- A CLV-t fedezetből számold, mert a bevétel alapú érték túl nagy keretet ad a hirdetésekre.
- Rendelésenként öt mező elég hozzá, a vevőazonosító, a dátum, a nettó érték, az állapot és a csatorna.
- Az egyetlen átlagszám összemossa a törzsvevőket és az egyszeri vásárlókat, ezért nézd a mediánt és a kohorszokat is.
- A kapott érték segíthet a vevőszerzési költség felső korlátjának, a hűségprogram jutalmának és az újravásárlási levelek időzítésének meghatározásában.
- Kevés vagy rövid adatsornál a CLV irányszám, amit negyedévente érdemes frissíteni.
A vásárlói élettartam-érték (angolul customer lifetime value, röviden CLV) azt mutatja meg, mennyi fedezetet hoz egy vevő a webshopodnak a teljes vásárlói kapcsolat alatt. Kis webshopban ehhez nem kell adattudós vagy külön szoftver. A rendelési export, egy táblázatkezelő és egy délután elég ahhoz, hogy az első használható becslés elkészüljön. Ez a cikk azt mutatja meg, hogyan számolj, hogyan bonts kohorszokra, és mire érdemes a végeredményt használni.
Mi a vásárlói élettartam-érték, és miért érdemes kis webshopban is kiszámolni?
A CLV egy vevő várható teljes hozzájárulása a cég fedezetéhez, a kapcsolat teljes idejére vetítve. A legegyszerűbb képlet négy tényezőből áll, ezek az átlagos kosárérték, az éves vásárlási gyakoriság, a megtartási idő években és az árrés aránya.
CLV ≈ átlagos kosárérték × éves vásárlási gyakoriság × megtartási idő (év) × árrés %
Kis webshopban azért hasznos, mert a legtöbb marketingdöntés az első rendelés alapján születik. Ha egy hirdetés első vásárlásra veszteséges, de a vevők jelentős része később visszatér, a kampány összességében mégis megérheti. Fordítva is igaz, egy olcsón szerzett, de soha vissza nem térő vevőkör kevesebbet ér, mint amit a hirdetési felület jelentése sugall.
Itt az árréssel számolunk, a bevétellel nem. A bevétel alapú CLV szebb számot ad, de hirdetési döntéshez félrevezető, mert a beszerzési költséget is „elköltené”. (Szakmai feltételezés, a gyakorlatban a fedezet alapú változat a biztonságosabb kiindulás.)
Milyen adatok kellenek a webshop rendelési exportjából?
Rendelésenként öt mező kell, a vevő azonosítója, a rendelés dátuma, a nettó rendelési érték, a rendelés állapota és lehetőség szerint a beszerzési csatorna. A Shopify és a WooCommerce is tud rendeléseket CSV-be exportálni, a WooCommerce 8.5-ös verziójától pedig a rendelési forrás (Order Attribution) is megjelenik a rendeléseknél. (Hivatalosan igazolt, a két platform dokumentációja szerint.)
- Vevőazonosító. Vendégvásárlásnál nincs vevőfiók, ilyenkor a kisbetűsre alakított e-mail-cím a legjobb kulcs.
- Rendelés dátuma. Ebből lesz az első vásárlás hónapja és a vásárlások közötti idő.
- Nettó érték szállítási díj nélkül. A szállítás általában átfolyó tétel, torzítja a kosárértéket.
- Állapot. A törölt, visszautasított és teljes egészében visszaküldött rendeléseket ki kell szűrni.
- Csatorna. UTM-forrás, kuponkód vagy a platform saját forrásmezője, amelyik megbízhatóbb nálad.
Az árrést termékszinten ritkán látod az exportban. Kis webshopban elég egy átlagos, kategóriánként becsült árrés-arány, amit a könyvelőddel vagy a beszerzési táblázatoddal egyeztetsz. Ha nagyon eltérő a kategóriák fedezete, érdemes kategóriánként külön számolni.
Hogyan számold ki a CLV-t táblázatkezelőben lépésről lépésre?
Először vevőnként összesíted a rendeléseket, utána ebből számolod a négy tényezőt, végül összeszorzod őket. Az alábbi lépések Google Táblázatokban és Excelben is működnek, a példa képletei a magyar nyelvű Google Táblázatok pontosvesszős írásmódját követik.
- Tisztítás. A Rendelesek lapra másold az exportot, töröld a sikertelen rendeléseket, az e-mail-címeket alakítsd kisbetűsre (
=KISBETŰ(C2)), és vedd ki a saját tesztrendeléseidet. - Vevőszintű összesítés. Egy új lapon egyetlen képlettel megkapod vevőnként a rendelések számát, összegét, az első és az utolsó vásárlás dátumát.
- Átlagos kosárérték. Az összes nettó rendelési érték osztva a rendelések számával.
- Éves vásárlási gyakoriság. Az elmúlt 12 hónap rendeléseinek száma osztva az ebben az időszakban vásárló egyedi vevők számával.
- Megtartási idő. Ha az éves megtartási arány (a tavalyi vevők közül idén is vásárlók aránya) például 40 százalék, akkor a várható élettartam közelítőleg 1 / (1 − 0,4), vagyis kb. 1,7 év.
- Szorzás az árréssel. A négy szám szorzata adja a fedezet alapú CLV-t.
A vevőszintű összesítéshez ez a QUERY képlet jó kiindulás (A oszlop a rendelésszám, B a dátum, C az e-mail, E a nettó érték, F az állapot).
=QUERY(Rendelesek!A:F; "select C, count(A), sum(E), min(B), max(B) where F = 'teljesítve' group by C label count(A) 'rendelések', sum(E) 'összeg', min(B) 'első', max(B) 'utolsó'"; 1)
Egy kerek, kitalált számokkal felírt példa a menet szemléltetésére (pénznem nélkül, mert csak az arányok számítanak). Ha az átlagos kosárérték 14 000, az éves gyakoriság 2,2, a megtartási idő 1,7 év és az átlagos árrés 35 százalék, akkor a számítás 14 000 × 2,2 × 1,7 × 0,35, ami nagyjából 18 300 egységnyi fedezet vevőnként. Ez a szám önmagában még nem döntési alap, a következő két szakasz azt mutatja meg, miért.
Miért félrevezető egyetlen átlagszám?
Mert a webshop vevőköre szinte soha nem egységes, és az átlag összemossa a sokszor visszatérő törzsvevőket a sosem visszatérő egyszeri vásárlókkal. Egy kis webshopban gyakori, hogy a vevők kisebb része hozza a visszatérő forgalom nagyobb részét. (Saját tapasztalat, az arány boltonként nagyon eltér.)
Az egyetlen átlag három tipikus hibát rejt.
- A néhány nagy, céges vagy viszonteladói vásárló felhúzza az átlagot, miközben a hirdetésből érkező magánvásárló töredékét éri.
- Egy erős akciós hónap sok alacsony értékű, kuponvadász vevőt hozhat, akik ritkábban térnek vissza, és ez lehúzza az egész évet.
- A csatornák közti különbség eltűnik. Ha a hírlevélből érkezők kétszer annyit érnek, mint a közösségi hirdetésből érkezők, egy közös szám mellett mindkét csatornára rossz keretet szabsz.
Ezért az átlag mellé mindig nézd meg a mediánt is, és a felső 1-2 százalék kiugró vevőt számold külön. Ha a medián és az átlag között nagy a távolság, a vevőköröd szóródik, és a kohorszos bontás többet mond.
Hogyan bontsd kohorszokra az első vásárlás hónapja és a beszerzési csatorna szerint?
A kohorsz azoknak a vevőknek a csoportja, akik ugyanabban a hónapban vagy ugyanabból a csatornából vásároltak először, és a csoportot onnantól együtt követed. Így láthatod, hogy a különböző időszakokban vagy csatornákon szerzett vevők hogyan viselkednek később.
Kohorsz az első vásárlás hónapja szerint
- A vevőszintű lapon képezz egy oszlopot az első vásárlás hónapjából (
=SZÖVEG(D2; "éééé-hh")). - A rendelési lapra FKERES vagy XKERES segítségével húzd be minden rendeléshez a vevő első vásárlási hónapját.
- Számold ki, hány hónap telt el az első vásárlástól az adott rendelésig (
=DATEDIF(első_dátum; rendelés_dátuma; "M")). - Kimutatásban (pivot) a sorok legyenek a kohorszhónapok, az oszlopok az eltelt hónapok, az érték pedig a nettó összeg vagy a vásárló vevők száma.
- Oszd el az értékeket a kohorsz induló létszámával, így vevőre jutó halmozott értéket kapsz.
Az így kapott háromszög alakú táblázatban soronként olvasható, hogy egy-egy hónap vevői 3, 6 és 12 hónap után mennyit hoztak. Ha a friss kohorszok görbéje laposabb a régieknél, valami romlott, például a termékkínálat, a szállítás vagy a vevőszerzés minősége.
Kohorsz beszerzési csatorna szerint
Ugyanezt a táblát a csatorna oszlop szerint is felépítheted, ilyenkor a sorok a csatornák (organikus keresés, Google Ads, Meta-hirdetés, hírlevél, közvetlen). A csatornát mindig az első rendeléshez kösd, mert a vevő megszerzéséről akarsz döntést hozni. Ha a csatorna adata hiányos, egy „ismeretlen” sor is legyen, és ne oszd szét a többi között.
Két kohorszot mindig azonos időtávon hasonlíts össze. A tavaly januári vevők 12 hónapos értékét a júniusi vevők 4 hónapos értékével összevetni értelmetlen, ezért a táblázatban csak azokat az oszlopokat nézd együtt, amelyeket minden összevetett kohorsz már végigélt. Gyakorlati fogás, ha a 3, 6 és 12 hónapos halmozott értéket külön kis táblába emeled, és a még be nem telt cellákat üresen hagyod.
A csatornás bontásnál a kis elemszám hamar gondot okoz. Ha egy csatornából csak néhány tucat vevő jött, a görbéje inkább véletlen, mint trend. (Szakmai feltételezés.)
Mire használható a kapott CLV-érték a gyakorlatban?
A CLV leginkább három döntést segíthet, azt, hogy mennyit költhetsz egy új vevő megszerzésére, mennyit érdemes visszaforgatni a meglévő vevőkbe, és mikor szólj újra a vevőhöz.
Hirdetési ajánlatadás
Ha tudod, hogy egy csatornán szerzett vevő átlagosan mekkora fedezetet hoz, abból felső korlátot számolhatsz az új vevő megszerzésének költségére. Kis webshopnál óvatos kiindulás, ha a 12 hónapos fedezetnek csak egy részét szánod a szerzésre, mert a pénz később térül meg, és a becslés bizonytalan. (Saját tapasztalat.) A Google Ads új ügyfelek szerzésére vonatkozó beállításában megadhatsz egy többletértéket az új vevőkre, a Meta pedig értékoptimalizálást tud futtatni, ha a vásárlási értéket megkapja. (Hivatalosan igazolt, a Google Ads és a Meta súgója szerint.) Ezekbe a beállításokba a CLV-ből levezetett számot érdemes beírni.
Hűségprogram
A kohorszos táblából látszik, melyik ponton morzsolódnak le a vevők. Ha a második vásárlás után sokkal nagyobb eséllyel jön a harmadik, akkor a hűségprogram legfontosabb célja a második rendelés kiváltása. A jutalom értékét a két kohorsz (második vásárlásig eljutók és el nem jutók) CLV-különbségéhez mérheted, így a program jó eséllyel nem viszi el a fedezetet.
Újravásárlásra ösztönző levelek
A vevőszintű lapon számold ki az első és a második vásárlás közti napok mediánját. Ez jó kiindulópont arra, mikor menjen ki az emlékeztető vagy utántöltésre figyelmeztető levél. Fogyóeszköznél (kávé, kozmetikum, állateledel) ez a ritmus elég stabil szokott lenni, ajándéktárgynál inkább ünnepekhez kötött. (Saját tapasztalat.) A levelek hatását később ugyanebben a kohorsz-táblában mérheted, a levél előtti és utáni kohorszok összevetésével.
Mik a módszer korlátai kevés adatnál?
Kevés adatnál a CLV inkább irányszám, mint pontos érték, és a fiatal webshopban rendszerint alulbecsli a valóságot. Az alábbi korlátokkal érdemes számolnod.
- Csonka adatsor. A tavalyi vevőknek volt idejük visszatérni, a múlt hónapiaknak még nem. Ha mindenkit egyben átlagolsz, a friss vevők lehúzzák a gyakoriságot.
- Rövid múlt. Egy évnél rövidebb adatsorból a megtartási időt nem tudod megmérni, csak feltételezni. Ilyenkor írd le, milyen feltételezéssel számoltál, és negyedévente frissítsd.
- Szezonalitás. A karácsonyi kohorsz másképp viselkedik, mint a márciusi, ezért évet évvel érdemes összevetni.
- Azonosítási hiba. Ha valaki két e-mail-címmel vásárol, két vevőnek látszik, ami a gyakoriságot csökkenti.
- Visszáru és kupon. A részleges visszaküldés és a nagy kedvezményű kuponok csökkentik a tényleges fedezetet. Ha az export ezt nem mutatja, a visszáru arányával korrigáld az árrést.
- Kis elemszám. Néhány száz vevő alatt egy-két nagy rendelés is elmozdítja a számot.
A fejlettebb, valószínűségi modellek (például a Fader és Hardie által leírt BG/NBD modell) jobban kezelik a csonka adatsort, de stabil vásárlási előzményt igényelnek. (Hivatalosan igazolt, a modell szakirodalma szerint.) A Google Analytics 4 előrejelző mutatóihoz is minimális vásárlói létszám kell, ezt a legtöbb kis webshop nem éri el. (Hivatalosan igazolt, a Google Analytics súgója szerint.) Kis webshopnál ezért a táblázatos módszer az ésszerű első lépés, a modellezés később jöhet.
Mit ellenőrizz, mielőtt döntést alapozol a CLV-re?
Egy rövid ellenőrzőlistával kiszűrheted a leggyakoribb számítási hibákat.
- Kiszűrted a törölt, visszautasított és visszaküldött rendeléseket?
- Nettó értékkel számoltál, szállítási díj nélkül?
- Kisbetűsítetted és egységesítetted az e-mail-címeket?
- A végeredményben árrést szoroztál be a bevétel helyett?
- Megnézted a mediánt is az átlag mellett?
- Külön kezelted a céges vagy viszonteladói nagyvásárlókat?
- Kohorszonként csak azokat az időtávokat hasonlítod, amelyeket minden kohorsz már megélt?
- Leírtad, milyen feltételezéssel becsülted a megtartási időt?
- Beütemezted a negyedéves frissítést?
Ha ezek rendben vannak, a kapott szám jó eséllyel elég stabil ahhoz, hogy a hirdetési keretek és a levélprogram tervezésénél támaszkodj rá. A CLV becslés marad, ezért a döntéseket érdemes kisebb lépésekben meghozni, és a következő negyedév adataival visszamérni.
Források és további olvasnivalók
- Google Analytics súgó, Előrejelző mutatók és élettartam-érték jelentések
- Google Ads súgó, Új ügyfelek szerzésére vonatkozó cél
- Meta Business súgóközpont, Értékoptimalizálás
- Shopify súgóközpont, Rendelések exportálása
- WooCommerce dokumentáció, Order Attribution és Analytics
- Google Táblázatok súgó, QUERY függvény
- Fader, Hardie és Lee, Counting Your Customers the Easy Way (Marketing Science, 2005)
Gyakori kérdések
Mennyi adat kell a CLV becsléséhez?
Már néhány száz vevőből és legalább egy év rendelési előzményből készíthető irányszám. Kevesebb adatnál a megtartási időt csak feltételezni tudod, ezt érdemes leírni és negyedévente felülvizsgálni.
Bevétellel vagy árréssel számoljam a CLV-t?
Hirdetési és hűségprogram-döntésekhez az árrés alapú CLV a biztonságosabb, mert a beszerzési költséget már levonja. A bevétel alapú szám túl nagy költési keretet sugallhat.
Hogyan azonosítsam a vendégként vásárló vevőket?
A legegyszerűbb kulcs a kisbetűsre alakított e-mail-cím. Így a vendégvásárlások és a fiókos rendelések egy vevőhöz kerülnek, bár a több címet használó vásárlók így is külön látszanak.
Miért érdemes kohorszokra bontani a CLV-t?
Mert a különböző hónapokban és csatornákon szerzett vevők eltérően viselkednek. A kohorszos tábla megmutatja, melyik csatorna hoz visszatérő vevőt, és ha a friss vevők gyengébben teljesítenek, ez időben feltűnik.
Elég a Google Analytics 4 előrejelzett élettartam-értéke?
Az előrejelző mutatókhoz minimális vásárlói létszám kell, amit sok kis webshop nem ér el. Ilyenkor a rendelési exportból készített táblázatos számítás megbízhatóbb kiindulópont.
Források és további olvasnivalók
Ezen az oldalon a hivatalosan igazolt információt elsődleges forrásokból építjük fel; a saját tapasztalatot és a szakmai becslést mindig külön jelöljük a szövegben.