L'analyse de survie de la LTV (valeur à vie) est un bon point de départ. C'est assez basique, mais cela fait le travail. Mais il y a beaucoup de travail d'intelligence d'affaires que vous pourriez faire avec ce que vous avez. Si vous avez des taux de réponse aux publicités et autres, cela pourrait également vous fournir un bon moyen d'évaluer l'efficacité.
Je suis d'accord avec rolando2, le bon, le mauvais et le laid - étant défini mathématiquement, est un défi. Surtout en l'absence d'élément comportemental ou secondaire dans vos données autre que les achats, même quelque chose d'aussi simple qu'un code postal pourrait ajouter des informations fantastiques à vos données pour comprendre des choses comme le lieu d'achat (c'est un magasin). Je suppose que vous pouvez segmenter par centiles LTV ... 30%, 50%, 80% (en suivant la règle métier 80/20 ...).
En termes de logiciel, je ne sais pas comment faites-le dans Excel ou STATA. Mais, pour R, il y a une introduction et un exemple mixtes d'analyse de survie utilisant le package survival
ici: http://www.stats.uwo.ca/faculty/jones/survival_talk.pdf de Bruce Jones de l'Université de Western Ontario. Je suis Canadien, poursuivez-moi.
Dans son exemple, Death, serait quelque chose comme votre temps moyen entre les achats identifié dans les données comme 0 ou 1 si l'observation a effectué un achat dans le dernier temps moyen entre les achats . Certaines personnes aiment définir cela comme acheté au cours des 3 derniers mois ... mais évidemment, c'est différent pour chaque type d'entreprise. Vous ne seriez pas en voiture tous les mois, n'est-ce pas? C'est donc un jugement de votre part.
Sinon, il y a beaucoup de choses intéressantes que vous pouvez faire avec vos données du point de vue de la Business Intelligence. Prix d'achat moyen, nombre d'articles achetés en fonction des sorties de pile dans un magasin ou des bannières sur un site Web si vous connaissez l'heure à laquelle l'annonce ou la pile a été placée ... ce ne sont que quelques exemples.