No es ningún secreto que los clientes leales casi siempre son más valiosos para un negocio que los compradores únicos, por eso poder contar con una herramienta que nos ayude a predecir cuáles de esos potenciales compradores serán brandlovers y fieles consumidores será una poderosa arma para impulsar el retorno de inversión de nuestras acciones y campañas de marketing ¿magia? No, ¡es data intelligence!

Una sólida estrategia de retención de clientes le permite maximizar el LTV de clientes invitándolos a que vuelvan a comprar en nuestro negocio una y otra vez. La  retención es uno de los grandes impulsores del crecimiento de un negocio, así lo demuestra el estudio de CUSTOMER RETENTION STATISTICS – The Ultimate Collection for Small Business, en donde indica que el 65% del negocio de una empresa proviene de los clientes existentes.

Bajo esta premisa, es lógico decir que debemos Invertir en los clientes existentes con acciones de paid media tanto off como on, programas de fidelización o marketing automation será un acierto para generar ingresos recurrentes y que el negocio sea rentable. Naturalmente, estas acciones impulsan que el valor de los  clientes crezcan a lo largo de la relación comercial, pero siempre hay algunos usuarios que reducen la rentabilidad.

Si conseguimos identificar estos patrones de comportamiento que computan de forma negativa en el negocio, segmentar a los clientes y actuar en consecuencia mejoraremos el ROI de todas nuestras acciones.

Para llegar a este punto el Customer Lifetime Value (CLTV) es uno de los indicadores más relevantes para ello.

¿Qué es Customer Lifetime Value (CLTV)?

Si googleamos el término aparecerán varios resultados con diferentes formas de calcularlo, dejándonos con la sensación de habernos generado más preguntas que respuestas. Para nosotros, a grandes rasgos, la definición que más encaja con lo que es el CLTV es:

• El valor de ingresos que un cliente genera mientras mantiene una relación comercial satisfactoria con la marca, en un periodo de tiempo de análisis.

Para muchos negocios digitales (y más tradicionales) adquirir nuevos clientes es una actividad fundamental, los nuevos clientes ayudan a crecer y a aumentar ventas. Si además, podemos apuntar a que estos nuevos clientes sean potencialmente propensos a crear una relación a largo plazo, los términos de rentabilidad se disparan.

Aunque, no conviene hacerlo a cualquier coste, es necesario saber dónde está la fina línea entre el retorno de captación de clientes cualificados a medio/largo plazo y la inversión para llegar a ellos.

¿Por qué es importante calcular el CLTV para mi negocio?

Si una marca invierte más en un cliente potencial de lo que éste gastará en el futuro, es asegurar que la inversión generará pérdidas para el negocio en el futuro próximo. “matemática pura” Desde nuestra perspectiva podemos decir que trabajar en base al CLTV  es especialmente útil por los siguientes motivos:

• El CLTV es una métrica que ayuda a planificar mejor nuestros recursos y presupuestos de captación y marketing mostrando el valor actual de cada comprador y el futuro de la relación con este cliente.
• Porque las decisiones estratégicas basadas en los datos de negocio  son altamente eficaces y con mínimos márgenes de error.
• Las estrategias de retención de clientes, son más rentables que invertir en la adquisición de nuevos clientes. La probabilidad de vender a un cliente existente es del 60 al 70%. La probabilidad de venderle a un nuevo cliente potencial es del 5 al 20% (Según Small Business Trends).
• Ayuda a centrar las estrategias de retención o engagement, en generar contenido personalizado, también diseñar un programa de fidelización acorde a su perfil con el objetivo de incrementar el CLTV. Mantener la relación con los clientes que se interesan por la marca.

Teniendo en cuenta estos aspectos, es lógico hablar de que nuestro principal objetivo cuando trabajamos basándonos en métricas como esta será incrementarlo.

• A mayor CLTV más esfuerzo económico podremos hacer en la captación, ya que, será más probable que el retorno de la inversión se vea amortizado y rentabilizado

   

Según reportes de Econcultancy “el 64% de las empresas califica la experiencia del cliente como la mejor táctica para mejorar el valor de vida útil del cliente (CLV), seguida de un mejor uso de los datos y la personalización.” Entonces los clientes nos dan muchas pistas de qué hacer para tener un crecimiento en el negocio ¡Vamos usar toda esta información!!

Y si has llegado hasta aquí, probablemente te estés haciendo esta pregunta ¿por qué aún no estoy calculando esta métrica ? o definiendo estrategias en función a ella? . No te preocupes… aquí estamos nosotros para ayudarte a realizarlo ;)

¿Cómo calcular el CLTV de forma eficiente?

En cuanto a la forma de calcular esta métrica ocurre lo mismo que con la definición, existen varias, y depende mucho de lo que realmente desea analizar, qué parámetros conforman la rentabilidad de tus campañas, y en de qué periodo de tiempo estemos hablando.

Para nosotros estas son las fórmulas más acertadas:

• CLTV (opción 1) =  Gasto promedio por semana  x  Cantidad de semanas en el año  x  Cantidad de años
• CLTV (opción 2) = (valor de la compra media de un cliente x tasa de reventa) x duración de la vida del cliente – costes de adquisición del cliente

Customer Lifetime Value (t) = Total de Ingresos(t)- Costo total(t)

Donde:

• t: es el periodo de análisis
• Total de Ingresos: Total de compras realizados por el cliente
• Costo total : Total de coste adquisición del cliente    

Calcular el customer lifetime value es la parte fácil si tenemos claro lo queremos medir con este KPI. Primero tenemos que seleccionar una ventana de tiempo. Puede ser 3, 6, 12, 24 meses y definir qué información hemos almacenado de los clientes. Pocos negocios almacenan este detalle del cliente, por esto te planteamos una fórmula general para adaptarnos a la data de cada uno.

¿Cómo predecir el CLTV?

Los algoritmos de machine learning utilizados para el análisis del Customer Lifetime Value usan el histórico de datos para realizar predicciones e inferir el comportamiento de los clientes, con el fin de estimar el número de compras o valor promedio de compras de los segmentos que  analizamos. Utilizando esta ecuación podemos observar que clientes tienen históricamente un valor negativo muy alto, y pese a que para estes podría ser demasiado tarde para tomar una acción, si los tomamos como referencia y generamos un patrón de comportamiento podemos anticipar qué tipo de cliente potencial convertirá de la misma forma, y así evitar captarlo, o delimitar un coste de inversión determinado a la hora de captarlo. Este es uno de los motivos por lo que es importante predecir el futuro valores de CLTV con machine learning.

Y aquí es donde comienza la parte divertida, para clasificar los clientes en segmentos usaremos clustering de K-medias. Una vez terminada  la agrupación en clústeres de CLTV los agruparemos en 3 segmentos (la cantidad de segmentos realmente depende de la dinámica y los objetivos de su negocio): Bajo LTV, Medio LTV y Alto LTV.

En Elogia hemos desarrollado un método para poder predecir el CLTV, basándonos en herramientas estadísticas, que tendrán los clientes en el próximo periodo de análisis. La clave está en el análisis previo, no en el análisis posterior.

De forma resumida y simplificada podemos decir que seguimos los siguientes pasos para construir un modelo de machine learning que predice el LTV de nuestros clientes:

• Calculamos el RFM 
• Usamos la agrupación con el algoritmo de K-means para asignar a cada cliente a un cluster. (el algoritmo de K-means identifica los patrones que vamos a utilizar para predecir en función de las variables del RFM.)
• Seleccionamos las variables que usaremos para calcular el CLTV
• Definimos un marco de tiempo apropiado para el cálculo del CLTV.
• Calculamos el valor de LTV
• Separamos la data en dos grupos entrenamiento y test de modelo, para validarlo.
• Entrenamos el algoritmos de K-means, para clasificar a los clientes.
• Predecimos cómo han cambiado los clusters para los próximos 3 meses por ejemplo.

¡Y lo tenemos! Un modelo de machine learning que predice los futuros segmentos de CLTV de nuestros clientes, gracias a ello podemos adaptar fácilmente las acciones de marketing en función de eso. En un próximo Post te contaremos con un ejemplo como lo hacemos, pero si no puedes esperar más contacta con nosotros y lo aplicamos a tus datos 😉.