Aan de slag gaan met customer life time value (CLTV)

De customer life time value (CLTV) aanpak is een van de meest gebruikte manieren om de financiële waarde van een klant te berekenen. Marc Westeneng en Jacqueline Mulders van flowresulting leggen uit hoe je concreet aan de slag kan gaan met CLTV als input voor prijsstrategie. 

Stap 1: Creëer inzicht in CLTV van huidige klantenbestand

Start met het in beeld brengen van de life time value van huidige klanten. Begin met omzet cijfers, en ga daarna verfijnen op basis van productmix, marges en cost to serve. 

Pas op met gemiddelden! Hieronder een voorbeeld uit onze adviespraktijk. We analyseerden de omzet van nieuwe klanten gedurende de eerste 5 jaar. Gemiddeld verdubbelde de omzet uit jaar 1 gedurende jaar 2 tot en met 5. Maar een nadere analyse leerde dat een grote groep klanten (>25%) nauwelijks extra omzet genereerde in jaar 2 tot en met 5. De top 20% klanten zorgde er echter voor dat de omzet van jaar 1 meer dan verdrievoudigde. 

De belangrijkste vraag: wat zijn de kenmerken van deze groepen en wat verklaart de variatie in CLTV? 

Deze analyse gunnen we ieder bedrijf met een salesforce. Want we zien met regelmaat, met name in B2B, dat verkopers hoge kortingen geven aan klanten vanwege het veronderstelde toekomstpotentieel van de klant, maar niemand checkt of dat potentieel er ooit uitkomt. 

Stap 2: Bouw model om CLTV te voorspellen

Om CLTV toe te kunnen passen is het nodig om inzichten uit het verleden en heden (stap 1) te vertalen naar de toekomst. Daarvoor is nodig dat we begrijpen wat de drivers zijn van variatie in CLTV. Wie dat begrijpt, kan een model bouwen dat voorspelt wat de CLTV van een klant is. Dat is nodig om het concept life time value actionable te maken.

Bedrijven die beschikken over grote klantenbases en datasets kunnen voor het bouwen van een CLTV-forecast model gebruik maken van artifical intelligence. Maar ook hier geldt: wie er mee aan de slag wil, begint met de meest duidelijke kenmerken van de verschillende klantsegmenten op basis van CLTV en gaat vervolgens verfijnen. 

Voorbeeld: we vonden voor één van onze opdrachtgevers dat zakelijke klanten gedurende de levensduur 3 keer meer winst opleverden dan particuliere klanten. Binnen het B2B segment konden we de voorspelling van CLTV verder verfijnen op basis van variabelen als:

• verwachte groeisnelheid van de klantorganisatie (verklaring: een klant die snel groeit zal waarschijnlijk meer kopen dan een klant die niet groeit);
• culturele fit (verklaring: het bleek dat bedrijven met een cultural fit langer klant bleven en meer afnamen)
• cost of serve (achtergrond: klanten die een eigen technische dienst hadden, kwamen met minder vragen en hadden daarmee lagere bedieningskosten). 

Vergelijkbare mechanismen zijn natuurlijk ook in de B2C markt te vinden. Denk aan de klant die zijn verzekering online afsluit, of die daarvoor belt en door een medewerker wil worden geholpen. Het lijkt waarschijnlijk dat het verschil in gedrag tijdens het koopproces ook iets zegt over de voorkeuren van de klant in het serviceproces, en daarmee over de bedieningskosten.

Want gedrag uit het verleden zegt niet alles maar wel wat over gedrag in de toekomst. Daar is het concept ‘schadevrije jaren’ op gebaseerd (wie schade maakt, heeft grotere kans nog een keer schade te maken). 

Stap 3: Integreer CLTV in marketing- en prijsstrategie

Laatste stap is het integreren van het CLTV-prognose model in marketing- en prijsstrategie. De toepassingen zijn legio. Bekend voorbeeld: verzekeraars differentiëren hun premie op basis van CLTV. Drivers zijn onder andere leeftijd, postcode, schadehistorie (denk aan schadevrije jaren), gedrag (roken).

Enkele andere voorbeelden:

• Schaarse producten selectief aanbieden. Een e-warenhuis serveert de laatst beschikbare producten bij voorkeur uit aan de klanten die op afbetaling kochten (want die leveren een veel hogere winstbijdrage). Marketing automation op basis van CLTV.
• Prijs differentiatie op basis van voorspelling retourpercentage. Zalando en collega’s kampen met retourpercentages van tegen de 50%. Uitermate kostbaar. Op dit moment werken meerdere bedrijven aan het voorspellen van retourpercentages. Een link met de prijs ligt voor de hand.
• Marktbewerking in specifieke postcode gebieden. Een energiebedrijf wist met slimme algoritmes te voorspellen welke klanten langer zouden blijven als ze een keer klant zouden zijn geworden, zodat ze precies wisten waar ze langs de deuren moesten gaan.
• Prijs differentiatie op basis van kanaalgebruik. Kledingzaak biedt een deel van het assortiment en de aanbiedingen alleen online.
• Acquisitie discount op basis van kans op herhaalaankopen. Een bedrijf in de evenementen branche geeft alleen diepe kortingen wanneer het CLTV-prognose model een hoge score aangeeft, waarbij vooral de voorspelling van herhaalaankopen sterk bepalend is. 

Toepassingsmogelijkheden

CLTV is een bijzonder rijk concept met vele toepassingsmogelijkheden, waarvan er velen niet zijn meegenomen in dit artikel. Zo hebben we in dit artikel nog niets gezegd over loyaliteitsprogramma’s, die een belangrijke rol kunnen spelen bij het verlengen van de klantrelatie en het verhogen van de omzet.

Ook hebben we niets gezegd over de mogelijkheden om de waarde van de klant breder te definiëren, bijvoorbeeld door de sociale status van de klant mee te wegen. Want aanbevelingen zijn geld waard – daar is het hele gedachtengoed van de Net Promotor Score (NPS) op gebaseerd. Misschien ben je als bedrijf wel bereid om iets extra’s te doen om een influencer met een groot netwerk binnen te halen.