Накратко
- Стойността на клиента за целия период на връзката измества въпроса от „колко вече купиха“ към „колко ще струват занапред“ и така поставя обоснован таван за това колко можете да похарчите, за да ги привлечете и задържите.
- Икономиката тук е силно асиметрична. Привличането на нов клиент струва между пет и двадесет и пет пъти повече от задържането на досегашен, а повишаването на задържането само с пет пункта може да вдигне печалбата с 25 до 95 процента.
- CLV е от полза единствено заедно с факторите, които го определят. Да знаете кой клиент е ценен, без да знаете защо остава или си тръгва, ви дава класация, а не стратегия.
Почти всяка компания може да ви каже колко е похарчил даден клиент през миналото тримесечие. Доста по-малко могат да кажат колко струва същият този клиент за целия период на връзката, а съвсем малко допускат това число да решава накъде да отиде следващият маркетингов лев. Точно през тази пролука маржът изтича незабелязано.
Стойността на клиента за целия период на връзката запълва именно нея. CLV е настоящата стойност на приходите, или още по-точно на маржа, който очаквате от един клиент за цялото времетраене на връзката. Той събира три неща в едно число: колко дълго задържате клиента, колко харчи за даден период и колко струва обслужването му. Изчислен както трябва, той престава да бъде показател за самочувствие и се превръща в бюджетно ограничение.
CLV определя цената, която можете да си позволите
Най-ценното, което прави CLV, е да постави таван на разходите за привличане. Щом знаете колко струва един клиент, знаете и колко разумно можете да платите, за да спечелите нов и пак да останете на печалба. Без този таван привличането се превръща в гадаене, а гадаенето обикновено е прекалено щедро към сегментите, които изглеждат привлекателни, и прекалено пестеливо към онези, които всъщност носят натрупана стойност.
Тъкмо асиметрията прави всичко това толкова важно.
CLV не е число за отчета. Това е таванът, под който харчите.
Когато привличането струва толкова пъти повече от задържането, печалбата не е в по-широката фуния, а в по-дългата връзка. CLV прави по-дългата връзка измерима, а щом веднъж е измерима, тя става и управляема.
Стойността се натрупва в математиката на задържането
CLV расте най-бързо не когато клиентите харчат повече за един месец, а когато остават по-дълго. Продължителността на връзката е множителят и дори малки промени в нея разклащат цялото число. Това е изводът, върху който стъпва икономиката на лоялността, откакто Frederick Reichheld за пръв път я измери количествено в Bain.
Същата логика важи и откъм продажбите. Да продадете на някого, когото вече обслужвате, има далеч по-голям шанс за успех, отколкото да убедите непознат, и точно затова задържаните клиенти носят едновременно по-висока стойност и по-нисък разход за реализирането ѝ.
Фигура 1
Шансовете са на страната на клиентите, които вече имате
Източник: Paul Farris et al., Marketing Metrics, вероятност за успешна продажба.
Ето защо модел за CLV, който пренебрегва задържането, е половин модел. Цифрата се определя най-вече от частта, върху която имате най-голямо влияние.
Как всъщност се моделира CLV
Моделите варират от груба приблизителна оценка до прогноза за всеки отделен клиент, а кой е подходящият зависи от данните, с които разполагате, и от решението, което трябва да вземете. Логиката на усложняване е горе-долу следната:
- Историческа средна стойност. Среден марж на клиент за период, умножен по очакваната продължителност на връзката, изведена от кривата ви на задържане. Бързо, прозрачно и достатъчно добро, за да зададе първоначален таван за привличане.
- На ниво сегмент, често чрез RFM. Групирайте клиентите по recency, frequency и monetary value, след което приложете задържане и харчене на ниво сегмент. Тук е мястото на повечето B2C бизнеси, защото подходът е достатъчно детайлен, за да се действа по него, без да се стига до пренастройване.
- Прогнозно. Модели за преживяемост или машинно обучение оценяват продължителността на връзката и харченето за всеки отделен клиент. Усилието си струва само когато индивидуалните оценки ще управляват индивидуален подход, например задържаща оферта или ниво на обслужване.
Каквото и да изберете, валидирайте го. Тествайте го ретроспективно спрямо контролна извадка, следете как прогнозираната стойност съвпада с реализираната във времето и обновявайте модела, щом поведението се промени. Цифра за CLV, която никой не е подложил на стрес-тест, е прогноза, маскирана като факт.
Стойност без фактори е просто класация
Най-честата грешка е CLV да се възприема като крайна цел. Изготвяте подредена класация на клиентите по стойност и после установявате, че тя не ви подсказва нищо за това какво да предприемете. Ценен клиент, който тихомълком се отдръпва, изисква различна реакция от ценен клиент, който процъфтява, а самата оценка не ги различава.
CLV заслужава мястото си, когато стои до факторите, които го движат. Съчетайте го с риска от отлив и ще откриете ценните клиенти, които си струва да защитите първи. Съчетайте го с причините за задържането и ще разберете кои мерки наистина удължават връзката, вместо просто да корелират с нея. Персонализацията, която следва оттам, не е козметична. Компаниите, които я владеят, генерират около 40 процента повече приходи от тези усилия в сравнение със средните за пазара, именно защото насочват подхода си според стойността и намерението, вместо да го разпиляват по цялата база.
Същината е в съответствието. Харчете повече там, където стойността е висока, а намерението е крехко, харчете пестеливо там, където не е, и спрете да третирате всеки клиент по един и същ начин.
За да видите как изграждаме това заедно с клиентите си, разгледайте работата ни по Lifetime Value и Churn Modeling или прегледайте казусите.
Източници
- Harvard Business Review, „The Value of Keeping the Right Customers“, hbr.org.
- Bain & Company, „Retaining Customers Is the Real Challenge“, bain.com.
- Paul Farris et al., „Marketing Metrics“, цитирано в Optimove, „The Business Case for Customer Marketing“, optimove.com.
- McKinsey & Company, „The Value of Getting Personalization Right, or Wrong, Is Multiplying“, mckinsey.com.