1 引言

了解客戶的長期價值對HelloFresh至關重要。客戶生命周期價值（CLV）代表了客戶與公司關系的整個過程中所產生的總價值。通過預測這一指標，我們可以更明智地決定如何分配營銷資源，以獲得最大的影響。

在本文中，我們將深入探討預測CLV如何使HelloFresh優化我們的營銷支出，特別關注我們在搜索引擎廣告（SEA）中的策略。我們將探討如何利用預測機器學習模型提高效率，以及為何這種數據驅動的方法對我們的增長和營銷策略至關重要。

2 搜索引擎廣告的作用

搜索引擎廣告（SEA）在HelloFresh與潛在客戶的連接中起著重要作用。這是一種我們用來在搜索引擎結果頁面上投放廣告的技術，正是人們在尋找像我們這樣的餐盒服務。SEA的魅力在于它能夠將高意向流量引導至我們的網站——那些準備購買的人。

我們SEA策略的一個關鍵組成部分是Google的目標廣告支出回報（tROAS）出價工具。這個工具使我們能夠自動調整廣告的出價，以實現預期的投資回報。簡而言之，我們告訴Google我們希望每花費一美元廣告費所期望的平均收益，而Google的算法則會努力實現這一目標。有關Google tROAS活動的更多詳細信息，請參見他們的文檔。

通過關注tROAS出價，HelloFresh確保我們不僅僅是追求點擊，而是追求客戶所采取的有價值的行動，即購買餐盒。這一智能出價策略幫助我們高效地使用廣告預算，從而實現更具影響力的營銷活動。

為了使這一切如預期般運作，我們需要一個衡量標準，適當地評估每次轉化的價值，以真正發揮Google tROAS算法的優勢。這就是預測客戶生命周期價值（CLV）發揮作用的地方。通過理解每位轉化客戶的長期價值，我們向Google的算法提供了超越首次購買的數據，使tROAS系統能夠優化那些在未來提供最大價值的轉化。

tROAS出價架構

3 客戶價值的預測模型

HelloFresh的機器學習/人工智能產品團隊開發和管理數千個模型，這些模型基于數百萬客戶的行為和交易以及數十億的數據點。模型構建在我們專有的機器學習操作（MLOps）平臺上，該平臺促進了可擴展生產系統的無縫培訓、驗證、部署和監控。此外，我們的特征庫集中管理模型輸入，簡化了重新訓練過程，確保一致性和可重用性。

預測建模對于HelloFresh預測客戶生命周期價值（CLV）和客戶活動價值（CCV）至關重要——客戶在取消后續訂閱期間所產生的價值。我們利用一種稱為Catboost的增強決策樹機器學習算法，來預測客戶的未來行為。Catboost模型特別適合從主要包含分類輸入（特征）的表格數據中學習如何預測輸出（目標）。

我們模型的焦點是平均訂單率，它跟蹤客戶群體可能購買的餐盒數量。通過分析轉化群體——在特定時間范圍內首次購買的客戶組——我們不僅可以估計即時價值，還可以評估這些客戶將為HelloFresh帶來的持久價值。

我們的預測模型考慮了多種客戶特征，例如客戶的獲取渠道、早期訂購行為和參與度。利用這些特征，我們能夠詳細描繪客戶的模式、偏好和潛在的忠誠度。

通過將模型的預測與實際結果進行評估，特別是使用客戶和群體層面的平均百分比誤差（MAPE），我們持續優化我們的策略。這一測量幫助我們理解客戶價值的預期與實際之間的差異，使我們能夠做出數據驅動的決策，從而提高營銷支出的效率。我們還通過在歷史數據上模擬決策來進行模型性能的回測，以便在現實環境中評估預測。所需的準確性水平取決于我們將基于模型預測做出的決策，因為（不完美的）模型增加了結果的方差。理想情況下，這些決策及其背后的動機，即我們的假設，將通過控制實驗進行測試（見下文）。

請注意，盡管回測提供了最可靠的評估方法，但它們仍然容易出現漂移——特征和目標值之間的關系隨時間變化。這在客戶獲取（轉化事件）和最終客戶價值之間相隔數月甚至數年時尤其成問題，因為客戶行為以及商業實踐可能在此期間發生了顯著變化。我們通過訓練多種不同的時間范圍模型（從幾周到幾年）部分抵消了這些影響，限制了潛在的基礎數據漂移時間。

進一步說明，特別是在優化廣告支出效率的用例中，新轉化客戶價值預測的及時可用性是關鍵。因此，我們面臨著速度與準確性之間的權衡，因為我們的預測隨著我們對活躍客戶行為的了解而變得更加準確，而我們希望盡快將轉化價值反饋給Google等廣告平臺，以便它們能夠根據我們的目標更新出價。

通過這些預測模型，HelloFresh能夠更好地理解和預見客戶的需求和價值，確保我們不僅滿足而且超越他們的期望，同時保持成本效益的營銷策略。

4 對營銷效率的積極影響

我們在CLV和CCV預測建模上的投資產生了切實的成果，特別是在營銷效率方面。最顯著的結果之一是客戶獲取成本（CAC）的降低。通過這些模型的戰略應用，HelloFresh在Google搜索活動中實現了14%的廣告支出回報（ROAS）增長，經過不同目標的控制實驗驗證。控制組旨在最小化獲取成本，即在給定預算下最大化轉化，而實驗組則利用目標ROAS和預測客戶價值，導致了以下差異：

CAC的降低意味著我們能夠以比以前更低的成本吸引新客戶。通過預測哪些潛在客戶最有可能成為忠實的HelloFresh用戶，我們更精確地定位營銷工作。因此，我們的機器學習模型幫助我們花費正確的費用來獲取合適的潛在客戶。結果是我們的營銷支出不僅更有效（更高的投資回報），而且更具成效（更大的整體價值創造）。

積極的影響不僅限于節省成本。通過這些模型獲得的效率使我們能夠將資源重新投資于進一步優化營銷策略和增強整體客戶體驗。這一持續改進的循環推動了增長，并進一步鞏固了我們在餐盒配送市場的地位。

HelloFresh的產品高級副總裁Annie Meininghaus總結了基于價值的營銷優化的戰略影響如下：

“通過將預測建模整合到我們的營銷工作中，我們能夠將客戶放在首位，更深入地理解他們的需求。這不僅僅關乎即時收益；而是關于與客戶建立持久的關系。如果我們的日常營銷決策有堅實的證據支持，我們就能夠朝著公司的長期愿景邁進。這種技術與我們核心價值觀之間的一致性證明了HelloFresh持續創新的文化。”

5 未來方向

我們目前策略所帶來的積極成果為HelloFresh的下一步激動人心的計劃奠定了基礎。我們的未來計劃包括將預測營銷工作擴展到搜索引擎廣告以外的平臺，包括社交媒體、展示廣告和視頻。這一擴展將使我們能夠接觸到更廣泛的客戶群體和偏好，進一步優化我們的覆蓋面和影響力。

我們的模型不僅將預測客戶行為，還將告知我們如何在不同的創意、受眾和渠道之間分配預算。通過分析哪種組合產生最佳結果，我們可以動態地將營銷資金重新分配到表現最好的領域。

此外，我們計劃利用從預測模型中獲得的洞察來決定我們廣告支出回報（ROAS）的最佳目標。這將確保我們不僅滿足，而且超越我們的盈利目標。

簡而言之，預測建模正成為我們營銷策略的基石。通過這些努力，我們將繼續更有效地滿足客戶的需求，并在市場中保持競爭優勢。敬請關注我們如何將這些計劃變為現實，推動HelloFresh在營銷復雜性和客戶滿意度方面更上一層樓。

6 結論

我們在客戶生命周期價值預測方面的探索使HelloFresh在營銷效率上達到了新的高度。通過準確預測客戶的價值，我們優化了營銷支出，顯著降低了客戶獲取成本，并為在各種營銷平臺上的更廣泛應用奠定了基礎。

展望未來，我們將繼續完善我們的策略，確保每一筆支出都是對客戶基礎和HelloFresh品牌持續增長的投資。這種對創新和持續改進的承諾不僅僅是一種策略；它反映了我們改變人們飲食方式的決心。