Customer Lifetime Value (CLV) und Predictive Modelling

Neukundenakquise ist teuer! Wie wertvoll ist es daher zu wissen, wie viel auf lange Sicht an einem neuen Kunden verdient werden kann? Wir zeigen Ihnen, wie Sie sich mit Hilfe des Customer Lifetime Values auf die wirklich wertvollen Kunden fokussieren.

Was ist eigentlich der CLV?

Der CLV (auch Kundenwert, CLTV) gilt als „Schlüsseltool“ eines erfolgreichen Customer Relationship Managements (CRM): Denn, mit dem CLV …  

• … erkennen Sie, bei welchen Kunden sich Investitionen lohnen,
• … verteilen Marketing- und Vertrieb-Budgets effizient,
• … stellen den Kunden ins Zentrum der Marketingaktivitäten und
• … leiten erfolgreich Marketingstrategien ab.

Der CLV ist nicht nur eine statistische Kenngröße, sondern eine 360-Grad-Sichtweise auf die gesamte Customer Journey Ihres Kunden!

Zu welchem Zeitpunkt, an welchem Touchpoint, für welchen Geldwert und wie oft kauft der Kunde ein? Der CLV ermöglicht die 360-Grad Kundensicht. Dabei spiegelt er nicht nur historische Kundendaten wider, sondern prognostiziert auf Basis von Advanced Analytics / Predictive Modelling auch zukünftiges Kundenverhalten, beispielsweise in Form von erwarteten Umsätzen, und das für jeden einzelnen Kunden. Damit ist der CLV deutlich aussagekräftiger als der klassische RFM-Score.

Der CLV und Kundenwertklassen  

Der CLV ermöglicht es, Kunden zu identifizieren und in verschiedene Kundenwertklassen einzuteilen: Topkunden, „Mittelkasse“-Kunden, umsatzschwache Kunden.

Durch die Bildung dieser Gruppen besteht die Möglichkeit eines differenzierten Marketings: Zum Beispiel können mit diesem Wissen Neukunden besser priorisiert werden. Die Konsequenz ist, dass diejenigen Neukunden weiterentwickelt werden, die ein hohes Potential haben, sich mit der Zeit zu Best- bzw. Bestandskunden zu entwickeln und diejenigen Kunden, die wenige Hinweise auf weitere Käufe geben, geringer priorisiert werden.

Das Unternehmen lenkt seine Maßnahmen mittels CLV folgerichtig auf Kunden, bei denen sich Investitionen am meisten auszahlen, beziehungsweise der ROI am höchsten ist. Darüber hinaus setzt der Marketing Manager seine knappen Ressourcen wie beispielsweise Arbeitsstunden, Budget und Werbemittel gewinnbringend ein.

Aus operativer Sicht bedeutet das: Der Topkunde bekommt den kostspieligen Hochglanzkatalog, wohingegen diejenigen Kunden, bei denen die Wiederkaufwahrscheinlichkeit sehr gering ist, das kostengünstigere E-Mailing erhalten.

Der CLV kommt u. a. dann zum Einsatz, wenn ein gegebenes Budget bestmöglich eingesetzt und die Kundensteuerung sowohl strategisch als auch operativ optimiert werden soll.

CLV und Predictive Modelling

Ein potenzieller Kunde verursacht bis zu seinem ersten Kauf zunächst einmal Akquisitionskosten. Mit jeder Transaktion generiert er aber auch Umsätze und verbessert so aus unternehmerischer Sicht seine „Wertigkeit“.

Die Kernfrage lautet: Wie finden Unternehmen in einem möglichst frühen Status des Customer Lifecycles heraus, um was für einen Kunden es sich langfristig handelt? Ist es ein vielversprechender Kunde oder eher nicht?

Für die Beantwortung dieser Fragen lässt man im ersten Schritt der Berechnung des Customer Lifetime Values die bisher bekannten Kosten und die bisher bekannten Umsätze einfließen – Der CLV startet mit der Bestandsaufnahme.

Der CLV ist die Summe aus den Erlösen mit einem Kunden, abzüglich der Produktionskosten und der Kosten für die Gewinnung und Bindung dieses Kunden über die Dauer der gesamten Kundenbeziehung hinweg. Mittels Predictive Modelling gelingt uns der Blick in die bisher unbekannte Zukunft und somit beantwortet der CLV auch die Frage, wie sich ein Kunde künftig entwickeln wird.

Historische Daten, künstliche Intelligenz und maschinelles Lernen: Betrachten wir den Zeitstrahl, dann versetzen wir uns heute zurück zu einem Stichtag t. Von diesem Stichtag t aus können wir in die Vergangenheit blicken, nämlich in den sogenannten „Beobachtungszeitraum“. Wir können von diesem Stichtag t aber auch in die Zukunft blicken – in den Prognosezeitraum.

• Der CLV berücksichtigt eine Vielzahl von Eigenschaften eines jeden Kunden, die bis zum Stichtag t bekannt sind. Diese gehen als Input-Variablen (= Prädiktoren) in das Modell ein.
• Im Prognosezeitraum wird darüber hinaus ein Target (= eine Zielvariable) abgeleitet, z.B.
  • Aktivität: Kauft der Kunde im Prognosezeitraum?
  • Umsatz: Wie viel Umsatz wird generiert?
• Die Länge des Beobachtungs- und Prognosezeitraums wird basierend auf der Datenlage gewählt. So macht es beispielsweise Sinn bei Gebrauchsgütern längere Zeiträume zu wählen aus bei Verbrauchsgütern.
• Mit den Informationen der Input-Variablen und dem gesetzten Target lernt der Machine-Learning-Algorithmus und erkennt Muster und Gesetzmäßigkeiten aus historischen Daten.
• Anschließend erfolgt die Verallgemeinerung der erlernten Muster in einem Aktivitäts- und einem Umsatzmodell.
• Das nun trainierte Modell kann in die Zukunft fortgeschrieben werden und somit zukünftige Umsätze vorhersagen.
• Anschließend erfolgt die Prüfung auf Verlässlichkeit des Modells über Lifts, Fehler oder über Verteilungen von Residuen.

Zwischenfazit: Je länger die Umsätze zurückverfolgt und damit in die Berechnung eingezogen werden können, desto genauer werden die Erkenntnisse aus dem Modell des Customer Lifetime Values über das zukünftige Kundenverhalten.

CLV in Kombination mit weiteren Modellen

Der CLV ist ein mächtiges Werkzeug, um Kosten zu optimieren sowie Ressourcen und Budget optimal zu allokieren. Er hilft, die Beziehung zwischen Kunde und Unternehmen langfristig zu stärken.

Aber auch der CLV hat seine Grenzen: Er basiert auf bekannten Transaktionen, aber auch auf Schätzungen und Annahmen. Zudem ist er lediglich in der Lage, eine rein monetäre Betrachtungsweise abzudecken.

Der Blick über den Tellerrand lohnt sich daher! Denn, so richtig spannend wird der CLV, wenn er in Kombination mit weiteren Analytics-Methoden angewendet wird. Für die inhaltliche Betrachtung gibt es weitere, leistungsstarke Modelle.

Diese beantworten Fragen, wie:

• Welche Produkte sind für den Kunden besonders interessant?
• In welchem Segment bewegt sich der Kunde?
• Welche Bedürfnisse hat der Kunde?
• Welche Affinitäten hat er für bestimmte Produkte oder Marken?

Das bestmögliche aus dem CLV rausholen:

Kombiniert man den CLV mit inhaltlichen Scores, gelingt es, den Kunden, basierend auf seinen Interessen, Affinitäten und nachfrageorientierten Dimensionen, bestmöglich zu adressieren.

Unter Einbezug des CLV tun Sie dies dann auch noch zielgerichtet und unter optimalem Einsatz Ihrer Ressourcen!

Sie möchten mehr erfahren? Unsere erfahrenen Data Scientists freuen sich Ihnen die Potentiale aus Analytik, Machine Learning und KI vorzustellen. → Kontakt aufnehmen!