Voorspellen wanneer uw klanten de volgende aankoop doen met LuckyTemplates

Wat als u met behulp van voorspellende analyses in LuckyTemplates zou kunnen weten wanneer uw klanten waarschijnlijk hun volgende aankoop zullen doen? Je kunt de volledige video van deze tutorial onderaan deze blog bekijken.

Door voorspellende analysetechnieken te gebruiken, kunnen we proberen te voorspellen wanneer uw klanten naar verwachting uw producten en diensten zullen kopen.

Natuurlijk zal er binnen LuckyTemplates een beetje werk zijn om dit allemaal te laten werken. Maar het laat alleen de ongelooflijke en krachtige LuckyTemplates-analysefuncties zien die voor u beschikbaar zijn wanneer u DAX-formules correct gebruikt.

Met LuckyTemplates kunt u verschillende technieken voor formule- en gegevensmodellering gebruiken om zeer zinvolle inzichten te verkrijgen.

In dit bericht gaan we enkele ideeën voor voorspellend inzicht bespreken. Dit is iets dat heel goed te doen is vanuit een DAX-perspectief. Daarna bespreken we hoe we de data kunnen gebruiken om klantgedrag te voorspellen. Uiteindelijk kan dit een positieve invloed hebben op onze financiële resultaten.

Inhoudsopgave

• Historische gegevens gebruiken om klantgedrag te voorspellen
• Wat u kunt doen met historische gegevens
• 1. Bepalen van de laatste transactiedatum
• 2. Bepalen van het aantal dagen sinds de laatste aankoop
• 3. Bepalen van het gemiddelde aantal dagen tussen aankopen
• 4. Het bepalen van de dagen boven het gemiddelde
• 5. Bepalen van de winstgevendheid van een klant
  • Conclusie

Historische gegevens gebruiken om klantgedrag te voorspellen

Voordat we ingaan op onze discussie, laten we eens kijken naar de historische gegevens die worden verstrekt door de tabel met klantgedrag.

Bovenaan ziet u de velden Klantnaam , Totaal aantal transactiedagen , Datum van laatste aankoop , Dagen sinds laatste aankoop , Gemiddeld aantal dagen tussen aankopen , Dagen boven gemiddelde en Totale verkoop .

Door voorspellende analyses in LuckyTemplates te gebruiken, kunnen we terugkijken in de tijd en zien wanneer klanten daadwerkelijk hebben gekocht. We kunnen ook zien hoe vaak een persoon een transactie met ons heeft gedaan.

Op basis van het tijdsbestek dat ze hebben gekocht, hoe waarschijnlijk is het dat ze op enig moment in de nabije toekomst opnieuw zullen kopen?

De resultaten van het antwoord op deze vraag is een waardevol inzicht.

Wat u kunt doen met historische gegevens

Eenvoudige voorspellende analyses in LuckyTemplates zullen niet 100% nauwkeurig zijn en er zijn veel fijne kneepjes rond wat er zou kunnen gebeuren, maar bedenk hoe u dit inzicht kunt gebruiken.

Als een klant gemiddeld 15 keer iets bij ons heeft gekocht in de afgelopen 2 jaar en dit elke 40 of 50 dagen heeft gedaan, kunt u wat marketing doen, een verkoopgesprek voeren of ervoor zorgen dat ze een advertentie online zien om hen te vragen ze actie ondernemen.

Er zijn zoveel geweldige manieren waarop u dit inzicht kunt gebruiken. Ook al zal het niet perfect zijn, het geeft je inzicht in de aankoopbeslissingen van een klant en je kunt op basis van deze beslissingen een marketingplan opstellen.

1. Bepalen van de laatste transactiedatum

Dus laten we eens kijken hoe ik het deed. Ik begin met de daadwerkelijke laatste aankoopdatum. Laten we naar de formule kijken.

2. Bepalen van het aantal dagen sinds de laatste aankoop

Het volgende dat u moet doen, is het aantal dagen sinds de laatste aankoop berekenen. Wat is het aantal dagen sinds de laatste aankoop? Wat is de laatste daadwerkelijke transactiedatum in mijn dataset? Ik reken het gewoon uit met behulp van deze eenvoudige formule.

Aan de hand van deze gegevens kunnen wij bepalen wanneer de klant voor het laatst bij ons heeft gekocht. Dat is interessant en handig, want je wilt weten wanneer de klant voor het laatst iets bij je heeft gekocht en dat vervolgens vergelijken met de gemiddelde tijd tussen aankopen.

Zodra je die benchmark hebt, kun je klanttrends ontdekken. In dit geval heeft de klant Gregory Jackson elke 61 dagen gekocht.

Maar hij heeft al 451 dagen niets gekocht, dus daar is duidelijk iets mis. U kunt deze gegevens gebruiken om wijzigingen aan te brengen in uw marketingstrategieën om deze klant weer actief te maken.

3. Bepalen van het gemiddelde aantal dagen tussen aankopen

Dit is dus het grootste deel van deze analyse: hoe berekenen we het gemiddelde aantal dagen tussen aankopen? Hoewel het een combinatie is van veel dingen, kan het eenvoudiger zijn dan u denkt.

Je kunt een net zo goede projectie krijgen, en het is misschien niet perfect, maar net zo goed, door deze formule te visualiseren.

Dus alles wat ik deed was dat ik naar binnen ging en voor elke klant berekende wanneer hun laatste aankoop was versus wanneer hun eerste aankoop was , en vervolgens deelde ik ze door het totale aantal dagen dat ze transacties hadden gedaan.

Dus denk daar eens over na. Dus voor elke klant zullen we uitzoeken wanneer de eerste aankoop was die ze deden , wanneer de laatste aankoop was en hoeveel dagen ze daadwerkelijk transacties met ons hebben gedaan.

Het is duidelijk niet perfect, maar het geeft je een schatting van het gemiddelde aantal dagen en aankopen. Als iemand regelmatig naar je toe komt, dan zal het je op een logische manier het gemiddelde aantal dagen tussen aankopen laten zien.

4. Het bepalen van de dagen boven het gemiddelde

Vervolgens heb ik een andere meting gemaakt die laat zien dat als een klant zijn geschatte gemiddelde dagen overschrijdt, het me zal laten zien hoeveel dagen ze eigenlijk over zijn. Dit is wat de  kolom Dagen boven het gemiddelde laat zien.

Mijn geest ontploft met wat je zou kunnen doen met dit cijfer. Stel dat u een online retailer bent, u komt erachter dat een klant elke 30 dagen naar u toe komt.

Dus in de aanloop naar die datum kun je wat e-mailmarketing naar hen sturen, of je kunt wat advertenties op Facebook plaatsen. Dit is echt een geweldig inzicht dat u kunt gebruiken om het klantbehoud te verbeteren.

Een ander voorbeeld is deze specifieke klant hier. De gemiddelde tijd tussen aankopen is 98 dagen, terwijl hun laatste aankoop 48 dagen geleden is gedaan.

In de dagen voorafgaand aan de volgende aankoop van deze klant kunt u wat marketingmateriaal versturen om hen aan uw bedrijf te herinneren.

5. Bepalen van de winstgevendheid van een klant

Een andere maatstaf die we kunnen gebruiken, is de winstgevendheid van uw klanten. Met behulp van de kolom Totale verkoop kunt u controleren welke uw beste klanten zijn.

U kunt ook bepalen of het grote gevolgen voor uw bedrijf zou hebben als u een bepaalde klant zou verliezen. Als we het voorbeeld in de onderstaande tabel gebruiken, zal het verliezen van Gregory Jackson als klant niet veel impact hebben, omdat je slechts $ 3.222 aan verkopen van hem hebt verdiend.

Aan de andere kant wil je Joshua Romero behouden omdat hij tot nu toe een zeer goede klant is geweest. U kunt een marketingplan opstellen en vervolgens contact met hem opnemen.

U kunt de klanten identificeren die het meest winstgevend zijn voor uw bedrijf en bepalen of ze op de juiste manier kopen. De kolommen Totale verkoop en Dagen boven gemiddelde laten u zien hoe u deze twee cijfers in realtime kunt identificeren.

Wanneer hebben uw klanten hun laatste aankoop gedaan? – DAX-technieken in LuckyTemplates
Hoe u winstgevendheid in de toekomst kunt voorspellen met behulp van LuckyTemplates
Klanttrendanalyse in LuckyTemplates met behulp van DAX  

Conclusie

Met dit inzicht ga ik dus afronden. De mogelijkheid om geavanceerde voorspellende analyses te integreren in LuckyTemplates is krachtig en kan veel waarde toevoegen aan uw organisatie.

Als u bijvoorbeeld toekomstige zakelijke voorspellingen kunt doen, kunt u uw bedrijfsvoering efficiënter maken en een concurrentievoordeel behalen ten opzichte van uw concurrenten.

Neem de tijd om deze video te bekijken en een techniek te leren die u kunt toepassen om toekomstige bedrijfsscenario's te voorspellen.

Als u meer wilt weten over enkele van de meest geavanceerde analysetechnieken in LuckyTemplates, bekijk dan de onderstaande link van LuckyTemplates online .

Succes met deze technieken