Application of stochastic models to determine customers lifetime value for a Brazilian supermarkets network

Abstract

This paper studies strategies to access customer lifetime value (CLV). Traditionally, heuristics based on recency, frequency and monetary value variables (RFM) are used to determine the best customers. Here, some forms of directly exploring these parameters to predict CLV are compared to an approach based on fitting a stochastic model. The model employed is a composition of a model for the number of transactions along the residual lifetime and a model for the value spent. New evidence is raised on the effect of aggregating transactions monthly. The data analyzed refer to two years of purchases of a group of customers of the same entrance cohort of a fidelity program cadastre of a supermarkets network in Rio de Janeiro. Using the first year to calibrate and the second year to validate the models, good fit of both models to the series of individual data and coherent CLV predictions are obtained.Keywords: customer lifetime value; knowledge management; marketing; retail; modeling. ResumoEste artigo estuda estratégias para avaliar o valor do tempo de vida do cliente (CLV). Tradicionalmente, heurísticas baseadas em variáveis medindo recência, freqüência e valor monetário (RFM) são utilizadas para determinar os melhores clientes. Aqui, algumas formas de explorar diretamente estes parâmetros para predizer o CLV são comparadas com uma abordagem baseada no ajustamento de um modelo estocástico. O modelo utilizado é uma composição de um modelo para o número de transações ao longo da vida útil residual e um modelo para o valor gasto. Nova evidência é levantada sobre o efeito de agregação das transações mensalmente. Os dados analisados referem-se a dois anos da compras de um grupo de clientes da mesma coorte de ingresso no cadastro de um programa de fidelidade de uma rede de supermercados do Rio de Janeiro. Usando o primeiro ano para calibrar e o segundo ano para validar os modelos, bom ajuste dos dois modelos para as séries de dados individuais e previsões coerentes para o CLV são obtidas.Palavras-chave: valor do tempo de vida do cliente; gestão do conhecimento; marketing, varejo, modelagem.