麦肯锡公司对客户的访谈内容：麦肯锡客户终身价值

麦肯锡公司对客户的访谈内容：麦肯锡客户终身价值搜索行为、活动响应和外部在线数据等营销数据有助于充实各自的客户档案，进而加深客户知识，包括偏好或购买行为。性别、年龄、职业和居住地等人口统计数据被浓缩到客户档案中，以便更好地预测未来的购物行为和个性化营销行动。在整个客户旅程中收集数据为了估计客户的当前和未来价值并牢记隐私法规，公司需要收集尽可能多的客户及其多年行为的相关数据点。这是因为相应的分析模型取决于是否有足够数量的信息来识别相关模式。可用数据量越大，分析就越有意义和准确。需要三类数据：购物时间表、产品信息、价格、付款方式、交付或退货等交易数据由电子商务平台和连接的金融系统提供。

通过有针对性的投资，公司可以通过三个步骤确定最有价值的客户，并长期确保他们的忠诚度。

传统品牌所有者和零售商越来越多地侵入电子商务渠道——这是有充分理由的。 毕竟，与客户的数字互动为公司提供了有关消费者行为的宝贵数据，使他们能够优化营销和产品开发。 此外，通过运营自己的销售渠道，供应商保留对用户体验和品牌形象的控制权。 进入 COVID-19，突然间，互联网正迅速成为越来越多消费者的首选购物渠道，这一趋势很可能会在大流行之后持续下去。

也就是说，新的电子商务参与者也面临着一个挑战：赢得和留住客户是一件昂贵的事情。 这就是为什么主要投资于那些从长远来看对公司有利可图的客户对于成功至关重要。 密切了解这些客户，让他们接触正确的渠道，并根据他们的背景和需求量身定制服务非常重要。 这只能通过利用与客户相关的指标（其中客户生命周期价值 (CLV) 是同等重要的）并将它们智能地相互关联，作为有效和高效营销的基础来实现。

数字化对齐的公司和初创企业长期以来一直成功地应用和改进这种方法。 另一方面，许多传统制造商和零售商仍有一些工作要做。 为了充分利用 CLV 方法并使用它来管理他们的电子商务业务，他们应该采用长期战略，并分三个步骤系统地进行：收集数据、确定真正的客户价值，以及将投资目标定位于最有价值的客户。

在整个客户旅程中收集数据

为了估计客户的当前和未来价值并牢记隐私法规，公司需要收集尽可能多的客户及其多年行为的相关数据点。这是因为相应的分析模型取决于是否有足够数量的信息来识别相关模式。可用数据量越大，分析就越有意义和准确。需要三类数据：

购物时间表、产品信息、价格、付款方式、交付或退货等交易数据由电子商务平台和连接的金融系统提供。

性别、年龄、职业和居住地等人口统计数据被浓缩到客户档案中，以便更好地预测未来的购物行为和个性化营销行动。

搜索行为、活动响应和外部在线数据等营销数据有助于充实各自的客户档案，进而加深客户知识，包括偏好或购买行为。

尽管数据充足，但通常很难在整个客户旅程中清楚地识别客户。这部分是由于通过不同渠道进行的购买，例如，在公司自己的在线和线下商店，或者可能通过第三方供应商（例如零售合作伙伴）进行的购买，这些供应商通常不需要注册（使用电子邮件地址等）。 ) 进行识别。

成功的供应商通过集成的客户数据库（客户数据平台）解决了这个问题，即使客户没有登录，该数据库也可以识别客户。为此，为各种渠道的访问者创建包含尽可能多属性的配置文件（基于浏览器数据等）。然后，通过将回访者（包括不同渠道）与编译的完整配置文件进行匹配来识别回访者。除了链接不同的数据源和格式外，客户数据平台还可以集成合适的外部系统以及根据行为和人口统计数据进行客户细分。这种情况下的关键步骤包括锚定系统的持续改进，以及组织部门从一开始就使用数据。

确定客户的真正价值

收集到的数据会怎样？在这里，在第二步中，客户终身价值 (CLV) 发挥作用。这是因为从长远来看，它可以用来衡量客户作为公司客户的整个时间的价值。该值与客户获取/保留成本 (CAC) 进行比较，即为获取和保留客户而进行的或计划的营销投资。最后，这两个指标都与战略和运营决策相关的行动建议相关（图 1）。

CLV 与 CAC 的比率揭示了客户的真实价值——以及营销团队的投资。

建模 CLV 和 CAC 时，会区分三个级别的复杂性：

描述性模型使用历史消费者数据计算CLV，主要通过简单的人工分析来识别客户群体的行为模式。这种相对简单的方法可以快速产生结果，但它们只是假设，因此价值有限；它们只能作为潜在决策的 CLV 的初始指标。

预测模型使用历史数据模式来确定未来的 CLV。因此，结果更加准确和有意义，因为客户的个人资料与他们作为客户的剩余时间一起计入等式。在这些知识的支持下，CLV 经理可以做出更有效的决策。但是，此模型需要更全面的高级分析功能，例如跨多个渠道识别客户。对于 360 度视图，值得拥有完整的历史客户数据以及销售和成本数据的定期更新。

操作模型更进一步：它使用机器学习自动预测 CLV，并为决策提供初步建议，放大 CLV 效应。此外，每次更新都会提高预测准确性和决策制定。对于运营团队来说，这意味着他们的主要工作不是详细阐述决策建议，而是审查并持续监控它们。然而，创建这样的模型是一项更加复杂的工作，可能需要数月甚至数年的时间。

对于这三个模型来说，持续更新数据和计算是必不可少的。例如，必须在每次客户购买后调整 CLV，但如果针对特定客户群启动营销活动，也必须增加 CAC 值。这是必不可少的，以便数据和相关的分析结果可用于未来的活动。

对高价值客户有针对性的投资

最后也是最重要的一步是以这样一种方式评估 CLV 和 CAC 计算，以便公司可以从中得出行动和决策的战略和运营建议。必须始终如一地衡量相应决策的影响，例如，某些营销措施导致 CLV 增加。

关于评价的深度，可以分为三个层次。在第一级，只考虑所有客户的平均值，尽管这在做出扩展新市场、渠道或品牌等决策时已经非常有帮助。根据经验，一旦估计的 CLV 超过 CAC 的倍数，即使尚未达到盈利能力，也建议进行扩张。在实践中，成熟的数字商业模式应该显示 CLV 与 CAC 的比率，范围至少在 2:1 到 8:1 或更高。在此级别，CLV 还可用作衡量和改进组织单位（例如国家/地区分支机构）绩效的指标，或获得更加以客户为中心的业务视角（而不是纯粹以销售和利润为中心的观点）。

下一个分析级别侧重于根据客户的 CLV 和 CAC 值聚集的客户群，以特别改进运营决策。通常会考虑人口统计数据，例如性别、年龄、居住地，以及购买频率、品牌忠诚度和退货等行为数据。

这些数据集可帮助营销和销售团队分别识别高 CLV 和低 CAC 的指标，并针对各个群体定制营销活动。图表 2 展示了此类群组分析的一个示例：除了客户在各个 CLV 级别之间的分布情况外，它还显示了利润较低和特别有价值的客户的特征，以及可以从中得出的建议操作。

客户终身价值是制定客户档案和营销措施的基础。

最后，在具有最大分析深度的第三级，该模型针对个人客户。然而，这只有在公司运营先进的自动化营销平台时才有意义。否则，单独的营销工作将非常昂贵，并且获取和留住客户的成本将飙升。

简而言之，CLV 为电子商务领域的老牌和新玩家提供了更好地了解、定位和服务客户​的机会，以便以有效和高效的方式吸引他们，并为他们创造价值。然而，CLV 和 CAC 的运营也可以启动全新的发展。例如，成功的电子商务公司正在着手建立一个实体店网络，以与他们的在线业务协同运作。以欧洲最大的在线眼镜零售商 Mr. Spex 为例，该公司正在德国城市开设越来越多的门店，以吸引新客户并打造全渠道体验。近年来，在线渠道获得和保留客户的成本不断上升，这一趋势利用了这样一个事实，即结合线下渠道达到所需的 CLV 与 CAC 比率通常更便宜、更有效。