Analysis of loyalty program data and profitability : case of a company

Abstract

Customer loyalty program (LP) can be an important part of the retail strategy and the data collected from the loyalty program can give insight and knowledge for the management when it is analyzed properly. A part of the benefits of the LP are monetary, which influences the profitability of the loyalty program. Also, the members of the LP are differently profitable as some do purchases with the retail price whereas others might only purchase discounted products. This brings up two aspects to be analyzed on the LP data. The first aspect is the current reward structure of the LP and if the structure rewards the right customers and motivates the members to act more profitably. The profitability of the LP members now and in the future, is the second aspect. This is important to be analyzed to ensure that the future investments within the LP can be allocated profitably, and to the right customers. In this thesis, the profitability of the LP and its structure was analyzed with descriptive methods: the reward structure is looked at by checking if it generates points-pressure to earn bigger discount vouchers. And how different level vouchers generate spending that surpass the vouchers value. These measures and results could possibly be used for optimizing the reward structure or as indicators on how the LP is performing. The future profitability of the customers is approached by implementing forward-looking models for predicting the future spending of the customers to get a better view on the customer lifetime value. The CLV prediction models, linear regression and Pareto/NBD, were applied to the newly signed and active Finnish members of the LP as for this cohort the needed data was fully available. The accuracy of the model’s predictions is compared to see which model performs the best. The CLV prediction could be an important metric for marketing function’s and LPs resource allocation as it would make sure that the invested amount to serve and reward a certain customer would not be bigger than the future value the customer brings to the company. The data used is from the loyalty program’s database and represents the second half of 2016 and the first half of 2017. The conclusion of the research is that the LPs database is a good source of information, but to get more reliable results on the analyses of the reward structure and on the performance of the CLV prediction models, the LPs cost side and the individual margins of the customers should be collected and included in the analyses.

Kanta-asiakasohjelma voi olla tärkeä osa vähittäiskaupan strategiaa, ja kanta-asiakasohjelmasta kerätyt tiedot voivat antaa, oikein analysoituna, ymmärrystä ja tietoa johdolle. Osa kanta-asiakasohjelman eduista ovat rahallisia, mikä vaikuttaa ohjelman kannattavuuteen. Lisäksi ohjelmaan kuuluvat jäsenet eroavat kannattavuuksiltaan, sillä jotkut ostavat tuotteita vähittäismyyntihinnalla, kun taas toiset ostavat vain alennustuotteita. Tämä tuo esille kaksi näkökulmaa, joita analysoidaan ohjelman tuottaman datan pohjalta. Ensimmäinen näkökulma on kanta-asiakasohjelman nykyinen palkkiorakenne ja palkitseeko ohjelman nykyinen rakenne oikeat asiakkaat ja motivoiko rakenne toimimaan kannattavammin yhtiön näkökulmasta. Ohjelman jäsenten kannattavuus nyt ja jatkossa on toinen näkökulma. Tätä on tärkeä tarkastella sen varmistamiseksi, että tulevat sijoitukset asiakkaisiin ohjelman puitteissa voidaan kohdistaa kannattavasti ja oikeille asiakkaille. Tässä pro gradussa kanta-asiakasohjelmaa ja sen rakenteen kannattavuutta analysoitiin kuvailevilla menetelmillä: palkkiorakennetta tarkastellaan tutkimalla kannustaako palkkioiden ansaintarakenne asiakkaita kuluttamaan lisää päästäkseen seuraavalle etu-tasolla ja kuinka eri tason etusetelit lisäävät kulutusta. Tuloksia voidaan hyödyntää palkkiorakenteen optimoinnissa tai mittarina siitä, kuinka hyvin ohjelma toimii. Asiakkaiden kannattavuutta jatkossa lähestytään toteuttamalla ennustemalleja asiakkaiden tulevasta kulutuksesta, jotta asiakkaan elinkaariarvosta saadaan parempi käsitys. Asiakkaan elinkaariarvo- ennustemalleja (lineaarinen regressio- ja Pareto/NBD- malli) sovellettiin kanta-asiakasohjelmaan juuri liittyneiden ja aktiivisten asiakkaiden elinkaariarvon ennustamiseen, koska tälle segmentille data oli kokonaan saatavilla. Mallien ennusteiden tarkkuutta verrattaan keskenään, jotta selviää mikä malleista toimi parhaiten. Mallin tuottama ennuste asiakkaan elinkaariarvosta voi olla tärkeä mittari markkinoinnin ja etenkin kanta-asiakasohjelman resurssien allokoinnissa, koska se varmistaisi, että sijoitus tiettyyn asiakkaaseen ei ole suurempi kuin tuleva elinkaariarvo, jonka asiakas tuo yritykselle. Käytetyt tiedot ovat kanta-asiakasohjelman tietokannasta ja edustavat vuoden 2016 jälkipuoliskoa ja vuoden 2017 ensimmäistä puoliskoa. Johtopäätöksenä voidaan todeta, että kanta-asiakasohjelman tietokanta on hyvä tietolähde, mutta luotettavampia tuloksia varten palkkiorakenteen analyyseihin ja elinkaariarvojen-ennustemalleihin on tarpeellista lisätä dataa kanta-asiakasohjelman kulupuolesta ja yksilötason asiakaskatteista.