Customer Lifetime Value
- Kundeværdi og attribuering

20. december 2018

Hvad er Customer
Lifetime Value (CLV)?

Customer Lifetime Value (CLV) er betegnelsen for, hvor meget ens kunder er værd for forretningen i kroner og øre.
Det er vigtigt at vide, hvor meget ens kunder er værd, for at sikre en høj ROMI og være klar over, hvor man bør investere. Ved at arbejde med sin CLV i forhold til at attribuere værdi, skaber man et bedre grundlag for hele kunderejsen og ikke kun første og sidste klik.

Dette blogindlæg giver dig en rundtur i hvad man kan bruge Customer Lifetime Value til og hvordan man udregner den på en simpel måde.
Du vil ligeledes få viden om attribuering og hvordan værdien for dine kunder bør tilskrives med henblik på deres livstidsværdi.

Det kan virke uoverskueligt, at sidde og beregne kundeværdi for samtlige af ens kunder, hvorfor det giver god mening at udregne en gennemsnitlig Customer Lifetime Value for enkelte segmenter eller kundegrupper.
Derfor skal man sørge for, at ens udregninger bliver gennemsnitlige
tal på grundlag af de valgte segmenter man ønsker at arbejde med.

For at beregne den gennemsnitlige CLV er det nødvendigt at have følgende data på sine kunder:

1. Hvor lang tid dine kunder er hos dig
2. Den årlige fortjeneste per kunde
3. Prisen for anskaffelse af nye kunder

Med disse 3 faktorere er det en ganske simpel udregning, som viser hvor meget dine kunder er værd.

Derfor hedder regnestykket:

Levetid * Årlig fortjeneste – anskaffelsespris

Men hvordan anskaffer jeg så disse nøgletal?

Lad os sige, at vi har en virksomhed, BlivMæt, som sælger måltidskasser på abonnement hver måned til sine medlemmer. Vi ved, at vi i gennemsnit bruger 500 kroner per kunde på markedsføring årligt.
Derudover har vi et kunde-id på vores kunder, da de har tilmeldt sig som medlemmer. Via dette kunde-id er det også muligt at måle på vores Churn Rate, altså procentdelen af frafald af kunder.

Hvad er Churn Rate?

Churn rate er procentdelen af de kunder der enten framelder sig, eller ikke fornyer dit medlemsskab i en given tidsperiode (typisk på månedlig basis).

Kundens årlige levetid kan beregnes ud fra ens Churn Rate. Churn Raten kan opsættes i Google Analytics ved at opsætte events på tilmeldinger og afmeldinger.
Den viser hvor lang tid en kunde handler et specifikt sted. Hos BlivMæt ligger Churn Raten på 20%, hvilket viser at kundens levetid i gennemsnittet er 5 år (1 / 0,20).

Hvis man ved, at man i gennemsnittet tjener 1.500 kroner per kunde årligt, og det koster 500 kroner, at anskaffe kunden ser regnestykket således ud:

((5 * 1.500 DKK) – 500 DKK) = 7.000 DKK

Customer Lifetime Value illustration

Ved at udregne Customer Lifetime Value kan man som forretning skabe et indblik i, hvordan man øger sin ROMI på den mest effektive måde.
Undersøgelser viser, at en 5% stigning i kundetilfredshed fører til en stigning i indtjeningen på alt mellem 25%-95%. Når ens kunder er tilfredse opnår de typisk også en længere levetid.

En effektiv måde at skaffe nye kunder på, er ved at arbejde med sin organiske trafik og inkorporere SEO i sin forretning. Da konkurrencen på Google og andre søgemaskiner er hård, er det vigtigt at arbejde med sin click-through-rate (CTR).
Dette har vi lavet et blogindlæg omkring, hvor vi har fået inputs fra flere eksperter. Hvis du vil lære mere om, hvordan du kan skille dig ud på Google kan du med fordel læse vores blogindlæg om at øge sin CTR.

Brug din CLV til noget

Når man kender sin CLV kan man bruge det til at måle værdien fra det første til det sidste klik i brugerrejsen. Det bliver pludselig muligt at bruge attribueringsmodeller til at måle værdien af nye kunder, og få muligheden for at følge kunderejsen fra start til slut.

Hvad er en attribueringsmodel?

En attribueringsmodel er en model som viser, hvordan værdien fra hver kunde bør fordeles på baggrund af, hvilke kanaler der bidrog til salget. Der er mange måder at analysere hvordan værdien bør tilskrives på, da forbrugere i dag typisk hopper rundt mellem forskellige kanaler og enheder, før de foretager det endelige køb. Hvis du vil lære mere om dynamiske attribueringsmodeller, så læs mere her om hvordan vi bruger machine learning til at skabe valid data som beslutningsgrundlag.

I Google Analytics er der flere predefinerede modeller der kan bruges.
Da disse modeller er statiske skal man ikke stole blindt på attribueringsmodellen, men også tage et kig på multi-channel funnel dataen, samt sammenligne de forskellige attribueringsmodeller. Disse rapporter findes under “Conversion” i Google Analytics.

Dette billede illustrerer top conversion paths, dvs. det bedst performende mønster af brugernes adfærd før de har købt et produkt. Disse mønstre varierer oftest meget, da det er de færrester kunder der har præcis samme kunderejse.

Assisted paths

Det mest hyppige mønster fra dette eksempel kommer fra brugere, som har foretaget et køb, efter de har været inde på siden 2 gange – først igennem en organisk søgning, hvorefter de er gået direkte ind på siden for at købe.

Google Analytics har som nævnt nogle begrænsninger, og det samme gælder ved udregningen af marketing-udgifter fra for eksempel Facebook og Linkedin ved paid search annoncer.
Customer Lifetime Value bliver rigtig spændende, når man kan sætte det i en kontekst til ROMI.
Ved hjælp af funnel.io er det muligt, at samle alle marketing-udgifterne, som Google Analytics ikke ser, og ud fra marketing-udgifterne udregne CLV og ROMI på betalte annoncer.

Nu ved vi hvilken rejse vores brugere er på – men hvad er så deres livstidsværdi?

Google Analytics har lanceret en betaversion, hvor den måler brugernes livstidsværdi baseret på valgfrie metrikker som omsætning, transaktioner, sessioner eller sidevisninger. Man kan også vælge forskellige dimensioner alt efter om man vil kigge på hvilke kanaler eller kampagner der har givet den højeste Customer Lifetime Value.

Denne rapport finder man under ”Audience” og ”Lifetime value”.

Den måler fra den dag kunden besøger siden første gang og til den tidsperiode man har sat den til.

Dette eksempel viser en kurve over det akkummulerede gennemsnit af sidevisninger og transaktioner fra 1. maj 2018 – 28. august 2018.

Ovenstående illustration viser mulighederne for valg af metrikker, hvor man kan vælge to forskellige til sammenligning.

Helt basalt viser grafen gennemsnittet af brugere, der er kommet ind på siden d. 1. maj og hvordan deres livstidsværdi ændrer sig, baseret på sidevisninger OG transaktioner i løbet af de efterfølgende 13 uger.

I tabellen nedenfor får man et overblik over de valgfrie dimensioner som kanaler, kampagner og kilder. Her kan man for eksempel vælge kampagner, og tracke på hvor værdifuld en specifik kampagne har været i en bestemt tidsperiode.
Man kan også tracke på hvilke kanaler, der har anskaffet størst Customer Lifetime Value ud fra omsætning eller hvilken kilde der giver den mest værdifulde trafik.

Dette giver mulighed for, at måle hvor værdifuld brugerens adfærd er. Det helt unikke ved dette værktøj er, at man kan analysere på specifikke kampagner i specifikke tidsperioder eller få overblik over hvilke kanaler der rent faktisk er værdifulde og ikke bare har høj volumen.

Dette eksempel viser kanalerne i forhold til sidevisninger.

Her er det især direkte og Branded Paid Search som skaber værdifuld trafik ind.

Opsummering

Det essentielle ved at kende sin Customer Lifetime Value er, at man bliver bevidst om hvilke kunder man tjener sine penge på. Med viden omkring disse kunders adfærd og købemønstre kan man analysere, hvor man skal investere sine marketing-penge og agerer strategisk på længere sigt.

Ved hjælp af ovenstående værktøjer i Google Analytics kan man kigge på, hvordan man har skaffet sine kunder og hvor høj værdi disse kunder har ud fra de forskellige måleenheder. På den måde er det muligt at dykke dybere i hvad det koster at skaffe nye kunder og hvor man skal prioritere sine marketingkroner. Der skal dog tages højde for Google Analytics’ attribueringsmodeller, som endnu ikke arbejder dynamisk.

Hos IMPACT Extend arbejder vi med dynamiske attribueringsmodeller baseret på machine learning, for at sikre det mest valide data at tage sine beslutninger ud fra. Med dette datagrundlag bliver det klart, hvilke kanaler der bør tilskrives hvilken værdi og hvor høj Customer Lifetime Value dette skaber.