阅读一些关于客户终身价值的内容，对于我们这些处于混乱的电子商务人群中的人来说，这可能听起来太复杂了。
一个Google Think博客文章例如，他说，客户终身价值需要“内部和外部团队保持一致”。在《福布斯》在这本书中，你会读到“那些非常重视终身价值的公司，往往也会随着规模的扩大而出现巨额亏损，即使是在IPO之后。”
内部和外部团队?首次公开发行(ipo) ?如果你认为这是看看DataScience.com不得不说关于客户终身价值:“潜在参数λ和μ受到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在客户群体中如何分布的信念。”
呵。
但我们没有理由被客户终身价值(CLV)吓倒。它复杂吗?确定。它是为小型在线商店而创建的吗?绝对不会。但客户终身价值仍然可以帮助你做出明智的利润率决策，以及如何在保留现有客户和寻找新客户之间分配精力。
这篇文章将尽可能用最简单的术语解释，什么是客户终身价值．然后，我们将研究如何计算商店的顾客终身价值，以及如何使商店的平均顾客终身价值朝着正确的方向发展。
什么是客户终身价值?
今天，我们将保持基本的内容，看看历史和预测客户终身价值的简单公式。
以下是历史客户终身价值:
(每个客户的年利润x客户的平均寿命)-获得客户的成本
让我们来看一个实际的例子。说你有:
- 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
- 每次收购的平均成本为50美元
以此为背景，我们可以开始填补空白了。
每个客户的年利润= ($750,000 - $600,000)/ 1,500 = $100
客户平均寿命= 3
获得客户的初始成本= 50美元
($100 x 3) - $50 = $250
这是一个粗略的公式:它纯粹是追溯性的，没有考虑到那么多可能有助于提供信息的变量未来营销决策。但我们可以通过利用历史客户终身价值来获得更多收益。等我们讲完……
预测客户生命周期价值
可预测的客户生命周期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贴现率。但是我们只有在得出“每个客户的毛利率”这个数字之后才能做到这一点，而这个数字只有在我们确定了平均毛利率之后才能得到。
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，这是很多字母。让我们退后一步，一点一点地看。
- T =平均交易数(每月)
- AOV =平均订单值
- 平均毛利率
- ALT =客户平均寿命
T和AOV很清楚。AGM和ALT可以使用一点打开包装。
AGM，或平均毛利率，是你的总销售收入减去销售成本，然后除以总销售收入。明白了吗?最后我们会得到一个百分比。这里有一个例子:
(总销售收入7.5万美元-销售成本6万美元)/ 7.5万美元= 20%
因此，如果这个例子中的商店月收入为75,000美元，月平均订单为5,000，平均订单价值为15美元，那么等式将是这样的:
((5,000 x $15) * .2) ALT =
($75,000 * .2) Alt =
$15,000 x ALT
当然，我们需要计算每个客户的终身价值。所以我们要除以$15,000 x ALT根据你的客户数量。假设我们有2500个客户进行这5000次购买，这些客户的平均寿命为4年，或48个月。
($15,000 x 48) / 2,500 = $288
现在，关于平均客户寿命，或ALT。这个很难——特别是对于像你可能经营的电子商务商店。
首先，你的商店可能还不够老，无法真正计算出顾客的平均寿命。即使你已经工作了四年，你又有多少信任第一年的数据呢?很有可能你第一个月的客户与上周第一次转换的客户有不同的体验。谁知道呢，也许你的产品和一开始完全不一样。
底线是，ALT很难计算。只要记住，改变这个变量——当然，目标是延长平均寿命——会对客户的终身价值产生巨大影响:一个持续三年的好客户比一个持续一年的好客户更有价值。
如果你想要预测未来客户生命周期价值，下一步需要将每客户毛利率(GML)转化为考虑留存率和折扣率的公式。
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庞然大物，如下所述．再加上折扣率，我们要做大量的工作——也可能是大量的猜测——才能找到客户的终身价值。
无论如何，如果你想在兔子洞里走得更远，这里有一条路:
客户终身价值= GML (R / (1 + D - R))
R为月留存率，D为月折扣率。这两个数字都很难计算。例如，是否所有的客户都得到相同的折扣?如果不是，获得更多折扣的用户留存率是否更高?
客户生命周期价值:玩弄变量
好了，我们知道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处理这些变量，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)-获得客户的成本
有很多方法可以更深入地挖掘这个公式。例如，我们可以查看每个渠道的“获取客户的初始成本”变量。这将告诉我们通过Facebook、SEO等获得的客户终身价值。
毕竟，并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，你的每次点击成本继续攀升。也许你的Facebook用户在转化后会花更多钱。
有了客户终身价值，我们就可以确定在某个渠道加速获取用户的成本是否值得。
以下是历史上每个通道的计算方式:
- 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Facebook, 25万美元来自搜索
- 每年60万美元的非获取成本:40万美元用于Facebook, 20万美元用于搜索
- 每个客户平均三年
- 平均50美元获取成本:90美元Facebook, 10美元搜索
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
获得客户的初始成本= 90美元
($133 x 3) - $90 = $309
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
获得客户的初始成本= 10美元
($67 x 3) - $10 = $191
正如我们在这里所看到的，即使一个获取渠道更昂贵，但如果通过该渠道获得的用户愿意花更多钱，那么这也是完全值得的。显然，没有规则说通过Facebook获得的客户会比通过搜索获得的客户花费更多。但我们可以看到，每个渠道的客户终身价值会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。
Facebook:
年利润贡献= ($375,000 - $300,000)/ 750 = $100
他们成为客户的平均年数= 3
获得客户的初始成本= 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
获得客户的初始成本= 10美元
($100 x 3) - $10 = $290
突然之间，搜索引擎带来了更大的客户终身价值。
让我们来看看另一个变量——客户寿命。如果你的Facebook活动带来了更多一次性的冲动购买，而你的seo驱动的购买带来了忠诚的、持久的客户呢?假设Facebook客户持续了一年，SEO客户持续了五年。每年的花费是一样的，但不是他们是你的客户的长度。这对来自这些渠道的用户的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
获得客户的初始成本= 90美元
(100元x 1) - 90元= 10元
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
获得客户的初始成本= 10美元
($100 x 5) - $10 = $490
搜索引擎优化碾压Facebook。当然，1年/ 5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是如何完全改变预期的客户终身价值的。
我们还可以应用国家细分，或确定首次购买是在三年前、两年前和今年的人群。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客户终身价值公式。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是如何影响整体客户生命周期价值的。
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。我们试试提高价格吧。那会使我们的总销售收入更高。
原文如下:
(总销售收入7.5万美元-销售成本6万美元)/ 7.5万美元= 20%
这是高20%的价格:
(9万美元总销售收入- 6万美元销售成本)/ 9万美元= 33%
现在，我们的商店每月有5000个订单，每月收入为9万美元，每笔订单为18美元。
(5,000 x $18) * .33)平均客户寿命
($90,000 * .33
$30,000 x ALT
当然，提高利润等因素可能会降低客户平均寿命等因素:如果你对同样的产品收取更高的费用，那么你的客户可能不会坚持那么长时间。
有很多这样的权衡。例如，你可以更积极地投放社交媒体广告，以提高月平均订单数量，但这样做可能会降低我们的平均订单价值。通过向回头客提供折扣，也有可能延长顾客的平均寿命。不过，这可能会降低平均销售利润率。
顾客终身价值结论
你不需要非常精确的数字来了解客户终身价值。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。
- 历史客户生命周期价值非常容易计算。虽然您可能需要对客户的平均寿命进行一些猜测，特别是如果您的商店成立时间较短，但您仍然可以从现有客户那里获得大致的估计。
- 使用预测性客户生命周期价值公式，我们仍然在猜测客户的生命周期。与此同时，留存率和贴现率引入了一个完整的网络(a)猜测或(b)你可能不想深入研究的硬核数学。
- 即使这些客户终身价值公式不精确，它们也为我们提供了有价值的指导。客户的生命周期可能是未知的，但客户花费的金额，将他们带到您的网站的来源，他们的订单发送到的国家-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，并在必要时做出最好的猜测。
想了解更多?
