CLV 顧客終身價值

指導老師：

袁淵明老師

專題成員：

范言提、蘇廷尉、陳均睿、李俊鋧

系　　所：

靜宜大學 資料科學暨大數據分析與應用學系

摘要

本研究以巴西電商 Olist 公開資料集為基礎，將訂單、付款與顧客三張資料表清洗整併後，為 93,357 位顧客建立 RFM 指標（最近一次消費、消費次數、消費金額）。接著以 Frequency 與 Monetary 進行 K-Means 分群，將顧客分為忠誠客戶、VIP 客戶與一般客戶三群，並以 BG/NBD 預測顧客未來的購買次數、以 Gamma-Gamma 預測每次消費金額，兩者相乘得到未來 3、6、9、12 個月的 CLV。

結果顯示，VIP 客戶過去平均消費約 1,036 巴西幣，但都只買過 1 次，未來 12 個月每人 CLV 約 2.26，略低於一般客戶的 2.30；忠誠客戶人數只占約 3%，每人 CLV 卻約 8.96，是 VIP 的 4.0 倍。若只看過去的消費金額，會高估 VIP 的未來價值。最後我們把整套流程做成 Streamlit 網頁系統，只要上傳符合格式的交易資料，就能重跑分群與 CLV 預測。

研究動機

在競爭激烈的商業環境中，企業獲取新戶成本逐漸提高，因此如何提升顧客留存率與顧客終身價值已成為重要課題。然而，多數企業仍仰賴過往營業額或單次交易紀錄評估顧客價值，難以有效預測顧客未來消費行為與流失風險，導致推廣資源分配不良。

此外，在電子商務與零售產業中，多數顧客屬於非合約制模式，顧客流失通常不會有明確通知，使企業更難以辨別高風險流失客戶。

因此，本研究導入數據分析技術，透過 RFM 分析、顧客分群與 CLV 預測模型，協助企業辨識高價值顧客與潛在流失客群，進一步提升精準行銷與顧客關係管理效率。

研究目的

本研究以巴西 Olist 電商資料集為基礎，透過資料前處理建立 RFM 指標。接著利用 K-Means 進行顧客分群，並結合 BG/NBD 與 Gamma-Gamma 模型預測各客群未來的 CLV。最後，透過視覺化方式呈現分析結果，協助企業辨識真正值得經營的高價值客戶，提升精準行銷與顧客關係管理效率。