Die Bedeutung des Customer Lifetime Value: Prognose und fortgeschrittene Strategien mit KI

In der Marketingwelt ist das Verständnis des langfristigen Kundenwerts entscheidend für den Erfolg jeder Geschäftsstrategie. Der Lifetime Value (LTV) repräsentiert den Gesamtwert, den ein Kunde einem Unternehmen über den gesamten Zeitraum seiner Aktivität bringt. Dieser Indikator ermöglicht es Unternehmen nicht nur, die Rentabilität ihrer Kundenakquisitionsstrategien zu bewerten, sondern bietet auch Einblicke in das Konsumentenverhalten und die Präferenzen.

Die Berechnung des LTV hilft, die wertvollsten Kunden zu identifizieren, sodass Unternehmen ihre Ressourcen auf Marktsegmente konzentrieren können, die den größten Return on Investment liefern.

Mithilfe von Machine-Learning-Modellen und prädiktiver Analytik können Unternehmen den zukünftigen Kundenwert schätzen, indem sie eine breite Palette von Verhaltens- und Transaktionsdaten nutzen. Dieser Ansatz ermöglicht es ihnen, das Konsumentenverhalten zu antizipieren, Marketingstrategien zu optimieren und fundierte Entscheidungen zu treffen.

Definition und Formeln zur Berechnung des Customer Lifetime Value

Der Customer Lifetime Value ist definiert als der gesamte Nettoerlös, den ein Unternehmen von einem einzelnen Kunden über die gesamte Dauer seiner Geschäftsbeziehung erwarten kann. Es ist wichtig klarzustellen, dass der cLTV kein prädiktiver Wert ist, sondern ein Wert, der aus historischen Daten über das Kaufverhalten des Kunden vom ersten Kauf bis zur Gegenwart berechnet wird.

Es ist üblich, die Begriffe „Lifetime Value“ und „Customer Lifetime Value“ synonym zu verwenden, es gibt jedoch signifikante Unterschiede. Der Lifetime Value wird auf aggregierter Ebene für alle Kunden eines Unternehmens berechnet, während sich der Customer Lifetime Value spezifisch auf den von einem einzelnen Kunden generierten Wert bezieht. Die Berechnung des LTV auf aggregierter Ebene liefert wichtige Informationen auf strategischer Ebene, kann aber auch zu erheblichen Verzerrungen führen, da das Kaufverhalten zwischen verschiedenen Kunden stark variiert. Daher ist es vorzuziehen, den cLTV auf individueller Kundenebene zu berechnen, um eine genaue Schätzung zu erhalten. Ist dies nicht möglich, kann eine Kundensegmentierung durchgeführt werden, indem ein LTV für jedes der Kundensegmente berechnet wird.

Berechnung des Customer Lifetime Value

Es gibt keine einzelne Formel zur Berechnung des cLTV, sondern mehrere Methoden, die je nach Kontext und verfügbaren Daten angewendet werden können. Im Folgenden werden zwei häufig verwendete Formeln vorgestellt:

• Einfache Formel:
  cLTV = (Durchschnittlicher Transaktionswert) × (Durchschnittliche Kauffrequenz) × (Durchschnittliche Kundenlebensdauer)

Diese Formel berücksichtigt den durchschnittlichen Transaktionswert und die durchschnittliche Kauffrequenz, multipliziert mit der durchschnittlichen Dauer der Kundenbeziehung.

• Erweiterte Formel:
  cLTV = (Durchschnittlicher Transaktionswert) × (Durchschnittliche Kauffrequenz) × (Marge) × (Abwanderungsrate)

Diese anspruchsvollere Version beinhaltet auch die Marge und die Abwanderungsrate, die die Wahrscheinlichkeit darstellt, dass der Kunde für das Unternehmen aktiv bleibt.

Prognose des Customer Lifetime Value

Unabhängig von der letztendlich verwendeten Formel erfordert die Berechnung des prädiktiven cLTV sicherlich die Prognose seiner Hauptkomponenten:

• Der durchschnittliche Geldwert des einzelnen Kunden;
• Die Anzahl der in den nächsten n Monaten gekauften Produkte;
• Die Wahrscheinlichkeit des Überlebens des Kunden in den nächsten n Monaten.

Die Prognose des cLTV kann nicht unbegrenzt in die Zukunft erfolgen; sie muss auf einen angemessenen Zeitraum beschränkt werden, basierend auf den verfügbaren Daten, wie z. B. n Tage, n Wochen, n Monate oder ein Jahr. Sobald diese Komponenten geschätzt sind, können sie kombiniert werden, um eine gute Prognose des Customer Lifetime Value zu erhalten.

Ansätze zur Berechnung des Customer Lifetime Value

So wie es keine einzelne Definition des cLTV gibt, gibt es auch keinen einzelnen Ansatz für seine Prognose, wie mehrere maßgebliche Studien, darunter Kumar und Reinartz (2018), berichten.

Der probabilistische Ansatz gilt als eine der effektivsten Methoden zur Berechnung des cLTV. Um einen solchen Ansatz zu implementieren, ist es unerlässlich, Transaktionsdaten zu haben, die Folgendes umfassen müssen:

• Eine Benutzer-ID, die alle mit dem Unternehmen getätigten Transaktionen verknüpft;
• Eine Transaktions-ID;
• Das Datum jeder Transaktion;
• Der Betrag jeder Transaktion.

Diese Daten sind der Mindestsatz, der benötigt wird, um sowohl die cLTV-Berechnung als auch die prädiktive cLTV-Analyse zu beginnen. Aus dem Transaktionsdatensatz werden drei Schlüsselvariablen abgeleitet:

• Recency: Aktualität des letzten Kaufs;
• Frequency: Häufigkeit der Käufe;
• Monetary: Durchschnittlicher Wert der Käufe.

Die probabilistische Analyse dieser drei Variablen einzeln ist relativ einfach; die Herausforderung liegt jedoch in der Modellierung über die drei Variablen hinaus:

• Kundenheterogenität: Es wird ein Modell benötigt, das die unterschiedlichen Kaufgewohnheiten der Kunden erfasst;
• Die Überlebenswahrscheinlichkeit: Schätzung der Wahrscheinlichkeit, dass ein Kunde nach jedem Kauf aktiv bleibt oder abwandert.

Eine signifikante Einschränkung des probabilistischen Ansatzes ist, dass er nur auf wiederkehrende Kunden angewendet werden kann, d. h. auf solche, die mindestens zwei Käufe getätigt haben. Für Neukunden müssen alternative Lösungen gefunden werden.

Lösung 1: Probabilistischer Ansatz und Clustering

Eine erste Lösung besteht darin, den probabilistischen Ansatz für wiederkehrende Kunden zu verwenden und dann Clustering-Algorithmen anzuwenden. Auf diese Weise werden neue Kunden Clustern bestehender Kunden mit ähnlichem Verhalten zugeordnet, wodurch ihr cLTV basierend auf dem Cluster, dem sie angehören, geschätzt werden kann. Diese Methodik zeigte, obwohl annähernd, optimale Ergebnisse.

Lösung 2: Machine-Learning-Ansatz

Ein komplexerer, aber potenziell genauerer Ansatz ist es, die probabilistische Methode zugunsten von Machine-Learning-Algorithmen aufzugeben. Dieser Ansatz verwendet Klassifizierungsalgorithmen zur Schätzung der Überlebenswahrscheinlichkeit von Kunden und Regressionsalgorithmen zur Schätzung des monetären Werts zukünftiger Transaktionen. Die Schätzung der Überlebenswahrscheinlichkeit kann jedoch besonders komplex sein, insbesondere in nicht-vertraglichen Geschäftsfeldern, wo die Definition eines „aktiven“ Kunden subjektiv sein kann.

Unabhängig vom gewählten Ansatz ist es unerlässlich, mehr als nur transaktionale historische Daten für das Modelltraining und die Validierung zu haben. Nur durch sorgfältiges Training und Validierung können zuverlässige Prognosen des zukünftigen Kundenverhaltens erzielt werden.

Welche Daten zur Berechnung des Customer Lifetime Value verwendet werden sollten

Zur Berechnung des Customer Lifetime Value ist es unerlässlich, die wichtigsten Transaktionsvariablen zu haben: Recency, Monetary und Frequency. Diese Variablen bilden die unverzichtbare Grundlage für jede Art von Analyse. Um jedoch sowohl fortgeschrittene Clustering-Modelle (erste Lösung) als auch prädiktive Machine-Learning-Modelle (zweite Lösung) anzuwenden, ist es notwendig, zusätzliche Variablen zu integrieren, wie zum Beispiel:

• Transaktionsvariablen: Zusammensetzung des Warenkorbs;
• Verhaltensvariablen auf der Website: Besuchte Seiten, Akquisitionskanäle, während der Navigation erfasste Ereignisse;
• CRM-Variablen: Demografische Informationen, Historie der Kundenservice-Interaktionen, Marktsegmente, denen sie angehören;
• Berechnete Variablen: Interessen, Mitgliedschaftscluster, komplexe Verhaltensvariablen, Kaufpräferenzen.

Bei der Integration von Daten aus mehreren Quellen ist es entscheidend, die Datenqualität sicherzustellen. Ungenaue oder unvollständige Daten können die Gültigkeit selbst der ausgeklügeltsten Modelle beeinträchtigen.

Häufige Probleme im Datenmanagement

Die häufigsten Probleme im Zusammenhang mit der Datenqualität sind:

• Begrenzter Betrachtungszeitraum: Ein zu kurzer Betrachtungszeitraum erschwert langfristige Prognosen und macht sie ungenau;
• Datensilos: CRM- und Verhaltensdaten liegen oft in getrennten Systemen vor, was eine integrierte Analyse verhindert. Dieses Problem begrenzt die für Modelle verfügbare Informationsmenge und reduziert die Effektivität von Prognosen;
• Datenqualität und -verfügbarkeit: Unzuverlässige oder für alle potenziellen Kunden nicht verfügbare Daten reduzieren die Modellleistung.

Um diese Probleme anzugehen, ist es unerlässlich, Datenintegrationsstrategien zu verfolgen, die verschiedene Datenquellen vereinheitlichen und strenge Qualitätskontrollen implementieren.

Mit Predictive Customer Lifetime Value erhältliche Informationen

Die Anwendung des Predictive Customer Lifetime Value bietet eine breite Palette wertvoller Informationen, die über den pCLTV selbst hinausgehen. Tatsächlich können bereits in der Datenvorbereitungsphase Details wie Recency, Frequency und Monetary Value auf Benutzerebene gewonnen werden, die zur signifikanten Anreicherung des Kundenprofils nützlich sind.

Diese Informationen können durch RFM-Analyse, Kunden-Clustering und die Identifizierung von Top-Kunden weiterverarbeitet werden. Auch ohne den Einsatz prädiktiver Modelle bieten diese Daten eine solide Grundlage zur Verbesserung der Segmentierung und des Verständnisses des Kundenverhaltens.

Die Implementierung prädiktiver Modelle ermöglicht es hingegen nicht nur, den zukünftigen Kundenwert zu schätzen, sondern bereichert auch die Unternehmensdatenbank mit detaillierten und nützlichen Informationen zur Segmentierung und Anpassung von Marketingstrategien, wie zum Beispiel:

• Prognose der gekauften Produkte: Schätzung der Anzahl der Produkte, die der Kunde voraussichtlich in Zukunft kaufen wird;
• Kundenüberleben: Analyse der Wahrscheinlichkeit, dass ein Kunde im Laufe der Zeit weiterhin Käufe tätigen wird;
• Wert zukünftiger Transaktionen: Schätzung des Werts zukünftiger Transaktionen, basierend auf dem historischen Kundenverhalten.

Mithilfe dieser Ansätze können Unternehmen Rohdaten in strategische Erkenntnisse umwandeln und so ihre Entscheidungsfindung und Wettbewerbsfähigkeit verbessern.