公司通常不会大声说出来，但并非所有的顾客都是平等的。目标是吸引和留住那些会定期回来购物的顾客，而不是那些可能只购买一次就再也没有联系的顾客。
弄清楚谁是谁并不总是容易的。许多时尚零售商的预测仍然基于几十年前营销学者开发的一个模型，该模型用于估计客户将花多少钱在他们的品牌上——他们的终身价值。该公式将以前购买的详细信息与一些基本的人口统计信息相结合，以计算购物者的终身价值。
这种模式诞生于前数字时代，如今已经过时。面对不断上升的客户获取成本，如今的品牌试图在消费者考虑购买之前就确定他们的目标客户。他们通过整合购物者在网上丢失的大量数据，利用人工智能等先进分析技术将信息处理成可用的见解，提高了对客户终身价值的预测。
德国的Mysteresa，它建立了自己的盈利的电子商务业务在高消费客户的忠实客户中，有一位是其中之一。
“我将分享一个秘密，”首席执行官迈克尔·克里格告诉BoF。“最重要的是你的新客户是谁。”他补充说，现在“完全是人工智能”在为公司做这些工作。
这项技术有一些优点。研究咨询公司Forrester负责客户分析和人工智能的分析师布兰登·珀塞尔（Brandon Purcell）表示：“人工智能的美妙之处在于，你用来创造终身价值的数据比零售商和时尚公司过去使用的数据更丰富、更复杂。”。“在零售业，特别是在时装业，很少有公司使用人工智能来实现这一目标。”
尽管如此，这并不是万能的。人工智能模型的好坏取决于它们所基于的数据。但当它们工作良好时，它们可以让公司更好地做出明智的决定，决定将营销和其他资源引向何处，从而获得最佳的投资回报。
发现大买家
Mytheresa的人工智能综合考虑了克里格所谓的明显信号和不那么明显的信号。其中最明显的一条是:“如果第一次购买的是一件高价值的成衣，那么它与未来消费水平的关联度要远高于第一次购买的是一双200欧元的运动鞋，”他说。
但它也追踪了购物者对营销信息的反应，他们在Mytheresa网站上的浏览活动，甚至包括他们选择哪种付款方式等数据点。该公司不愿详细说明如何使用这些指标预测忠诚度，但克里格补充道：“如果你有很多这样的因素，并且不断关注他们购买的商品，以及他们看到的商品、他们打开的电子邮件，并且你真的有一个数据库，那么我们对首次客户以及他们是否最终会成为我们的最佳客户具有相当高的预测能力。”
这些洞见影响了Mytheresa的决策，决定将营销资金投向何处，以及培养哪些关系。克里格解释说，那些被标记为高潜力的购物者可能会首先接触到新产品，在Mytheresa配送商品的顺序中获得优先权，或者在他们打电话给客户服务时第一个得到接听。这些数据可以告诉Mytheresa客户可能需要哪些服务，比如个性化设计;允许它更好地锁定邮件、短信或推送通知;并帮助它预测谁最终会停止购物，或者用商业术语来说是“流失”。
2017年，该公司推出了数据分析和算法（计算机处理数据所遵循的指令序列）以及一个新的跨媒体渠道营销系统。在一个去年提交的监管文件该公司指出，这些因素是其客户获取成本下降的原因，“尽管我们的活跃客户基础从2019财年的40万增长到2020财年的48.6万，但我们认为这是行业中罕见的趋势，”该公司表示。
Mytheresa并不是唯一一个寻求新型预测分析来帮助自己做出更好决策的公司。耐克近年来的科技收购浪潮始于2016年，收购的是专门预测客户行为和终身价值的Zodiac公司。ASOS已经转向机器学习作为一种更好地理解购物者的方式，部分原因是因为它提供的免费送货和退货意味着吸引错误的顾客实际上可能会花费金钱。
视网膜的联合创始人兼首席执行官埃马德·哈桑（Emad Hasan）最近推出了一款使用人工智能识别高价值客户的产品。他在Facebook和PayPal工作时，看到了负终身价值的普遍性，并参与了商家的分析。在那里，他发现许多企业花了更多的钱来吸引客户并留住他们，而这些钱最终都超出了他们的价值。
他说:“令我着迷的是，对于大多数企业来说，大约30%到50%的客户基础是终生无利可图的。”
谷歌和Facebook等公司长期以来一直为品牌提供一种精确定位消费者的方法，但哈桑表示，从他所看到的情况来看，越来越多的品牌开始依赖于他们能够从客户那里收集到的信息。
“现在的情况是，至少在数字世界，更多的信号已经在客户旅程的早期变得可用，”他说。各大品牌都在确保这些数据被导入自己的数据仓库。由于隐私问题限制了公司分享用户信息的能力，这些信息也可能变得越来越有价值。哈桑的公司实际上是在打赌，人工智能可以比旧模式更有效地将所有这些信号处理成有用的洞见。
人工智能的极限
很难说人工智能在预测客户的终身价值方面有多好。“人工智能”这个词可能会让人联想到感知软件的概念，但它本质上是预测性数学。要想让它运作良好，它需要好的数据来作为预测的基础，更多并不一定意味着更好。
“如果你没有代表整个客户群或现实的数据，或者你的数据中存在卫生问题，那么模型将继承这些问题，”Purcell说。
客户生命周期价值的衡量标准已经只是概率，而不是保证的结果。当问题滑入用于预测的数据时，该模型可能根本没有多大用处，或者如果不小心，它可能会将业务指向错误的方向。
Purcell说：“对你的数据进行尽职调查，了解你的数据，正确地准备数据——所有这些数据卫生的东西——这并不性感，但它是如此、如此重要。”。
就Mytheresa而言，她觉得这份工作是值得的。
相关文章:
