終生價值這個概念就是如果某個人今天成為顧客、而且一輩子不離開，他會在公司這裡消費的總額，但實際計算可不容易。如果用金融業的術語來說，顧客的終生價值就是他對公司未來收入流的折現現金流。講成人話，也就是某個人這一輩子會在公司身上消費多少。
如果要問哪個數字對收益最為重要，答案就是「終生價值」(LTV)。只要能夠準確預估某位現有或潛在顧客對於公司的終生價值，就能知道公司究竟該投資多少錢來爭取或留住這個顧客。
雖然終生價值這個概念非常簡單(也就是如果某個人今天成為顧客、而且一輩子不離開，他會在公司這裡消費的總額)，但講到實際計算可不容易。如果用金融業的術語來說，顧客的終生價值就是他對公司未來收入流的折現現金流。講成人話，也就是某個人這一輩子會在公司身上消費多少(而且已調整消除通膨的因素)。
終生價值要考量三個因素：
1.目前價值：目前該顧客對你的消費狀況如何？
2.未來的價值增跌：這個人未來對你的消費增減幅度為何？
3.關係維繫的長短：他做為你的顧客，時間究竟會有多長？
「關係長短」這最後一個元素也最難計算。公司最容易知道，就是顧客目前對你的消費支出額，只要一查紀錄，就能知道這個數字長期以來是漲還是跌。然而，顧客能不能維持忠誠可是另一回事。這下該怎麼辦？從你手上的資料就見分曉！
請讓我用個假設案例來說明一下。假設現在有一家具備相當規模的航空公司，叫做「大陸航空」，希望我幫忙提升他們的顧客忠誠度。這項工作的重點之一，就是要先找出那些即將變心的客戶。只要能把這些人找出來，就能制定方案叫他們回心轉意。
每家航空公司的資料都是堆積如山，而大陸航空也不例外。不管是任何乘客的搭機時間、搭機頻率、搭機艙等或是目的地，全部逃不過航空公司資料庫的法眼。這裡我用一份具代表性的假設樣本資料，解釋一下如何計算某位乘客的收益損失風險(也就是來自這位乘客的收益可能會掉多少)。
我研發了一個公式來計算某個人的收益損失風險：把這些因素相乘，就會得到這個客戶的收益損失風險(revenue at risk, RAR)。
具體來說，我要回答這樣一個問題：「統計模型要怎樣才能預測，在接下來的幾個月，某個顧客對我們的消費額是不是會減少、甚至是減少非常多？」
為了證明這一點，讓我們來舉個例子。假設我們有三位很常搭飛機的旅客：瑪麗、蘇珊和湯姆。而因為某些未知的原因，他們三個人今年三月搭機的次數和去年相比都往下滑。瑪麗今年三月飛了三次，但去年可是飛了十次！ 蘇珊是今年一次、去年九次；而湯姆則是今年二次、去年十次。
讓我們仔細看看在今年三月之前的一年間，他們每個人的搭機次數。接著再請填填看下面的表格。在你覺得，瑪麗、蘇珊和湯姆明年在航空公司的消費下跌百分之八十、百分之五十、百分之二十的機率大概會是多少？
我們問其他人的時候，他們都覺得這問題不難，而且回答非常相似，與我在下面給的答案方向相同。
在三月前的十二個月間，瑪麗每個月固定飛八到十二次。但今年三月的數字降到只有三次。這對瑪麗來說不太正常；所以，看起來有可能只是因為這個三月比較特殊，之後會再回到常軌。
有可能她是放了一個月的假，或是開始在家工作，又或是她病了。從她的搭機模式判斷，她在未來十二個月的消費會大降百分之八十的機會非常小。但如果說的是下降百分之二十，機會就比較高；例如她可能想休息兩三個月。
而在去年三月至十一月間，蘇珊的搭機模式本來和瑪麗十分類似。但從十一月開始，她就越來越少搭我們的班機了。這種變化也算有跡可尋。正因如此，我推算她在接下來一年搭機次數減少的機率比瑪麗高。
至於湯姆的搭機模式又和前兩者非常不同，幾乎是看不出有什麼規律。對他來說，某個月的搭機次數忽然掉到只有二次也不算意外；以前的搭機次數跌幅還曾經更大。所以，我很難預測究竟在未來十二個月裡他的搭機次數是會升還是會降。
我敢說，大家對於他們三人的推測應該會是大同小異，而原因就在於我們出於直覺就會依同樣的方式來分析他們的搭機模式，而考慮的就是這三位搭機常客的平均搭機次數、每月搭機次數的波動大小、今年三月的跌幅多大，以及搭機次數減少這件事是不是已經有一陣子了。
我可以寫出一個演算模型，用同樣的道理來分析這些資訊。這裡要做的只是一種「翻譯」工作，把我們直覺就會知道的因素、翻譯成公式要用的數學變項。以下是個小示範：
表格中的下欄就是演算模型要用的變項，用演算模型就能夠計算某人消費降低的可能性。
在這個統計模型能夠開始預測之前，要先找出那些消費確實降低了超過百分之二十、百分之五十和百分之八十的乘客，再去看看在過去十二個月之間，各個預測變項(我們馬上就會解釋這個詞)的情況如何。有了這些資料，就知道在模型中可以合併哪些預測變項，再計算某人消費將下降一定比例的可能性。
如果你能知道有某個(甚至是某群)會影響收益、特別是收入的金雞母正準備要投向競爭對手的懷抱，你就能趕快啟動應變措施防患未然。除了立刻和客戶聊聊、了解她為什麼想離開，或許也能趕快為她提供獎勵(折扣、升等、額外補貼)，讓她回心轉意。
大家看看資料，都能用直覺判斷哪些乘客可能快要變心了。但統計模型還是有勝過直覺的地方，除了速度更快，還能不斷重複，分析成千上萬、甚至多達數百萬個瑪麗、蘇珊和湯姆的情況。此外，它也可以納入幾百個不同的預測變項同時運算。除了現在已經列入表中的變項，我們還可以再合併搭配其他手上的顧客資料，例如年齡、性別、國籍、郵遞區號、他們使用航空公司會員集點的方式(換機票、換產品或是其他組合)，而且幾乎是瞬間就完成分析。這正是統計模型最能大展神威的地方。
讓我們用蘇珊當作例子。假設我們現在更深入了解自己手上關於她的資料，發現她的會員資料有更新，告訴我們她換了工作。而且，她還把所有的飛行哩程全部轉換成點數，向航空公司的合作夥伴買了一台巨大的平面電視。雖然我們還是不知道她做這些事的確切原因，但是我們發現，有其他和蘇珊年齡相仿的女會員(蘇珊剛滿三十六歲，這也是資料查出來的)，如果做了類似的事情，後來搭機的次數也同樣大幅下滑。(當然，真正的原因很可能就是因為換了新工作、不再需要出差，又或是想結婚安定下來了。)但不論原因為何，演算法告訴我們，她在該航空公司的消費額十有八九會越來越低。
從這個分析搭機乘客的故事，可以讓我們揭開統計建模過程的神祕面紗。只要能取得關於顧客的詳細資料(不能只有姓名，還要有像是年齡、性別、職業、收入、消費額等等)，再與你現有的最佳顧客比較，就能知道這些顧客未來可能的消費額。〈本文選自第2章，曾琳之 整理〉
作者：
迪米特里．邁克斯（Dimitri Maex）
是奧美集團互動行銷紐約公司行銷總監，負責直接及數位行銷業務，及全球資料實務（Global Data Practice）團隊主管，該團隊獲Forrester Research研究中心評為業界第一。邁克斯所創的統計模型清晰精準、全球知名，曾協助的客戶包括葛蘭素史克藥廠、IBM、飛利浦、西門子、UPS、聯合利華等等國際企業，他創新的應用方式使資料及分析搖身一變，帶來龐大的獲利。
保羅．布朗（Paul B. Brown）
長期擔任《紐約時報》撰稿人，是多部暢銷商業書籍的合著作家，作品包括《樂在服務》（Customers for Life，與Carl Sewell合著）、《你在搞什麼行銷》（Your Marketing Sucks，與Mark Stevens合著）。
出版：哈林文化出版社
書名：奧美廣告教父教你用數據找到潛在客戶
目錄：
引言 抓住數字，就抓住商機
第一章 如何讓你的業績一飛沖天？
第二章 瞄準目標：你的目標客戶是誰？
第三章 尋找答案：該跟顧客說什麼？
第四章 鎖定顧客：該怎麼找到他們？
第五章 預算：「我們該花多少？」
第六章 測量的標準：如何判斷什麼有效、什麼沒效？
第七章 最佳化：有用的就多做、沒用的就少做
第八章 掌握未來
致謝
是奧美集團互動行銷紐約公司行銷總監，負責直接及數位行銷業務，及全球資料實務（Global Data Practice）團隊主管，該團隊獲Forrester Research研究中心評為業界第一。邁克斯所創的統計模型清晰精準、全球知名，曾協助的客戶包括葛蘭素史克藥廠、IBM、飛利浦、西門子、UPS、聯合利華等等國際企業，他創新的應用方式使資料及分析搖身一變，帶來龐大的獲利。
保羅．布朗（Paul B. Brown）
長期擔任《紐約時報》撰稿人，是多部暢銷商業書籍的合著作家，作品包括《樂在服務》（Customers for Life，與Carl Sewell合著）、《你在搞什麼行銷》（Your Marketing Sucks，與Mark Stevens合著）。
出版：哈林文化出版社
書名：奧美廣告教父教你用數據找到潛在客戶
目錄：
引言 抓住數字，就抓住商機
第一章 如何讓你的業績一飛沖天？
第二章 瞄準目標：你的目標客戶是誰？
第三章 尋找答案：該跟顧客說什麼？
第四章 鎖定顧客：該怎麼找到他們？
第五章 預算：「我們該花多少？」
第六章 測量的標準：如何判斷什麼有效、什麼沒效？
第七章 最佳化：有用的就多做、沒用的就少做
第八章 掌握未來
致謝
