Aproximación al CLV

Qué es el CLV?

CLV son las iniciales para Customer Lifetime Value, también conocido como LTV (Lifetime Value), es una métrica que representa el beneficio económico que obtiene una empresa de un usuario a lo largo del ciclo de relación entre ambos.

Para obtener este valor existen varias metodologías aplicables, la elección del método dependerá básicamente del nivel de detalle que estemos buscando y el uso que se quiera dar al CLV. En este artículo veremos algunos ejemplos de cálculo del CLV. Además presentaremos la propuesta de Google Analytics para el CLV.

¿Para qué usar el CLV? 

Como ya hemos contado, el CLV consiste en un indicador del rendimiento de los usuarios. Usarlo puede ayudar a rentabilizar las campañas de marketing, basando las acciones planeadas en el beneficio que podemos esperar del usuario al que va destinada dicha campaña. Además, el CLV puede ayudar a detectar aquellos clientes más valiosos.

Complementariamente al CLV existe el CAC (Coste de adquisición del cliente), durante la vida útil del cliente nos interesa maximizar el ratio entre el CLV y el CAC. Ayudando a justificar una mayor inversión para adquirir aquellos usuarios que generan un beneficio neto mayor al largo de su vida. 

Tipos de CLV

Existen varios métodos para calcular el CLV, desde los más simples basados en medias a versiones más personalizadas basadas en algoritmos complejos. En este artículo vamos a presentar las siguientes versiones de CLV:

  • CLV simple
  • CLV tradicional
  • CLV real
  • CLV predictivo
  • CLV de Analytics

CLV simple

El CLV simple es el cálculo más básico y intuïtivo de esta métrica. Por un lado necesitamos calcular la vida media de un cliente de nuestra empresa y por otro el gasto anual medio del cliente (por ejemplo, gasto medio por visitas). Estos valores medios se pueden calcular de forma general para todos los usuarios o segmentarlos por tipo.

CLV tradicional

Esta versión del CLV además de tener en cuenta los valores usados en el CLV simple, considera el promedio del margen bruto por la vida del cliente, la tasa de retención de clientes y la tasa de descuento (o flujo de dinero).

El margen bruto por vida de cliente consiste en el producto del CLV simple (promedio del gasto medio del cliente) por el margen dividido entre 100 para expresarlo como porcentaje. La tasa de retención de clientes que determina aquellos clientes que vuelven a comprar dentro de un período fijado de tiempo. Por último, la tasa de descuento indica la variación del valor del dinero en los próximos años.

CLV real

El valor del CLV real está basado en el CLV simple pero multiplicando por el margen del producto. Considerando el margen de beneficios de los productos se consigue fijar con mayor detalle el margen de beneficios obtenido por cliente.

CLV predictivo

El CLV predictivo es la versión más compleja de cálculo de esta métrica. En este caso, no es que exista un método único para obtener el resultado, sinó que se puede implementar, según el objetivo o resultado esperado, un algoritmo u otro.

El objetivo de este CLV es obtener un modelo del comportamiento de compra para determinar cómo serán sus acciones futuras. Usando un modelo predictivo se puede obtener un CLV personalizado para cada usuario, a diferencia de las otras versiones que asocia CLV y usuarios en grandes grupos.

Para calcular su valor contamos con varios modelos probabilísticos aplicables. El nivel de ajuste que queramos y el  conocimiento de los datos de la empresa influye en la elección de los diferentes modelos. Podemos usar series temporales para calcular las métricas indicadas en las otras versiones de CLV comentadas o incluso utilizar modelos más complejos,  por ejemplo basados en distribuciones negativas binomiales o variaciones con modelos gamma-gamma.

CLV de Analytics

Google también ha desarrollado su propio método para calcular el CLV y poder consultar la métrica desde los informe de Google Analytics. El informe «Valor del ciclo de vida del cliente» permite conocer el valor que los distintos usuarios tienen para una empresa a través de los diferentes canales y compararlos. Podemos acceder a él en la pestaña de Audiencia bajo el nombre Valor del tiempo de vida del cliente

En el informe del CLV tenemos dos elementos de tiempo. Por un lado, el período de adquisición que consiste el período en el que se han adquirido los usuarios que se quieren analizar. Por otro lado, el eje de las variables independientes representa el valor del ciclo de vida del cliente que abarca un máximo de 90 días. Por lo que el gráfico muestra la variación del CLV a lo largo del tiempo de vida del usuario.

El CLV se calcula utilizando la suma acumulada del valor de la métrica fijada dividido entre el número total de usuarios obtenidos durante el período de adquisición. Estás métricas fijadas, a su vez, se calculan como el valor medio acumulado por el usuario y el incremento de tiempo usado. Podemos comparar conversiones, ingresos y métricas de comportamiento (sesiones, duración de sesión y vistas).

Las métricas de la tabla se distribuyen por la dimensión elegida que puede ser a nivel de canal, sesión, medio o campaña. En la tabla se incluye el número de usuarios que se han conseguido durante el periodo de adquisición, junto con dos métricas más. La primera, que sería el CLV por usuario y la segunda, que consiste en el CLV acumulado de la dimensión.

Conclusión

La motivación entre escoger un método u otro se basa principalmente en el tiempo que se quiera dedicar en calcular la métrica. Si queremos un valor fiable de CLV, definitivamente, la versión predictiva es la más segura. 

A pesar de ello, siendo más completo y personalizado, el CLV predictivo implica un mayor tiempo de estudio del modelo que encaje mejor con el tipo de empresa al que se quiere aplicar y su posterior desarrollo. 

Consecuentemente, si se busca algo más de agilidad y el uso del valor es solo orientativo, se puede escoger una de las versiones más simples del CLV.

Marc Ortega

Marc Ortega

Share on facebook
Share on twitter
Share on linkedin
Share on email
4 min
Suscríbete a nuestra newsletter

Los mejores artículos de analítica digital para potenciar tu negocio.

Dejar un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Entradas relacionadas

BigQuery Parameters Integration con Data Studio

El conector de Data Studio con BigQuery nos permite desde conectar con una vista específica o una tabla almacenada hasta custom queries que se ejecutan en realtime. Esta última conexión cada vez está más demandada, pues muchos de los cálculos requieren de procesamiento on the fly. Los parámetros juegan un papel fundamental en este tipo de consultas.

2 minutos

Dificultad

¿Qué es y cómo funciona Gigya?

Gigya es un servicio que sirve para gestionar las identidades de los usuarios en tu sitio web. Este CIAM (Customer Identity and Access Managment) trabaja como un RaaS (Registration-as-a-Service) que nos permite guardar información valiosa como el userID.

2 minutos

Dificultad

¿Qué es Algolia? El motor de búsqueda para mejorar tu UX y CRO

En este post introducimos el motor de búsqueda Algolia. Este ofrece una API y herramientas de UX intuitivas para crear la experiencia de búsqueda definitiva y así mejorar la experiencia del usuario y aumentar la conversión.

2 minutos

Dificultad

Cómo hacer implementaciones AMP eficientes con GTM

En un artículo anterior introdujimos la manera de implementar AMP con o sin GTM. A continuación veremos una alternativa eficiente y las ventajas que esta aporta.

6 minutos

Dificultad

Ir arriba

Esta web utiliza ‘cookies’ de terceros. Al clicar aceptar está aceptando el uso que realizamos de las cookies. Para más información puede consultar nuestra Política de cookies