Calculo del valor de nuestros clientes a lo largo del tiempo CLV, importancia, cómo calcular y aplicación
El valor de un cliente es uno de los datos de referencia más importantes que debemos tener si queremos optimizar nuestras campañas de marketing.
Cuando realizamos cualquier campaña de marketing solemos fijarnos en el CPA, el coste que incurrimos en la adquisición de ese cliente, pero no tenemos en cuenta la vida media, y el valor medio que ese cliente puede tener a lo largo del tiempo.
Fijamos un límite de adquisición basado en el momento de la adquisición, en el margen del producto que estamos vendiendo, pero no tenemos en cuenta el futuro valor de las compras de ese cliente. Métrica que nuestra competencia sí puede estar teniendo en cuenta y por ello, por ejemplo, pueda estar pujando por encima de nosotros en una campaña por palabras clave.
Customer lifetime value CLV significado
Customer lifetime Value (CLV) es el valor que representa para la empresa un determinado cliente, tanto de los clientes actuales, como el valor potencial que pueden tener futuros clientes. Este métrica nos da un punto de referencia para conocer el rendimiento real que pueden tener nuestras campañas de marketing.
Importancia de conocer el CLV
Nos encontramos ante uno de los momentos de mayor competitividad de los mercados en la red. El Covid ha acelerado en gran medida la presencia de empresas en la red. Durante mucho tiempo, ha sido el único canal de venta disponible, y por ello los costes de adquisición de nuevos clientes se ha incrementado. Ante un contexto cada vez más competitivo resulta imprescindible llevar a cabo políticas de fidelización, un KPI importante será el CLV, así, tendremos un punto de partida sobre el que ir mejorando. Un aumento del CLV medio estará indicando que nuestros clientes están comprando más en nuestro comercio electrónico.
Algoritmos de Machine Learning para calcular y predecir el valor futuro de un cliente
Gracias a los algoritmos de machine learning vamos a ser capaces de calcular el valor presente de un cliente, pero además, vamos a poder hacer una estimación mediante modelos de regresión que nos pueden estimar el valor futuro de un cliente.
Algunos datos previos interesantes a conocer sobre nuestros clientes con Python
Comenzamos haciendo una análisis para conocer el número de compras que han realizado nuestros clientes durante el periodo seleccionado.
En esta empresa (real) vemos que el gran número de clientes únicamente han comprado una vez en el periodo seleccionado, en este caso desde finales de de 2019 a junio de 2021.
Teniendo en cuenta que contamos con una muestra de 35.295 clientes, viendo la gráfica vemos que la lealtad al sitio es muy baja. Como vemos en la gráfica más de 30.000 clientes únicamente han comprado una vez en el periodo considerado.
Esto nos da una primera idea del comportamiento de los usuarios en nuestra página web y nos ayudará a tomar decisiones para mejorar la lealtad al sitio.
Para profundizar en el análisis cogemos únicamente aquellos clientes que han realizado más de una compra.
Si vemos esta nueva gráfica, vemos como menos de 3.000 clientes de los 35.000 han realizado dos compras, pero lo que es peor, apenas 750 han realizado 3 compras en todo el periodo considerado. Estamos ante una empresa que no logra fidelizar al cliente, o con una tasa de repetición de compra alta.
Otro dato interesante que podemos obtener es el periodo medio de vida del cliente, medido como diferencia entre la primera y la última compra. Si quitamos aquellos clientes que únicamente han comprado una vez, podemos obtener los siguientes datos:
Vemos que nos quedan 4119 clientes que han comprado más de una vez. De estos, la media de veces compradas es de 2.78. El 75% de estos clientes, han comprado menos de 3 veces. El cliente que más ha comprado, ha llegado a comprar 369 veces. Posiblemente un cliente profesional que podría ser eliminado de nuestro análisis.
La compra media de los 4.119 clientes ha sido de 85,05€. El 75% de los clientes han comprado por importe menor a 98,72€. También vemos que el importe máximo de una compra ha sido de 1.120,40€ posiblemente el mismo comprador profesional.
Si analizamos los días medios entre compras, vemos que de los 4.000 clientes que habían comprado más de una vez, más de 1.000 lo han hecho en un período de tiempo muy corto. Nos encontramos con un gran número de clientes que realizan compras con más de 200 días de diferencia.
De los clientes analizados vemos que la frecuencia de compra media se sitúa en 102 días. De aquellos clientes que han repetido compra, lo hacen con un promedio de 3 meses. Tenemos una clientela fiel, un 25% que realiza sus compras con un periodo medio de 22 días, menos de un mes.
Lo que contrasta con aquellos más de 30.000 que sólo han realizado una compra. Si tenemos un 75% de clientes, dentro del grupo “fiel” que han comprado 158 veces en el periodo, contrasta con la inmensa mayoría de clientes que únicamente han comprado una vez. Debemos analizar más en profundidad, el porqué, de la diferencia entre una clientela tan fiel, con un cliclo de compra corto, y una, la mayoría, que únicamente nos han comprado una vez.
Un buen análisis nos permitiría identificar qué productos son los que han comprado, aquellos que no han vuelto a comprar. Además, podemos hacer un análisis de segmentación para tratar de forma diferente a estos clientes que nos han comprado 102 veces de media en el periodo. Podemos sacar el listado de estos clientes para dar servicios y ofertas especiales.
Como objetivo, nos podemos plantear incrementar este grupo de clientes que tienen esta alta lealtad.
Otro análisis que podemos hacer es ver la media de días de diferencia entre la primera y la última compra. Es decir, la media de días activos de estos clientes “fieles”. Como media, vemos que este grupo de clientes tiene más de 260 días de la primera a la última compra. Lo que nos dice que tenemos un grupo de clientes “fieles” que no llega ni al año como clientes.
Con este dato, junto con los anteriores, vemos, que este cliente fiel que realiza más de una compra en la web, apenas tiene un año de antigüedad. Lo que nos está diciendo que hemos perdido muchos clientes por el camino.
El 75% de estos clientes “fieles” tienen menos de 430 días como clientes.
Calculo del Valor medio del cliente CLV a 12 meses
Para saber cuál es el valor medio de un cliente a 12 meses analizamos sus compras anteriores y hacemos una predicción de sus compras futuras. Así, podremos tener un valor aproximado del gasto de cada cliente.
Así, tendremos un valor de lo que ha gastado en los últimos 12 meses cada cliente. Si vemos la media de todo el conjunto:
Vemos que dada la gran cantidad de clientes que no han comprado en el último año, el valor medio por cliente es de 5,86€. Es un valor muy bajo, debemos tener en cuenta que estamos ante unos datos que nos indican que un gran número de los clientes analizados no han comprado en los últimos 12 meses. Es una web de baja recurrencia de compra, por tanto, el análisis de todos los clientes del periodo nos dan unos datos de gasto muy bajos.
Análisis de regresión para predecir el CLV futuro de nuestros clientes
Con los análisis de regresión podremos hacer una estimación del Valor del cliente en el futuro.
Si vemos los coeficientes podremos ver de qué forma está influyendo cada periodo en el calculo de nuestra estimación. Vemos como, por ejemplo, la suma de las ventas del periodo M_6 influyen de forma muy negativa en el calculo final del valor del cliente. Si un cliente en particular tiene un mal dato en ese periodo, tendrá un gran peso negativo en su valor futuro.
Evaluación de nuestro modelo para calcular el CLV
Si evaluamos el modelo:
Si evaluamos el modelo, vemos como son los datos que hemos intentando predecir, frente a los valores reales de la muestra.
Si hacemos una análisis para estimar el valor futuro de nuestros clientes en función de su valor pasado podremos hacer un mejor ajuste de todas las facetas del marketing.
Además, este análisis nos permite ver en profundidad cómo es el comportamiento de nuestros clientes. Y tenemos un punto de partida sobre el que realizar acciones y ver si los datos de rendimiento de clientes está mejorando o no.
Ante el encarecimiento del coste de adquisición de nuevos clientes, tener una estrategia de fidelización de clientes resulta básica para conseguir un negocio más rentable. Gracias al análisis en profundidad de los clientes podremos tener un punto de partida para realizar acciones encaminadas a mejorar los ratios de fidelización.
Es también importante poder realizar sobre estos datos, segmentaciones avanzadas de clientes con los que llevar a cabo acciones mucho más personalizadas, que cubren de una mejor forma las necesidades de cada cliente, pudiendo así, incrementar el CLV de cada cliente a largo plazo.