稍微了解一下客户终身价值(customer lifetime value)，这对我们这些电子商务商人来说可能听起来太复杂了。
一个想想博客文章他说，客户的终身价值需要“内部和外部团队协调一致”。在《福布斯》，你会读到“那些非常重视(终身价值)的公司也会在扩张过程中出现巨额亏损，甚至经常是在IPO期间。”
内部和外部团队?首次公开发行(ipo) ?如果你认为这是大致了解一下，看看DataScience.com不得不说关于客户终身价值:“潜在参数λ和μ受两个先验伽马分布的约束，这两个先验伽马分布代表了我们对这些潜在参数如何在客户群体中分布的信念。”
呵。
但我们没有理由被客户终身价值(CLV)吓倒。复杂吗?当然。它是针对小型在线商店创建的吗?绝对不会。但客户终身价值仍然可以帮助你对利润率做出明智的决定，以及如何在留住现有客户和寻找新客户之间分配精力。
这篇文章将用最简单的语言解释，什么是客户终身价值．然后我们将着眼于如何计算你的商店的客户终身价值，以及如何将你的商店的平均客户终身价值引向正确的方向。
什么是客户终身价值?
今天我们将保持基本的内容，着眼于具有历史意义和预测性的客户终身价值的简单公式。
以下是具有历史意义的客户终身价值:
(每个客户的年利润x客户的平均寿命(年))-获得客户的成本
让我们来看一个实际的例子。你有说:
- 年收入75万美元
- 每年60万美元的非收购成本
- 1500客户
- 每个客户平均三年
- 平均每次收购成本为50美元
有了这个背景，我们就可以开始填补空白了。
每个客户的年利润= ($750,000 - $600,000)/ 1,500 = $100
平均客户寿命= 3
获取用户的初始成本= 50美元
($100 x 3) - $50 = $250
这是一个粗略的公式:它纯粹是回溯性的，它没有解释那么多可能有助于提供信息的变量未来营销决策。但我们可以利用历史客户终身价值获得更多收益。我们会在讨论完……
预测客户终身价值
预测性客户终身价值是事情变得复杂的地方。为此，我们应该同时考虑留存率和折现率。但我们只有在得出“每个客户的毛利率”的数字之后才能这样做，而这个数字本身只有在我们确定了平均毛利率之后才可用。
一步一步来。首先，让我们找出每个客户的毛利率，这是预测客户终身价值公式的基础。每个客户的毛利率是这样的:
GML = ((T x AOV) AGM) ALT
好吧，信真多。让我们退一步一步来看看。
- T =平均交易数量(每月)
- AOV =平均序值
- 年利润=平均毛利率
- 平均用户寿命
T和AOV很清楚。AGM和ALT需要拆一下包。
AGM，即平均毛利率，是你的总销售收入减去销售产品的成本，然后除以总销售收入。这说得通吗?最后我们得到一个百分比。这里有一个例子:
(7.5万美元的销售总收入- 6万美元的销售成本)/ 7.5万美元= 20%
因此，如果这个例子中的商店月收入为7.5万美元，平均每月有5000个订单，平均订单价值为15美元，那么等式就会是这样的:
(((5000 x $15) * .2) ALT =
($75,000 * .2) Alt =
15000 x ALT
当然，我们需要计算每个客户的终身价值。所以我们要划分15000 x ALT你有多少客户。假设我们有2500个客户购买了5000件商品，这些客户的平均寿命是4年，也就是48个月。
($15,000 x 48) / 2,500 = 288美元
现在，关于平均客户寿命(ALT)，这是很难的——特别是对你可能经营的电子商务商店来说。
首先，你的商店可能不够老，无法真正计算出顾客的平均寿命。即使你已经工作了四年，你对第一年的数据有多少信任?你的第1个月的用户可能与第一次转变的用户有着不同的体验。谁知道呢，也许你的产品已经和最初完全不同了。
总之，ALT是很难计算的。只要记住，改变这个变量——当然，目标是让平均寿命更长——会对你的客户的终身价值产生巨大的影响:3年的好客户比1年的好客户更有价值。
如果你想要预测未来的客户终身价值，下一步需要将每客户毛利率(GML)放入一个公式中，这个公式包含了留存率和折现率。
你可以看到这个客户终身价值的兔子洞有多深。留存率本身就是一个绝对的怪物，这里会有详细解释．再加上折扣率，我们正在做大量的工作——可能还有大量的猜测——来寻找客户的终身价值。
无论如何，如果你想进一步深入这个兔子洞，以下是路径:
客户终身价值= GML (R / (1 + D - R))
R为月留存率，D为月折现率。这两个数字都很难计算。例如，你所有的客户都得到相同的折扣吗?如果不是，那么得到更多折扣的用户留存率会更高吗?
用户终身价值:玩弄变量
好了，我们知道了构成客户终身价值的要素。或者至少是构成某些版本的客户终身价值的元素。现在让我们看看如何使用这些变量，以及它们将如何影响您的商店。
首先让我们回顾一下历史上的客户终身价值:
(每个客户的年利润x客户的平均寿命(年))-获得客户的成本
有一些方法可以更深入地研究这个公式。例如，我们可以着眼于每个渠道的“获取客户的初始成本”变量。这将告诉我们通过Facebook或SEO等获得的客户的终身价值。
毕竟，不是所有的渠道都是平等的:也许你的博客以低廉的价格为你的网站带来了大量的SEO流量，而在Facebook上，你的每点击成本继续攀升。话说回来，也许你的Facebook用户在转化后会花更多钱。
根据客户终身价值，我们可以确定在某个渠道上的加速获取成本是否值得。
以下是每个频道的历史计算结果:
- 1500个客户:750个来自Facebook, 750个来自搜索
- 年收入75万美元:50万美元来自通过Facebook获得的访客，25万美元来自搜索
- 每年60万美元的非收购成本:Facebook 40万美元，搜索20万美元
- 每个客户平均三年
- 平均50美元的收购成本:90美元的Facebook, 10美元的搜索
脸谱网：
年利润贡献= ($500,000 - $400,000)/ 750 = $133
他们成为客户的平均年数= 3
获取用户的初始成本为90美元
(133美元× 3) - 90美元= 309美元
搜索引擎优化:
年利润贡献= ($250,000 - $200,000)/ 750 = $67
他们成为客户的平均年数= 3
获取用户的初始成本为10美元
($67 x 3) - $10 = $191
就像我们在这里所看到的，即使一个获取渠道更加昂贵，但如果通过该渠道获得的用户愿意花更多钱，它便完全是值得的。显然，没有规则表明通过Facebook获得的用户会比通过搜索获得的用户花费更多。但是我们可以看到基于每个渠道的用户终身价值将如何影响你的营销支出。
如果通过搜索获得的用户与通过Facebook获得的用户花费相同，那么用户终身价值将呈现如下情况。
Facebook:
年利润贡献= ($375,000 - $300,000)/ 750 = $100
他们成为客户的平均年数= 3
获取用户的初始成本为90美元
($100 x 3) - $90 = $210
搜索引擎优化:
年利润贡献= ($375,000 - $300,000)/ 750 = $100
他们成为客户的平均年数= 3
获取用户的初始成本为10美元
($100 x 3) - $10 = $290
突然之间，搜索引擎推动了更大的客户终身价值。
让我们看看另一个变量——客户寿命。如果你的Facebook活动导致了更多一次性冲动购买，而你的seo驱动购买产生了忠诚的、持久的客户呢?假设Facebook用户的寿命是一年，SEO用户的寿命是五年。每年的花费是一样的，但与他们成为你的客户的时间长短不同。这对来自这些渠道的人的客户终身价值有什么影响?
脸谱网：
年利润贡献= ($375,000 - $300,000)/ 750 = $100
他们成为客户的平均年数= 1
获取用户的初始成本为90美元
($100 x 1) - $90 = $10
搜索引擎优化:
年利润贡献= ($375,000 - $300,000)/ 750 = $100
他们成为客户的平均年数= 5
获取用户的初始成本为10美元
($100 x 5) - $10 = $490
SEO把Facebook。当然，一年或五年的分手可能是不现实的。但这表明，改变这些变量中的一个会完全改变预期的客户终身价值。
我们还可以应用一个国家部分，或确定第一次购买是在三年前，两年前和今年的队列。有各种各样的方法来调整这个等式，以获得更丰富的历史见解。
同样的数学游戏也可以用于预测用户终身价值公式。我们研究的预测公式的一个独特元素是平均毛利率。让我们看看平均毛利率的变化会如何影响整个客户生命周期价值。
我们可以通过寻找更便宜的供应商或提高价格来提高平均毛利率。我们试着涨价吧。这将使我们的总销售收入更高。
这是原来的:
(7.5万美元的销售总收入- 6万美元的销售成本)/ 7.5万美元= 20%
这里是高出20%的价格:
(9万美元的总销售收入- 6万美元的销售成本)/ 9万美元= 33%
现在我们的商店每月有5000个订单，每月有9万美元的收入，每单18美元。
((5,000 x $18) * .33)平均客户寿命
($90,000 * .33
30000 x ALT
当然，提高利润等因素可能会影响另一个因素，比如客户的平均寿命:如果你对同样的产品收取更高的价格，那么你的客户可能不会逗留那么久。
像这样的权衡有很多。例如，你可以更积极地利用社交媒体广告来提高月平均订单数，但这样做可能会降低我们的朋友AOV，即平均订单价值。还可以通过向回头客提供折扣来延长顾客的平均寿命。不过，这可能会降低销售平均利润率。
关于客户终身价值的结论
你不需要非常精确的数字来洞察客户的终身价值。当然，我们在这里看到的不会给数据科学家留下深刻印象。但你仍然可以从这些客户终身价值方程式中获得一些宝贵的东西。
- 历史客户终身价值非常容易计算。虽然你可能不得不猜测客户的平均寿命，特别是如果你的商店还很年轻，但你仍然可以得到一个大概的估计，即到目前为止你从现有客户那里获得了多少。
- 通过预测客户生命周期价值公式，我们仍然在猜测客户生命周期。与此同时，留存率和折扣率也会引出一系列的问题(1)猜测，(2)严肃的硬核数学，你可能不想深入研究。
- 尽管这些客户终身价值公式的性质并不精确，但它们为我们提供了一个有价值的指南。顾客的寿命可能是未知的，但是你的顾客花了多少钱，把他们带到你的网站的来源，他们的订单运送到的国家——这些数据都是可用的。你每个渠道的营销支出也会被记录下来。使用你所掌握的具体数字，并在必要时做出最佳猜测。
想了解更多?
