Advanced data analytics for customer lifetime value evaluation and churn prediction in a non-contractual e-commerce environment

Within the realm of e-commerce, significant opportunities remain to address key challenges: evaluating future customer value and predicting customer churn. This research tackles both issues, aiming not only to provide solutions to these critical questions but also to gain deeper, actionable insights into customer behavior and preferences. This approach would assist the company in developing a customer-centric strategy to enhance their engagement and overall activity. Leveraging machine learning algorithms tailored to the specific context, an in-depth analysis of customers was conducted, encompassing various perspectives including transactional and behavioral activities, interests, and patterns of actions. The initial focus was on computing Customer Lifetime Value (cLTV), primarily to refine the definition of client value as precisely as possible, given the provided dataset and necessities of the company, followed by identifying the most effective model for its prediction. The research also explores customer segmentation and churn prediction, utilizing RFM analysis and supervised learning techniques to offer actionable insights. Despite encountering limitations such as dataset constraints and the non-contractual nature of ecommerce relationships, this work presents significant findings in understanding and influencing customer behaviors. Future research directions include expanding the dataset timeframe, integrating additional behavioral variables, and examining customer responses to marketing efforts.

Nel settore dell’e-commerce, esistono opportunità sostanziali per affrontare due sfide critiche: stimare il valore futuro dei clienti e anticipare il loro potenziale disimpegno. Questo studio mira a risolvere queste problematiche essenziali, proponendo non solo risposte a questi interrogativi vitali ma anche a comprendere in modo più dettagliato e pratico le dinamiche e le preferenze dei consumatori. Tale conoscenza permetterebbe alle aziende di formulare strategie orientate al cliente per potenziare l’engagement e migliorare le performance generali. L’analisi si avvale di algoritmi di machine learning specificamente adattati per esaminare in profondità il comportamento dei clienti da diverse angolazioni, includendo attività transazionali, comportamenti, interessi e tendenze di consumo. Un focus particolare è stato posto sul calcolo del Valore a Vita del Cliente (Customer Lifetime Value - CLTV), con l’obiettivo di affinare quanto più accuratamente possibile la valutazione del valore del cliente, basandosi sui dati disponibili e sulle necessità specifiche dell’impresa, per identificare il modello più adeguato per prevedere tale valore. Lo studio indaga altresì su segmentazione dei clienti e previsione della loro perdita, impiegando l’analisi RFM (Recency, Frequency, Monetary value) e metodi di apprendimento supervisionato per fornire previsioni affidabili. Nonostante alcune limitazioni, come le restrizioni dei dataset disponibili e la natura non contrattuale delle relazioni nel commercio elettronico, questa ricerca offre risultati significativi nel comprendere e influenzare i comportamenti dei consumatori. Tra i possibili sviluppi futuri della ricerca si considera l’ampliamento dei dataset, l’estensione del periodo di osservazione, l’integrazione di ulteriori variabili comportamentali e l’analisi approfondita delle dinamiche di consumo. Alcuni dei possibili approfondimenti futuri includono l’espansione del periodo di interesse, l’integrazione di variabili di comportamento e la risposta dei clienti alle proposte di marketing