Deel 1
Bedrijven geven doorgaans veel geld uit aan loyaliteitsprogramma’s. Terugkerende klanten leveren immers netto meer winst op dan nieuwe klanten. Om hierin succesvol te zijn is het belangrijk dat je weet wat jouw klanten waard zijn. Het Customer Lifetime Value model (CLV), de levenslange klantwaarde, helpt je dit inzicht te verkrijgen.
In een vorig blog besprak ik het RFM-model, dat gebaseerd is op historische klantactiviteit. Met het CLV model is het mogelijk om toekomstige klantactiviteit te voorspellen. Customer Lifetime Value is de waarde die een klant gedurende zijn klant-zijn voor jouw bedrijf heeft. In andere woorden, met CLV kwantificeer je (in euro’s) wat een klant je gaat opleveren tijdens de volledige duur van de klantrelatie.
CLV moedigt bedrijven aan om hun focus te verleggen van korte termijn winst naar duurzame en waardevolle klantrelaties. Als je weet wat een klant gaat opleveren, weet je ook hoeveel je wilt investeren in deze klant. Op deze manier kun je als bedrijf budgetkeuzes voor acquisitie en/of retentie beter onderbouwen.
Met CLV in de hand weet je ook op welke manier je in bepaalde klanten moet investeren. Dan weet je of het slim is om een bepaalde klant extra korting te bieden, of dat je er verstandiger aan doet om de klantenservice op te schroeven.
Voor veel bedrijven geldt dat 80 procent van hun toekomstige omzet afkomstig is van slechts 20 procent van de bestaande klanten. Investeren in retentie van die 20 procent is dus extra relevant. Maar daarvoor moet je wel weten welke klanten die 20 procent precies zijn en wat hun drijfveren zijn. Daar ga ik in mijn tweede blog over CLV dieper op in.
Het CLV-model kent verschillende niveaus van complexiteit en nauwkeurigheid. Veel marketeers die voor het eerst aan de slag gaan met CLV berekenen deze handmatig met spreadsheets, waarvoor ze een deel van de beschikbare klantdata gebruiken. Hiermee verkrijgen ze een globaal beeld van de historische klantwaarde.
De meest eenvoudige CLV-formule is een vermenigvuldiging van de gemiddelde aankoopfrequentie met de gemiddelde orderwaarde. De gemiddelde aankoopfrequentie is daarbij het aantal bestellingen gedeeld door het aantal unieke klanten per jaar. De gemiddelde orderwaarde is daarbij de totale jaaromzet gedeeld door het aantal bestellingen van het afgelopen jaar.
Een meer geavanceerde berekening is deze: CLV = WM x R / (1 + D – R). Ben je er nog? WM staat voor winstmarge per klantlevensduur. R is retentiegraad en D is de discontovoet, een cijfer dat je gebruikt om toekomstige inkomsten om te rekenen naar de waarde nu.
Voor een juist gebruik van het CLV-model is het verstandig om deze aan te passen aan je eigen verkoopcyclus (korte tegenover lange periode) en je aankoopfrequentie (eenmalig tegenover herhaalaankopen). Hierdoor sluit het model beter aan op jouw klantdata waardoor de voorspellingswaarde hoger wordt.
Je kunt je voorstellen dat deze berekening zich iets minder leent voor een handmatige spreadsheetberekening. Gelukkig kun je hier machine learning voor gebruiken. In de meer geavanceerde CDP’s vind je functionaliteit waarmee CLV automatisch voor je wordt uitgerekend. Aanvullend verkrijg je de waarschijnlijkheidsscore op een nieuwe aankoop én het voorspelde aantal aankopen in de gewenste voorspellingsperiode.
En nu komt het: omdat je de CLV hebt vastgelegd in het CDP, kun je ‘m direct combineren met alle andere klantkenmerken die je al had opgebouwd. Bijvoorbeeld met voorkeuren en interesses. Daarmee is de CLV dus een enorme verrijking van jouw klantdata, die je ook nog eens direct kunt gebruiken.
Maar hoe dan?
Daarover gaat mijn volgende CLV-blog.