/A |
Hur data om kundlivstidsvärde beräknas
Klaviyo bygger automatiskt en modell för kundlivstidsvärde (kundlivstidsvärde) med hjälp av ditt företags data och tränar om modellen minst en gång i veckan.
Om du använder det anpassade API:et för att skicka placerade beställningshändelser måste du bekräfta att ditt ordervärde skickas via ett fält som heter $value. Det säkerställer att du får data om kundlivstidsvärde baserat på dina placerade beställningshändelser. Observera att $value måste vara det faktiska ordervärdet för att kundlivstidsvärde ska beräknas korrekt.
Även om ingen kan förutsäga framtiden med absolut säkerhet är Klaviyos funktioner för prediktiv analys kraftfulla verktyg för att optimera marknadsföringsutgifter och personalisera kundkommunikation. Prediktioner fungerar dock bäst när de genomsnittas över många kunder och förväntas inte vara exakta för en enskild individ. Även om vissa individer kommer att spendera mer än sitt förutsagda kundlivstidsvärde och andra kommer att spendera mindre kommer de som helhet att i genomsnitt jämna ut varandra.
Till exempel är värdet för förutspått kundlivstidsvärde som visas i rutan för prediktiv analys inte en exakt förutsägelse. I vissa fall kan du se ett omöjligt antal förutspådda beställningar. Du kan till exempel se 1,43 som antalet förutspådda beställningar för en viss kund. När du ser detta betyder det att vi förväntar oss att kunden ska göra en eller två beställningar, men det finns också en chans att de gör fler eller färre. De här förväntningarna börjar bli rimliga när du grupperar flera kunder tillsammans, eftersom du kan förutsäga det totala antalet beställningar eller den totala spend för gruppen. Om vi har fem kunder med ett förutspått antal beställningar på 1,43, 0,25, 3,12, 0,78 och 2,97 kan vi förvänta oss cirka 9 beställningar i den här gruppen.
Så beräknas förväntat datum för nästa beställning
Förväntat datum för nästa beställning tar hänsyn till den specifika kundens beställningsbeteende och beställningsbeteendet hos alla dina kunder. Om kundens beställningar uppvisar ett mönster känner Klaviyo igen det här mönstret och gör en förutsägelse baserat på det. Om kundens beställningar inte uppvisar ett mönster, eller om vi inte har tillräckligt med data om kunden, gör Klaviyo en rimlig förutsägelse baserat på hur dina andra kunder beter sig.
Vanliga frågor om flöde för upprepade köp-nurture-serie
Behöver jag lägga till tidigare profiler i det här flödet? Behöver jag ange att flödet ska fyllas med alla möjliga profiler framöver?
Du behöver inte lägga till tidigare profil för befintliga profiler eller tala om för flödet vilka profiler som ska ingå, det löser flödet åt dig. Varje kund som lägger en beställning hos dig har ett förväntat datum för nästa beställning. Profiler som aldrig har lagt en beställning hos dig tidigare får inget förväntat datum för nästa beställning.
Jag såg att flödet har en villkorsstyrd delning. Hur vet vi det förväntade datumet för engångsköpare?
För engångsköpare, eftersom vi inte vet så mycket om deras köpbeteende, beräknar vi deras förväntade datum för nästa beställning med hjälp av data från alla dina kunder.
Vårt varumärke har 3 klasser av produktfrekvens. För vissa produkter kommer kunderna tillbaka slumpmässigt. Andra fylls på inom 60 till 90 dagar. Den sista gruppen fylls på inom 100 till 120 dagar. Kan vi lära appen att veta vad kunden köpte och skicka påminnelser baserat på produkten?
Appen tar inte hänsyn till vilka produkter kunden beställde, så om du har produkter med olika påfyllnadscykler rekommenderar vi att du i stället skapar flera flöden som utlöses av Placed Order för varje påfyllnadscykel genom att lägga till följande:
- Utlösarfilter för att begränsa varje flöde till produkter som delar samma cykel
- Tidsfördröjning som återspeglar den kända cykeln så att du skickar påfyllningsmejl vid rätt tidpunkt
Eftersom det förutsagda datumet inte tar hänsyn till vad kunden senast beställde eller den sannolika påfyllningscykeln för den produkten bör en kund som har kända påfyllningscykler för de flesta av sina produktkategorier hålla sig till ett standardiserat Påfyllningsflöde och inte använda den här funktionen.
Saker att hålla utkik efter i flödet för vårdserie för upprepade köp
- Vi rekommenderar inte att räkna ner till det förväntade datumet för nästa beställning, eftersom återkommande kunder helt enkelt får samma sekvens av e-postmeddelanden inför varje beställning, vilket kan leda till att de avslutar prenumerationen.
- Det här flödet ska inte ersätta användningen av påfyllnadsflöden om kunderna känner till de allmänna cyklerna för de flesta av sina produktkategorier.
- Om du har en hög andel återkommande köpare kanske du bara vill använda den här funktionen för kunder som har köpt en gång, för att vårda dem inför deras andra köp.
Hur förutsagt kön beräknas
Klaviyo algoritm för könsförutsägelse använder kundens förnamn tillsammans med folkräkningsdata för att göra en könsförutsägelse: troligtvis man, troligtvis kvinna eller osäkert.
Eftersom förutspått kön fortfarande är en uppskattning ska du se till att du, när du använder riktad kommunikation, inkluderar viss information för båda könen.
