Predictive CLV: So optimierst du deinen ROI
Schluss mit Glaskugellesen – mit dem Predictive Customer Lifetime Value (CLV) lernst du deine Kund:innen kennen! So weißt du genau, was sie sich wünschen. Doch wie nutzt du deine Daten effektiv? Und wie wendest du die CLV Prediction an?
Kenne deine Kund:innen: Warum du den Predictive CLV benötigst!
Hast du ein Lieblingsrestaurant? Sozusagen ein zweites Wohnzimmer, in dem du dich mindestens einmal in der Woche mit Freund:innen oder der Familie triffst, um dort zu essen, zu trinken und eine gute Zeit zu haben – und das Ganze schon seit mehreren Jahren? Als Stammkund:in wirst du hier namentlich begrüßt, bekommst Empfehlungen, die dir gefallen, und fühlst dich rundum bestens umsorgt.
Die Kosten, die dein Lieblingsrestaurant in dich investiert, sind überschaubar: Hin und wieder geht ein Nachtisch aufs Haus oder du und deine Leute werden auf ein Getränk eingeladen. Aber was ist es, das dich wirklich überzeugt? Wahrscheinlich vor allem die menschliche Nähe! Und das gelingt deswegen, weil dich dein Lieblingsrestaurant bestens kennt und somit auch bestens weiß, was dir gefällt.
E-Commerce: Starke Daten für einen präzisen CLV
Bei Produkten oder Dienstleistungen ist es jedoch oft weit schwieriger herauszufinden, was die Kund:innen mögen und worauf sie besonders Wert legen.
Die Lösung: der Predictive Customer Lifetime Value (CLV)! Gerade der E-Commerce ermöglicht es dir, jede Menge Daten zu erfassen. Damit lassen sich mitunter sehr präzise CLV-Modelle für deine Kund:innen erstellen.
Die Kund:innenwertanalyse: Wie ermittelst du den Predictive CLV?
Um den CLV eines:r Kund:in zu ermitteln, benötigst du eine Kund:innenwertanalyse. Grundsätzlich gibt es drei verschiedene Methoden, um diesen Wert herauszufinden:
#1 Der durchschnittliche Customer Lifetime Value des gesamten Kund:innenstammes
Diese Methode ist recht oberflächlich und hilft dir nur dabei, einen Überblick über den:die durchschnittliche:n Kund:in zu erhalten.
Dafür wird ein bestimmtes Zeitfenster festgelegt, beispielsweise das letzte Jahr.
Zu Beginn dieser Zeit hat dein Lieblingsrestaurant 250 Kund:innen. Am Ende dieser Zeit sind 100 Neukund:innen hinzugekommen, insgesamt befinden sich zu diesem Zeitpunkt 300 Kund:innen im Kund:innenstamm. Von diesen hat durchschnittlich jede:r das Restaurant einmal im Monat besucht – das entspricht der Wiederkaufrate 12 – und jeweils 30 Euro pro Besuch ausgegeben.
Zunächst wird die durchschnittliche Kund:innenlebensdauer errechnet: Die 100 Neukund:innen werde dafür von den 300 Kund:innen im Kund:innenstamm am Ende des Betrachtungszeitraums subtrahiert und diese Zahl durch die Anzahl der Bestandskund:innen am Anfang des Messzeitraums dividiert: (300 – 100) / 250 = 0,8. Dieser Wert entspricht der Kund:innenbindungsrate, nämlich 80 Prozent. Es sind dir also in dem einjährigen Zeitraum 80 Prozent deiner Kund:innen erhalten geblieben, 20 Prozent sind abgewandert. Rechnest du nun 1 / (1 – 0,8), kommst du auf die Kund:innenlebensdauer in Jahren, in diesem Fall 5.
Die Gesamtzahl der Kund:innen (300) wird anschließend mit dem Umsatz (30 Euro) und der Wiederkaufrate (12) multipliziert. Das ergibt in diesem Beispiel 108.000 Euro. Multipliziert mit der Kund:innenlebensdauer macht das für die nächsten 5 Jahre – also die vorher errechnete Kund:innenlebensdauer – einen Customer Lifetime Value in Höhe von 540.000 Euro. Dividiert durch die Anzahl an Kund:innen (300) insgesamt entspricht das einem Wert von 1.800 Euro pro Person.
#2 Der individuelle Predictive Customer Lifetime Value
Diese Methode ist wesentlich präziser, erfordert allerdings die entsprechenden Daten, damit dieser Wert errechnet werden kann. Die Berechnung ähnelt sich ansonsten sehr. In dem vorliegenden Beispiel gilt folgende Rechnung: der durchschnittliche Umsatz (30 Euro) multipliziert mit der Wiederkaufrate (50 x p. a.) und der Kund:innenlebensdauer (10 Jahre). Das ergibt einen Wert von 15.000 Euro, die der:die Kund:in in den nächsten 10 Jahren ausgeben wird.
Und nun kommt der Clou: Auch dein:e Kolleg:in mag dein Lieblingsrestaurant. Er oder sie kommt allerdings nur einmal im Jahr, lädt dafür aber das ganze Team ein. In diesem Fall wird folgende Rechnung angestellt: 4.000 Euro (Umsatz) x 1 (Wiederkaufrate) x 8 (Kund:innenlebensdauer) = 32.000 Euro.
Obwohl dein:e Kolleg:in nur einmal im Jahr im Restaurant vorbeischaut, ist er oder sie ein:e wertvolle:r Kund:in für dein Lieblingsrestaurant, zumindest am Umsatz gemessen. In dieser Erkenntnis liegt die Stärke des individuellen Predictive CLV: Hier kannst du sehr präzise Vorhersagen treffen und obendrein herausfinden, in welche:n Kund:in zu investieren es sich lohnt.
#3 Predictive Customer Lifetime Value auf Basis von Machine Learning
Mit noch besseren Daten kann natürlich eine wesentlich präzisere Berechnung erfolgen. Die Methode, den Predictive CLV mithilfe von Machine Learning zu ermitteln, arbeitet mit Algorithmen. Diese können den Kund:innen oder anderen gewünschten Werten zugeordnet und anschließend zusammengeführt werden. Mit bekannten Parametern wie dem Klickverhalten, der Verweildauer, der Wiederkehrrate und dergleichen lassen sich exakte Vorhersagen für jede:n Kund:in treffen.
Ein weiterer Vorteil: Die Algorithmen lernen täglich hinzu, indem sie die historischen mit den aktuellen Daten abgleichen, daraus Gesetzmäßigkeiten erkennen und so den CLV permanent neu berechnen.
Predictive CLV: Mathematik, die sich lohnt!
Die Kund:innengewinnung zählt zu den wichtigsten Faktoren für das betriebswirtschaftliche Wachstum. Allerdings kostet diese Akquise Zeit, Geld und Ressourcen. Neue Kund:innen sind wichtig – wiederkehrende Kund:innen noch wichtiger! Das Lieblingsrestaurant ist ein tolles Beispiel dafür, wie Unternehmen und Geschäfte belohnt werden, die in bestehende Kund:innen investieren: Nicht nur du kommst immer wieder, du bringst auch noch weitere Kund:innen mit!
