In this paper, we propose a flexible machine learning framework to predict customer lifetime value (CLV) in the Business-to-Business (B2B) Software-as-a-Service (SaaS) setting. The substantive and modeling challenges that surface in this context relate to more nuanced customer relationships, highly heterogeneous populations, multiple product offerings, and temporal data constraints. To tackle these issues, we treat the CLV estimation as a lump sum prediction problem across multiple products and develop a hierarchical ensembled CLV model. Lump sum prediction enables the use of a wide range of supervised machine learning techniques, which provide additional flexibility, richer features and exhibit an improvement over more conventional forecasting methods. The hierarchical approach is well suited to constrained temporal data and a customer segment model ensembling strategy is introduced as a hyperparameter model-tuning step. The proposed model framework is implemented on data from a B2B SaaS company and empirical results demonstrate its advantages in tackling a practical CLV prediction problem over simpler heuristics and traditional CLV approaches. Finally, several business applications are described where CLV predictions are employed to optimize marketing spend, ROI, and drive critical managerial insights in this context.

在本文中，我们提出了一种灵活的机器学习框架，用于预测企业对企业 (B2B) 软件即服务 (SaaS) 设置中的客户终身价值 (CLV)。在这种情况下出现的实质性挑战和建模挑战涉及更细致的客户关系、高度异构的人群、多种产品供应和时态数据约束。为了解决这些问题，我们将 CLV 估计视为跨多个产品的一次性预测问题，并开发了分层集成 CLV 模型。一次性预测可以使用广泛的监督机器学习技术，这些技术提供了额外的灵活性、更丰富的功能，并且比更传统的预测方法表现出改进。分层方法非常适合受约束的时态数据，并且引入了客户细分模型集成策略作为超参数模型调整步骤。所提出的模型框架是在一家 B2B SaaS 公司的数据上实现的，实证结果表明，与更简单的启发式方法和传统的 CLV 方法相比，它在解决实际的 CLV 预测问题方面具有优势。最后，描述了几个业务应用程序，其中使用 CLV 预测来优化营销支出、投资回报率，并在此背景下推动关键的管理见解。所提出的模型框架是在一家 B2B SaaS 公司的数据上实现的，实证结果表明，与更简单的启发式方法和传统的 CLV 方法相比，它在解决实际的 CLV 预测问题方面具有优势。最后，描述了几个业务应用程序，其中使用 CLV 预测来优化营销支出、投资回报率，并在此背景下推动关键的管理见解。所提出的模型框架是在一家 B2B SaaS 公司的数据上实现的，实证结果表明，与更简单的启发式方法和传统的 CLV 方法相比，它在解决实际的 CLV 预测问题方面具有优势。最后，描述了几个业务应用程序，其中使用 CLV 预测来优化营销支出、投资回报率，并在此背景下推动关键的管理见解。