Comparing stochastic models to managerial heuristics to predict future value of customers in a Finnish apparel brand

No Thumbnail Available
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu | Master's thesis
Date
2019-06-19
Department
Major/Subject
Strategy and Venturing
Mcode
SCI3050
Degree programme
Master’s Programme in Industrial Engineering and Management
Language
en
Pages
93
Series
Abstract
In marketing science, the net present value of a customer is also referred to as customer lifetime value. For decades, non-contractual businesses have been trying to evaluate the CLV of their customers to be able to serve customers according to their future value for the company. More sophisticated statistical repurchase models, such as Pareto/NBD, and BG/NBD have been developed for this purpose, but still the adoption of such models into daily use of companies seldom happens. Many times, the decision making in companies lies upon managerial heuristics, i.e. more simple models based on managers’ intuition about the business. The question is, whether the managerial heuristics or statistical models are better at making forecasts of companies’ customers on an individual level. This thesis is a case study using data of an apparel brand to predict of customer lifetime value. I’m trying to infer, whether well-known stochastic repurchase models are able to predict the future transaction patterns and average sum per transaction of the case company’s customers. After benchmarking the stochastic models, I compare which approach performs better in predicting future purchasing activity, number of purchases and average transaction value better: the stochastic models or managerial heuristics used at the case company. I use an RFM segmentation used at the case company as a basis for the managerial heuristics used in this study. I compare the predictive accuracy of a six month hiatus heuristic to the customer activity prediction by the stochastic repurchase models. I also compare, how good of an estimate is customers’ total spend of their future value by comparing it to the predictions of the stochastic models. The stochastic model benchmarking shows a rather similar performance for all the models. In general, the models are able to predict the purchasing patterns of customers, but fail to accurately picture the customer dropout process and hence customers’ future activity levels. The models tend to give overly positive estimates of customer activity. The results show, how the six months hiatus heuristic prevails in predicting customer activity, while the models seem to do better in predicting the value of customers during a one-year-long validation period. I suggest companies to incorporate both heuristics and more sophisticated models in their decision-making depending on the context in order to be able to make the most of their customer base predictions

Markkinoinnin tieteessä asiakkaan nettonykyarvosta käytetään myös nimitystä asiakkaan elinkaariarvo. Vuosikymmeniä ei-sopimuspohjaista kaupankäyntiä harjoittavat yritykset ovat yrittäneet laskea asiakkaidensa elinkaariarvoa, voidakseen kohdentaa asiakkaillensa palveluita heidän tulevaisuuden arvonsa perusteella. Monimutkaisempiatilastollisia uudelleenostomalleja, kuten Pareto/NBD ja BG/NBD, on kehitetty tämänkaltaisten ennusteiden tekemistä varten, mutta kyseisen kaltaisten mallien käyttö yrityksissä on edelleen vähäistä. Monesti, yritysten päätöksenteko perustuu jo jahtien heuristiikkoihin, eli heidän intuition pohjalta luomiinsa malleihin. Kysymys kuuluukin, ovatko tilastolliset uudelleenostomallit, vai johtajien heuristiikat parempia ennustemalleja asiakkaiden tulevasta arvosta yritykselle. Tämä työ on case tutkimus, jossa käytetään vaatebrändin dataa hyväksi asiakkaidenelinkaariarvon ennustamisessa. Vertailen ensin tunnettuja stokastisia malleja keskenään saadakseni tietää, voiko malleja ylipäätään käyttää case-yrityksen kontekstissa. Vertaan tämän jälkeen, kumpi suoriutuu asiakkaiden tulevien ostokertojen ja tulevien ostojenrahallisen arvon estimoinnissa paremmin: hyvin tunnetut stokastiset uudelleenostomallit, vai case-yrityksen johtajien käyttämät heuristiikat. Tutkimuksessani käytettyjenjohtajien heuristiikkojen pohjana toimii case-yrityksessä käytettävä RFM-segmentointi. Vertaan kuuden kuukauden ostotauko-heuristiikan ja stokastisten mallien kykyä ennustaa asiakkaiden ostoaktiivisuutta vuoden kestävällä validointiaikajaksolla. Vertaan myös, kumpi antaa paremman ennusteen asiakkaan tulevasta kulutuksesta: asiakkaanhistoriallinen kokonaiskulutus, vai stokastisten mallien tuottamat ennusteet asiakkaanostokerroista ja keskimääräisestä kulutuksesta per osto. Stokastisten mallien vertailu tuotti samankaltaisia tuloksia lähes joka mallille. Kaikki mallit pystyivät ennustamaan asiakkaiden tulevia ostokertoja melko tarkasti mutta epäonnistuivat kuvaamaan yrityksen asiakkaiden aktiivisuustasoa luotettavasti. Mallit antoivat kaikki ylioptimistisia ennustuksia asiakkaiden aktiivisuudesta. Tulokset näyttävät, kuinka kuuden kuukauden ostotauko-heuristiikka ennustaa asiakkaiden ostoaktiivisuutta paremmin kuin stokastisten mallien antamat arviot. Toisaalta, mallit pystyivät paremmin ennustamaan seuraavan vuoden parhaat 10%, ja 20% asiakkaista, verrattuna kokonaiskulutusheuristiikkaan. Ehdotan yritysten ottamaan asiakkaan elinkaariarvoon liittyvään päätöksentekoon mukaan sekä tilastolliset mallit, että heuristiikat riippuen kontekstista. Näin tilanteesta riippuen pystytään tekemään parhaat mahdolliset ennusteet asiakkaan tulevasta ostokäyttäytymisestä.
Description
Supervisor
Schmidt, Jens
Thesis advisor
Härkönen, Kari
Keywords
customer lifetime value, managerial heuristics, customer base analysis, stochastic models, bias-variance trade-off, customer value
Other note
Citation