客户生命周期价值帮助HelloFresh优化其营销支出

1 引言

了解客户的长期价值对HelloFresh至关重要。客户生命周期价值（CLV）代表了客户与公司关系的整个过程中所产生的总价值。通过预测这一指标，我们可以更明智地决定如何分配营销资源，以获得最大的影响。

在本文中，我们将深入探讨预测CLV如何使HelloFresh优化我们的营销支出，特别关注我们在搜索引擎广告（SEA）中的策略。我们将探讨如何利用预测机器学习模型提高效率，以及为何这种数据驱动的方法对我们的增长和营销策略至关重要。

2 搜索引擎广告的作用

搜索引擎广告（SEA）在HelloFresh与潜在客户的连接中起着重要作用。这是一种我们用来在搜索引擎结果页面上投放广告的技术，正是人们在寻找像我们这样的餐盒服务。SEA的魅力在于它能够将高意向流量引导至我们的网站——那些准备购买的人。

我们SEA策略的一个关键组成部分是Google的目标广告支出回报（tROAS）出价工具。这个工具使我们能够自动调整广告的出价，以实现预期的投资回报。简而言之，我们告诉Google我们希望每花费一美元广告费所期望的平均收益，而Google的算法则会努力实现这一目标。有关Google tROAS活动的更多详细信息，请参见他们的文档。

通过关注tROAS出价，HelloFresh确保我们不仅仅是追求点击，而是追求客户所采取的有价值的行动，即购买餐盒。这一智能出价策略帮助我们高效地使用广告预算，从而实现更具影响力的营销活动。

为了使这一切如预期般运作，我们需要一个衡量标准，适当地评估每次转化的价值，以真正发挥Google tROAS算法的优势。这就是预测客户生命周期价值（CLV）发挥作用的地方。通过理解每位转化客户的长期价值，我们向Google的算法提供了超越首次购买的数据，使tROAS系统能够优化那些在未来提供最大价值的转化。

tROAS出价架构

3 客户价值的预测模型

HelloFresh的机器学习/人工智能产品团队开发和管理数千个模型，这些模型基于数百万客户的行为和交易以及数十亿的数据点。模型构建在我们专有的机器学习操作（MLOps）平台上，该平台促进了可扩展生产系统的无缝培训、验证、部署和监控。此外，我们的特征库集中管理模型输入，简化了重新训练过程，确保一致性和可重用性。

预测建模对于HelloFresh预测客户生命周期价值（CLV）和客户活动价值（CCV）至关重要——客户在取消后续订阅期间所产生的价值。我们利用一种称为Catboost的增强决策树机器学习算法，来预测客户的未来行为。Catboost模型特别适合从主要包含分类输入（特征）的表格数据中学习如何预测输出（目标）。

我们模型的焦点是平均订单率，它跟踪客户群体可能购买的餐盒数量。通过分析转化群体——在特定时间范围内首次购买的客户组——我们不仅可以估计即时价值，还可以评估这些客户将为HelloFresh带来的持久价值。

我们的预测模型考虑了多种客户特征，例如客户的获取渠道、早期订购行为和参与度。利用这些特征，我们能够详细描绘客户的模式、偏好和潜在的忠诚度。

通过将模型的预测与实际结果进行评估，特别是使用客户和群体层面的平均百分比误差（MAPE），我们持续优化我们的策略。这一测量帮助我们理解客户价值的预期与实际之间的差异，使我们能够做出数据驱动的决策，从而提高营销支出的效率。我们还通过在历史数据上模拟决策来进行模型性能的回测，以便在现实环境中评估预测。所需的准确性水平取决于我们将基于模型预测做出的决策，因为（不完美的）模型增加了结果的方差。理想情况下，这些决策及其背后的动机，即我们的假设，将通过控制实验进行测试（见下文）。

请注意，尽管回测提供了最可靠的评估方法，但它们仍然容易出现漂移——特征和目标值之间的关系随时间变化。这在客户获取（转化事件）和最终客户价值之间相隔数月甚至数年时尤其成问题，因为客户行为以及商业实践可能在此期间发生了显著变化。我们通过训练多种不同的时间范围模型（从几周到几年）部分抵消了这些影响，限制了潜在的基础数据漂移时间。

进一步说明，特别是在优化广告支出效率的用例中，新转化客户价值预测的及时可用性是关键。因此，我们面临着速度与准确性之间的权衡，因为我们的预测随着我们对活跃客户行为的了解而变得更加准确，而我们希望尽快将转化价值反馈给Google等广告平台，以便它们能够根据我们的目标更新出价。

通过这些预测模型，HelloFresh能够更好地理解和预见客户的需求和价值，确保我们不仅满足而且超越他们的期望，同时保持成本效益的营销策略。

4 对营销效率的积极影响

我们在CLV和CCV预测建模上的投资产生了切实的成果，特别是在营销效率方面。最显著的结果之一是客户获取成本（CAC）的降低。通过这些模型的战略应用，HelloFresh在Google搜索活动中实现了14%的广告支出回报（ROAS）增长，经过不同目标的控制实验验证。控制组旨在最小化获取成本，即在给定预算下最大化转化，而实验组则利用目标ROAS和预测客户价值，导致了以下差异：

CAC的降低意味着我们能够以比以前更低的成本吸引新客户。通过预测哪些潜在客户最有可能成为忠实的HelloFresh用户，我们更精确地定位营销工作。因此，我们的机器学习模型帮助我们花费正确的费用来获取合适的潜在客户。结果是我们的营销支出不仅更有效（更高的投资回报），而且更具成效（更大的整体价值创造）。

积极的影响不仅限于节省成本。通过这些模型获得的效率使我们能够将资源重新投资于进一步优化营销策略和增强整体客户体验。这一持续改进的循环推动了增长，并进一步巩固了我们在餐盒配送市场的地位。

HelloFresh的产品高级副总裁Annie Meininghaus总结了基于价值的营销优化的战略影响如下：

“通过将预测建模整合到我们的营销工作中，我们能够将客户放在首位，更深入地理解他们的需求。这不仅仅关乎即时收益；而是关于与客户建立持久的关系。如果我们的日常营销决策有坚实的证据支持，我们就能够朝着公司的长期愿景迈进。这种技术与我们核心价值观之间的一致性证明了HelloFresh持续创新的文化。”

5 未来方向

我们目前策略所带来的积极成果为HelloFresh的下一步激动人心的计划奠定了基础。我们的未来计划包括将预测营销工作扩展到搜索引擎广告以外的平台，包括社交媒体、展示广告和视频。这一扩展将使我们能够接触到更广泛的客户群体和偏好，进一步优化我们的覆盖面和影响力。

我们的模型不仅将预测客户行为，还将告知我们如何在不同的创意、受众和渠道之间分配预算。通过分析哪种组合产生最佳结果，我们可以动态地将营销资金重新分配到表现最好的领域。

此外，我们计划利用从预测模型中获得的洞察来决定我们广告支出回报（ROAS）的最佳目标。这将确保我们不仅满足，而且超越我们的盈利目标。

简而言之，预测建模正成为我们营销策略的基石。通过这些努力，我们将继续更有效地满足客户的需求，并在市场中保持竞争优势。敬请关注我们如何将这些计划变为现实，推动HelloFresh在营销复杂性和客户满意度方面更上一层楼。

6 结论

我们在客户生命周期价值预测方面的探索使HelloFresh在营销效率上达到了新的高度。通过准确预测客户的价值，我们优化了营销支出，显著降低了客户获取成本，并为在各种营销平台上的更广泛应用奠定了基础。

展望未来，我们将继续完善我们的策略，确保每一笔支出都是对客户基础和HelloFresh品牌持续增长的投资。这种对创新和持续改进的承诺不仅仅是一种策略；它反映了我们改变人们饮食方式的决心。