Müşteri Yaşam Boyu Değeri (CLV)
Müşteri yaşam boyu değeri (CLV), bir işletmenin tek bir müşteriden ilişkinin tamamı boyunca beklediği toplam brüt kârın tahminidir; her müşteri türünü edinmek ve elde tutmak için ne kadar harcama yapılacağına karar vermekte kullanılır.
Müşteri yaşam boyu değeri nedir?
CLV, elde tutma ve harcamayı müşteri başına tek bir parasal rakama dönüştürür; bu da onu edinme maliyetiyle karşılaştırılabilir kılar. İki şekilde hesaplanabilir:
Geçmişe dönük: yaşam döngülerinin büyük kısmını tamamlamış müşterilerden elde edilen gerçek brüt kâr; doğru ama geriye bakan bir yöntem.
Tahmine dayalı: satın alma örüntüleri veya abonelik sağkalım eğrileri kullanılarak mevcut müşteriler için modellenen gelecekteki değer.
En çok edinme kanalı, satın alınan ilk ürün veya plan seviyesi gibi segmentlere ayrıldığında işe yarar; çünkü ortalama, daha fazla ödemeye değer müşterileri gizler. Mümkün olan her yerde gelir yerine brüt kârı kullanın: %20 marjlı ürünlere 1.000 $ harcayan bir müşteri, %60 marjla 600 $ harcayan bir müşteriden daha az değerlidir.
Müşteri yaşam boyu değeri nasıl hesaplanır?
Tekrarlayan satın almaya dayalı bir işletme için en basit kullanışlı formül şudur: ortalama sipariş değeri × yıllık satın alma sıklığı × brüt marj × beklenen müşteri olma süresi (yıl).
Abonelikler için şunu kullanın: hesap başına ortalama aylık gelir × brüt marj ÷ aylık churn oranı. Örneğin, aylık 100 $ × %80 marj ÷ %2 churn = 4.000 $.
Abonelik dışı işletmeler için daha titiz bir yol:
İlk satın alma ayına göre kohortlar oluşturun.
Her kohort için müşteri başına kümülatif brüt kârı ay ay takip edin.
Gelecekteki satın almaları ve harcamayı öngörmek için Gamma-Gamma ile BG/NBD gibi bir model uydurun (Python lifetimes paketinde mevcuttur).
Ufuk uzunsa gelecekteki değeri iskonto edin ve kararlar için ufku üç ila beş yılla sınırlayın.
Müşteri yaşam boyu değeri pratikte nasıl görünür?
Segmentlere ayrılmış yaşam boyu değer, çoğu zaman edinmesi en ucuz kanalın en kârlı kanal olmadığını gösterir. Meta, Google ve influencer kodlarına harcama yapan 30 kişilik bir evcil hayvan ürünleri abonelik markasını ele alın. Diyelim ki harmanlanmış CAC 45 $ ve ekip yalnızca genel tekrar satın alma oranını biliyor.
Bir analist, Shopify ve abonelik uygulamasındaki verilerden BigQuery'de 12 aylık kohortlar oluşturuyor, ardından edinme kanalına göre müşteri başına brüt kârı hesaplıyor. Bu örnekte influencer müşterilerinin edinilmesi daha pahalı ama daha uzun süre kalıyorlar; bu yüzden 12 aylık müşteri başına brüt kârları üç kanal arasında en yüksek. Kazanılması en ucuz olan Meta müşterilerinin ise ilk indirimli kutudan sonra en sık iptal ettiği ortaya çıkıyor.
Ekip bu rakamlardan kanal başına maksimum bir CAC belirliyor, bütçeyi buna göre kaydırıyor ve kohortları her çeyrek yeniden kontrol ediyor; bu, CLV'den CAC hedeflerine giden olağan köprüdür.
Müşteri yaşam boyu değerinin tuzakları nelerdir?
Yaşam boyu değer bir tahmindir ve en yaygın hata, iyimser bir projeksiyonu bankadaki para gibi görmektir.
Brüt kâr yerine gelir kullanmak; bu, düşük marjlı ürünlerde değeri olduğundan yüksek gösterir.
Churn'ün sabit kaldığını varsaymak; oysa erken kohortlar çoğu zaman sonrakilerden daha hızlı kaybedilir ya da tam tersi olur.
Yalnızca bir yıllık verisi olan genç işletmeler için uzun ufuklar kullanmak.
Çok farklı değerlere sahip segmentleri gizleyen tek bir harmanlanmış rakam.
Yaygın kullanılan bir pratik kural yaklaşık 3:1'lik bir CLV/CAC oranını hedefler, ancak bu bir sezgisel yöntemdir; CAC'yi brüt kârdan geri kazanmak için gereken ay sayısı olan geri ödeme süresi, nakit sıkıntısı çeken şirketler için çoğu zaman daha pratik bir kısıttır.
Müşteri yaşam boyu değeri AOV ve churn oranından nasıl farklıdır?
Sipariş değeri tek bir satın almayı, churn oranı müşterilerin ne kadar hızlı ayrıldığını tanımlar; CLV ise her ikisini sıklık ve marjla birleştirerek tek bir rakama dönüştürür. Dolayısıyla ortalama sipariş değeri, hesaplamanın bir girdisidir, onun yerine geçmez. Churn oranını düşürmek, genellikle yaşam boyu değeri sipariş değerini artırmaktan daha fazla yükseltir; çünkü gelecekteki her ayı uzatır.
Araçlar: Klaviyo ve bazı Shopify uygulamaları müşteri başına tahmini CLV gösterir; ChartMogul, Baremetrics ve Stripe raporları abonelik metriklerini kapsar; özel modeller için bir veri ambarı artı Python veya dbt tam kontrol sağlar. Yaşam boyu değer, hangi müşterilerin elde tutma teklifleri alacağına karar vererek yaşam döngüsü pazarlamasını da yönlendirir.
CLV ve CAC karşılaştırması
Müşteri yaşam boyu değeri | Müşteri edinme maliyeti | |
|---|---|---|
Ölçtüğü | Bir müşterinin zaman içinde getirdiği kâr | Yeni bir müşteri kazanma maliyeti |
Formül temeli | Marj × sıklık × müşteri ömrü | Satış ve pazarlama harcaması ÷ yeni müşteriler |
Yön | Yüksek olması daha iyi | Düşük olması daha iyi |
Bilinme süresi | Aylar ila yıllar; çoğu zaman modellenir | Dönem içinde bilinir |
Birlikte kullanım şekli | CLV:CAC oranı ve geri ödeme süresi | CLV:CAC oranı ve geri ödeme süresi |
VIZIO AI müşteri yaşam boyu değerine nasıl yaklaşır?
VIZIO AI'ın yaşam boyu değer üzerine çalışmaları, edinme verilerini elde tutma ve gelirle ilişkilendirmek ve hangi müşterilerin risk altında olduğunu tahmin etmek şeklinde ortaya çıkar. İspanya merkezli uluslararası bir hukuk butiği için DX Studio, HubSpot'u ve finansal sistemleri lead'den müvekkile dönüşümü, gelir katkısını ve müvekkil elde tutmayı takip eden bir hukuk pazarlama zekâsı panelinde birleştirerek performans raporlama süresini %70 azalttı.
ABD'deki bir odyoloji ağı için tahmine dayalı elde tutma modelleri, risk altındaki hastaları erkenden işaretledi ve pilot klinikler genelinde işitme cihazı iade oranlarını %12–15 azalttı. Nereden başlamalı: son dört edinme kohortunuz için müşteri başına 12 aylık brüt kârı kanallara göre ayırarak hesaplayın.
VIZIO AI vaka çalışmalarında Müşteri Yaşam Boyu Değeri (CLV)
- Legal Marketing Intelligence ›HubSpot edinme verilerinin gelir ve müvekkil elde tutma metrikleriyle ilişkilendirilmesi, performans raporlama süresini %70 azalttı.
- Patient Retention Analytics ›Risk altındaki hastaları işaretleyen tahmine dayalı modeller, pilot klinikler genelinde işitme cihazı iade oranlarının %12–15 azalmasına yardımcı oldu.