Der Customer Lifetime Value bezeichnet den gesamten Deckungsbeitrag, den ein Kunde über die Dauer seiner Geschäftsbeziehung erwirtschaftet.
Für die Berechnung existieren drei zentrale Ansätze: der Durchschnitts-CLV, die historische Fortschreibung und der Machine-Learning-basierte CLV. Für B2B-Unternehmen im Mittelstand liefert nur der ML-basierte Ansatz kundenindividuelle Prognosen, die operative Steuerungsentscheidungen tragen. Welche Methode konkret passt, hängt vom Geschäftsmodell ab. SaaS-Unternehmen rechnen anders als produzierende Betriebe mit Servicegeschäft.
Den Customer Lifetime Value zu berechnen ist technisch nicht schwer. Was schwer ist: das richtige Modell für die eigene Datenlage zu wählen, B2B-Besonderheiten zu berücksichtigen und den CLV-Score tatsächlich in Entscheidungen zu übersetzen. Laut einer Forrester-Studie im Auftrag von Zeta Global (2024) können 81 Prozent der befragten Unternehmen CLV tracken, aber nur 37 Prozent wenden ihn aktiv in ihrer Strategie an.
Update Juli 2026: Die Forrester/Zeta-Studie liefert eine wichtige Ergänzung. Von den 37 Prozent, die CLV strategisch nutzen, bewerten nur 14 Prozent ihre Kunden tatsächlich anhand von Schlüsselkennzahlen, teilen diese abteilungsübergreifend und beziehen sie in vorausschauende Profitmetriken ein. Die Lücke zwischen reiner CLV-Berechnung und tatsächlicher, durchgängiger Nutzung ist damit noch größer, als der Vergleich von 81 zu 37 Prozent allein zeigt.
Ein Unternehmen, welches den Customer Lifetime Value seiner Kunden nicht kennt, riskiert durch fehlgeleitete Neukundenakquise bei der Kundenbindung bares Geld zu verschenken.
Damit das nicht passiert, erfahren Sie in diesem Artikel, wie Sie den Customer Lifetime Value berechnen und für Ihr Geschäftsmodell richtig einsetzen.
Was ist der Customer Lifetime Value?
Der Customer Lifetime Value (CLV, auch CLTV oder LTV) ist der Gesamtdeckungsbeitrag, den ein Kunde über die gesamte Dauer der Geschäftsbeziehung zum Unternehmen liefert. Entscheidend ist das Wort „Deckungsbeitrag“: CLV ist Umsatz minus variable Kosten, kein Bruttoumsatz. Wer die Kosten weglässt, überschätzt den Kundenwert systematisch und trifft falsche Budgetentscheidungen.
Das Ziel ist es, anhand des Customer Lifetime Values Marketingmaßnahmen und Vertriebsabläufe so zu steuern, dass aus den Kundenbeziehungen der maximale Wert für das Unternehmen hervorgeht. So helfen die Kenntnisse über den Kundenwert dabei, passende Marketingkampagnen zu schalten, die richtigen Kunden zu akquirieren und mögliche Kaufpotenziale aus bereits bestehenden Kundenbeziehungen zu nutzen. Der Fokus liegt somit auf langfristig qualitativen Geschäftsbeziehungen.
Anmerkung: Begrifflich werden CLV, CLTV und LTV in der Praxis synonym verwendet. LTV taucht häufig im SaaS- und Fintech-Kontext auf und betont die Unternehmensperspektive; CLV und CLTV sind im B2B-Marketing und CRM-Kontext die geläufigeren Bezeichnungen. Inhaltlich ist kein Unterschied relevant.
Historischer CLV vs. prädiktiver CLV
Der historische CLV summiert alle vergangenen Deckungsbeiträge eines Kunden. Er ist leicht berechenbar, aber für Entscheidungen nur bedingt nützlich: Er sagt, was ein Kunde war, nicht was er sein wird.
Der prädiktive CLV schätzt den zukünftigen Wert auf Basis von Kaufverhalten, Vertragsdaten und statistischen Modellen. Er ist der relevante Wert für Budgetsteuerung, Kundensegmentierung und Ressourcenallokation.
Warum ist der Customer Lifetime Value wichtig für Unternehmen?
Die Kenntnis über den zukünftigen Wert eines jeden Kunden ist ausschlaggebend für eine effiziente Steuerung von Marketing- und Vertriebsmaßnahmen. Insbesondere im E-Commerce und Handel, wo es keine feste Vertragslaufzeit gibt, ist es wichtig eine Schätzung für zukünftige Umsätze zu haben. Der Kunde kann jederzeit entscheiden, nicht noch einmal einzukaufen. Aus diesem Grund müssen Unternehmen kontinuierlich Geld für die Kundenbindung und die Reaktivierung ihrer Kunden ausgeben.
Doch die Bindungskosten gezielt und effizient auszugeben, ist nicht einfach. Die alleinige Ausrichtung auf vergangene Umsätze kann irreführend sein, da der Fokus nicht auf das zukünftige Potenzial gelegt wird. So kann es passieren, dass Kunden mit geringem, zukünftigen Umsatzpotenzial zu viel Werbebudget allokiert bekommen. Andersrum wird zu wenig Budget für die Kunden mit hohem Potenzial allokiert.
In diesem Video erfahren Sie alles, was Sie über den CLV wissen müssen:
Expertentipp von Laurenz, CTO bei Datasolut: In unseren Projekten ist der größte Hebel selten die Formel selbst, sondern die Frage, ob CLV überhaupt funktionsübergreifend genutzt wird. Beginnen Sie deshalb mit einem konkreten Entscheidungsprozess, den der CLV verändern soll, bevor Sie das Modell bauen.
Nachdem wir nun geklärt haben, warum der CLV so wichtig für Unternehmen ist, sehen wir uns nun die Vorteile an, die diese Kennzahl mit sich bringt.
Warum Durchschnittsformeln im B2B systematisch versagen
Die häufigste CLV-Formel lautet:
CLV = Durchschnittlicher Deckungsbeitrag × Kauffrequenz × Kundendauer
Das Problem: Im B2B sind Kundenportfolios stark heterogen. Ein Maschinenbauer mit 200 Kunden hat vielleicht 15 Schlüsselkunden, die 70 Prozent des Deckungsbeitrags ausmachen, und 60 Kleinkunden mit marginaler Profitabilität. Ein Durchschnitts-CLV verwischt diese Unterschiede und führt dazu, dass Budget und Vertriebskapazität suboptimal verteilt werden.
Gartner hat das Pareto-Prinzip in der Kundenwertverteilung mit einer bekannten Kennzahl belegt: 80 Prozent der künftigen Gewinne stammen bei den meisten Unternehmen von nur 20 Prozent der bestehenden Kunden. Mit einer Durchschnittsformel ist diese Gruppe weder identifizierbar noch gezielt ansprechbar.
Was sind die Vorteile des Customer Lifetime Values?
In der Praxis bietet der Einsatz des Customer Lifetime Value folgende Vorteile:
- Steuerung von Marketingmaßnahmen und Investitionshöhe: Durch eine Priorisierung nach dem Kundenwert, machen Sie Ihr Marketing effizienter und verschwenden kein Budget an Kunden, die nicht kaufen oder kaum Wert für Ihr Unternehmen haben.
- Konzentration auf langfristig wertvolle Geschäftsbeziehungen: Neukundenakquise ist extrem teuer, doch es wird erst dann zu teuer, wenn Sie schlechte Kundenqualitäten über die Neukundenakquise einholen. Indem Sie aus den Daten Ihrer bestehenden Top-Kunden lernen, können Sie die richtigen, wertvollen Vertriebskanäle finden.
- Up-Selling und Cross-Selling Potentiale nutzen: Durch die Kenntnisse über den CLV Ihrer Kunden können Sie Marketingmaßnahmen gezielt einsetzen und passend verteilen. So holen Sie das Maximum aus den Kundenbeziehungen heraus.
- Wichtige Erkenntnisse über den Kunden gewinnen: Mit Hilfe des CLV finden Sie Antworten auf die Fragen: Wer ist der Kunde? Warum, wo, wann, wie viel oder wie oft kauft der Kunde mein Produkt? Beantworten Sie diese Fragen, können Sie Ihr Marketing personalisieren und Kundenbeziehungen stärken.
Lassen Sie uns jetzt die verschiedenen Berechnungsmethoden und die jeweiligen Beispiele des Customer Lifetime Values ansehen.
Wie wird der Customer Lifetime Value berechnet?
Um den Kundenwert zu bestimmen, gibt es viele verschiedene Methoden. Diese reichen von einfachen Modellen bis hin zu Modellen auf der Basis von maschinellem Lernen. Wir möchten Ihnen drei zentrale Modelle für den CLV vorstellen, die sich in Ihren Berechnungen, Vorteilen und Herausforderungen maßgeblich voneinander unterscheiden.
Ansatz 1: Der durchschnittliche CLV des gesamten Kundenstamms
Ansatz 2: Die historische Fortschreibung des Customer Lifetime Value
Ansatz 3: Der Customer Lifetime Value auf Basis von Machine Learning
Anmerkung: Wir verzichten bei unseren Beispielen und Berechnungen bewusst auf Kosten-Aspekte der Neukundenakquise. Die Modelle sind ohne diesen Wert leichter verständlich und dennoch präzise.
Ansatz 1: Der durchschnittliche CLV des gesamten Kundenstamms
Wir beginnen mit einer simplen Berechnungsmethode für den CLV. Bei dieser berechnen wir den Wert des durchschnittlichen Kunden eines Unternehmens.
Für dieses Rechenbeispiel verwenden wir folgende Werte:
- Durchschnittlicher Umsatz pro Kunde = 10€
- Wiederkaufrate = 10 Einkäufe pro Jahr
- Anzahl der Kunden zu einem bestimmten Endzeitpunkt (KE) = 3000
- Anzahl der Kunden, die in dem Zeitfenster neu dazugewonnen wurden (NK) = 600
- Anzahl der Kunden, die zu Beginn des Zeitfensters schon da waren (BK) = 2700
- Das Zeitfenster = 1 Jahr
Außerdem müssen wir noch die Kundenbindungsrate und die Kundenlebensdauer berechnen. Dafür verwenden wir die folgenden Formeln:
Berechnung der Kundenbindungsrate:
Kundenbindungsrate = ((KE – NK) / BK)
Kundenbindungsrate = ((3000 – 600) / 2700) = 0,88 –> 88%
–> Die Kundenbindungsrate liegt bei 88%
Berechnung der Kundenlebensdauer:
Kundenlebensdauer = 1 / (1 – Kundenbindungsrate)
Kundenlebensdauer = 1 / (1 – 0,88) = 8,3
–> Die Kundenlebensdauer beträgt 8,3 Jahre
Formel für die Berechnung des CLV:
CLV = (Umsatz x KE x Wiederkaufrate) x Kundenlebensdauer
Berechnung des CLV:
CLV = (10€ x 3000 x 10) x 8,3 = 2.490.000€
Betrachten wir zur Veranschaulichung ein Unternehmen aus dem E-Commerce: dieses hat 3000 Kunden im Kundenstamm. Pro Kunde stellen wir einen Durchschnittswert für die Umsatzhöhe (10€) und die durchschnittliche Wiederkaufrate (10 mal pro Jahr) fest. Um nun den Customer Lifetime Value zu berechnen, multiplizieren wir die Anzahl der Kunden (KE = 3000) mit den beiden Werten „Umsatz“ und „Wiederkaufrate“ und multiplizieren das Ergebnis dann mit der zuvor berechneten Kundenlebensdauer (8,3 Jahre).
Die Kunden des Unternehmens haben also in den nächsten 8,3 Jahren einen durchschnittlichen Customer Lifetime Value von 2.490.000€. Oder – geteilt durch die Anzahl der Kunden (3000) – kommen wir auf einen durchschnittlichen Kundenwert von 830€ pro Kunde in den nächsten 8,3 Jahren.
Die Vorteile dieser Berechnungsmethode
- Die Formel und das Berechnen dieser, ist unkompliziert
- Wir benötigen nur wenig Daten und das Ergebnis dient als Überblick über den zukünftigen Umsatz pro Kunde
Die Nachteile dieser Berechnungsmethode
- Dieser Ansatz bringt nur wenig Vorteile in der operativen Steuerung im Marketing und Vertrieb
- Das Ergebnis ist ein Durchschnittswert und nicht kundenindividuell
- Die Kundenbindungsrate und -lebensdauer ist kundenindividuell: nicht jeder Kunde entspricht dem Durchschnitt
- Die Berechnung basiert auf historischen Daten, die einfach in die Zukunft projiziert werden (ungeachtet bleiben so kundenindividuelle Potenziale und Eigenschaften)
(!) Wir raten persönlich von dieser CLV-Methode ab, da der Durchschnittswert irreführend sein kann.
Ansatz 2: Die historische Fortschreibung des Customer Lifetime Value
Diese ebenfalls recht einfache CLV-Methode wird verwendet, um für jeden Kunden einen eigenen – seinen historischen Daten entsprechenden – Customer Lifetime Value zu berechnen.
Der Unterschied zwischen der eben vorgestellten CLV-Methode und dieser ist, dass es sich hier nicht um den Durchschnittswert aller Kunden handelt, sondern um einen kundenindividuellen CLV. Hier finden wir für einen einzelnen Kunden heraus, welchen Wert er für das Unternehmen bringt. Uns interessieren also nur die historischen Daten des einzelnen Kunden selbst. Um das zu veranschaulichen, verwenden wir die Beispiele von zwei Kunden.
Kunde A hat folgende Werte:
- Durchschnittlicher Umsatz = 25€
- Wiederkaufrate = 20 Einkäufe pro Jahr
- Kundenlebensdauer = 5 Jahre
Kunde B hat folgende Werte:
- Durchschnittlicher Umsatz = 200€
- Wiederkaufrate = 7 Einkäufe pro Jahr
- Kundenlebensdauer = 5 Jahre
Formel:
CLV = Umsatz x Wiederkaufrate x Kundenlebensdauer
Berechnung:
CLV (Kunde A) = 25€ x 20 x 5 = 2.500€
CLV (Kunde B) = 200€ x 7 x 5 = 2.800€
Kunde A wird schätzungsweise in den nächsten 5 Jahren einen Kundenwert von 2500€ für das Unternehmen haben, während Kunde B (mit komplett anderen Daten) in den nächsten 5 Jahren einen Kundenwert von 2.800€ haben wird. Somit zeigt sich Kunde B (obwohl er weniger einkauft als Kunde A) als profitabler.
Die Vorteile dieser Berechnungsmethode
- Eine einfache CLV-Berechnungslogik für eine kundenindividuelle Bewertung
- Sie bietet die Möglichkeit, ein Kundenranking oder eine Kundensegmentierung zu erstellen
Die Nachteile dieser Berechnungsmethode
- Die historischen Werte werden einfach in die Zukunft fortgeschrieben mit der Annahme, dass der Kunde weder seinen Umsatz steigert oder reduziert
- Auch hier treffen wir eine sehr vage Annahme über die Kundenlebensdauer, was zu einem verfälschten Ergebnis führen kann
- Die ungenaue Prognose für die Zukunft birgt Gefahren in der Vermarktung
(!) Wir raten persönlich von dieser CLV-Methode ab, da Sie auch hier kein wirklich genaues Bild über die zukünftige Kundenentwicklung bekommen.
Ansatz 3: Customer Lifetime Value auf Basis von Machine Learning
Schauen wir uns nun eine Berechnung des Customer Lifetime Values an, die auf Machine Learning basiert. Diese ist in der Lage, präzise Prognosen für die zukünftige Wertentwicklung eines jeden Kunden zu erstellen. Das Vorgehen eliminiert die Schwachstellen der zuvor beschriebenen Ansätze – wie verallgemeinerte Annahmen aufgrund von Mittelwerten oder unpräzisen Schätzungen – und ersetzt sie durch präzise Vorhersagen für jeden einzelnen Kunden.
Wie funktioniert die CLV-Prognose?
Mit Machine-Learning-Modellen kann das völlig unterschiedliche Kaufverhalten jedes einzelnen Kunden zu einer individuellen Prognose verwendet werden.
Bei dem Vorgehen bereiten wir die historischen Transaktionsdaten, Kundenstammdaten sowie das Klickverhalten jedes einzelnen Kunden für die Algorithmen in einem Flatfile auf. Die Algorithmen lernen die Muster und Zusammenhänge der historischen Werte, um dann eine präzise Prognose – für einen vorab fest definierten Zeitraum in der Zukunft – zu erstellen.
Anders als bei den zuvor beschriebenen Ansätzen, wird bei dieser Methode der langfristige Kundenwert nicht bis an das Ende seiner Kundenbeziehung geschätzt, sondern für einen zuvor definierten Zeitraum: Zum Beispiel der nächste Monat, das nächste Quartal oder auch das nächste Jahr. Durch diese Konkretisierung des Zeitraums wird eine klare Schätzung für den kundenindividuellen Customer Lifetime Value abgegeben, die in der operativen Steuerung eingesetzt wird.
Wie in folgender Grafik zu sehen, verwenden wir die bereits bekannten Kundendaten der Vergangenheit dazu, um Rückschlüsse auf die Zukunft zu ziehen.
Es gibt verschiedene überwachte Machine-Learning-Ansätze (supervised Machine Learning) für den CLV. Wir betrachten hier den – unserer Meinung nach – effektivsten Ansatz: ein kombiniertes CLV-Modell aus den vorher berechneten Modellen der Aktivitätswahrscheinlichkeit und dem Wertbetrag eines Kunden.
In der Praxis sieht die Bildung eines solchen Customer-Lifetime-Value-Ansatzes wie folgt aus:
Zunächst bilden wir zwei separate Machine-Learning-Modelle, die zum einen die Aktivitätswahrscheinlichkeit P(Aktivität/x) und zum anderen den zu erwartenden Umsatz eines aktiven Kunden in der Zukunft abbilden E(Umsatz/x, aktiv). Beide Modelle beziehen sich auf denselben vorab fest definierten Zeitraum und werden durch Algorithmen gebildet.
Die Algorithmen, die hier zum Einsatz kommen, sind moderne Boosted-Tree-Methoden, wie beispielsweise der XGBoost. Sind beide Modelle gebildet und evaluiert, folgt in einem letzten Schritt die Kombination dieser.
Formel für das kombinierte CLV-Modell:
CLV = P(Aktivität/x) * E(Umsatz/x, aktiv)
Die folgende Grafik veranschaulicht das Zusammenspiel von dem Aktivitäts- und dem Umsatzmodell. Als Ergebnis liegt ein kombiniertes CLV-Modell vor, in welchem zu sehen ist, wann der Kunde inaktiv wird.
Die Kombination des Aktivitätsmodells mit dem Umsatzmodell hat den Vorteil, dass wir den CLV präzise vorhersagen können und auch nicht-lineare Zusammenhänge gut abbilden können.
Die Vorteile dieser Berechnungsmethode
- Wir können hunderte/ tausende Informationen in der Prognose berücksichtigen
- Die Prognose ist durch den Einfluss von tausenden Variablen präzise
- Wir erlangen einen hohen Automatisierungsgrad
- Der Einsatz dient als vielfältige Hilfestellung in Marketing und Vertrieb
- Das Modell bietet Flexibilität und Aktualität (Berücksichtigung von saisonalen Schwankungen)
Die Nachteile dieser Berechnungsmethode
- Komplexer in der Umsetzung
- Anforderungen an die historische Datenverfügbarkeit der ML-Features
Update Juli 2026: Wie viele Kunden und wie viel Historie „ausreichend“ bedeuten, lässt sich nicht pauschal auf eine Zahl festlegen. Häufig kursiert die Faustregel von 500 bis 1.000 Kunden mit zwei Jahren Transaktionshistorie. Das ist eine in der Praxis brauchbare Orientierung, aber keine belegte wissenschaftliche Schwelle, sondern eine Erfahrungsregel aus Beratungsprojekten. Für Unternehmen mit weniger strukturierter Historie sind BTYD-Modelle oft die bessere Wahl (siehe unten).
Künstliche Intelligenz optimiert Marketing und Vertrieb
In 6 Fallstudien erfahren Sie:
- Wie Sie 29% mehr Umsatz pro Kampagne machen.
- Wie Sie durch KI und Automatisierung mehr Zeit gewinnen.
- Wie Sie 300% mehr Conversions zur richtigen Zeit machen.
Anwendungsfälle für den Customer Lifetime Value
Bewertung von Neukunden und Marketingkampagnen
Welche Kunden haben einen hohen Kundenwert für das Unternehmen und über welchen Kanal wurden sie akquiriert? Die Beantwortung der Fragen ist für viele Unternehmen wichtig, denn die Ausgaben für Marketingkampagnen sind hoch. Doch sie werden noch höher, wenn sie den falschen Kunden gewinnen. So ist es wichtig zu wissen, wie wertvoll die jeweiligen Kampagnen waren und mit welchen Neukunden wir eine profitable Kundenbeziehung herstellen können.
Folgende Grafik veranschaulicht den Zusammenhang zwischen den Akquisitionskosten und dem Customer Lifetime Value. Die Betrachtung des Zusammenhangs dient der Einschätzung der Rentabilität einzelner Kampagnenkohorten:
Wertbasierte Steuerung von Marketingausgaben
Die Strategie der Marketing-Gießkanne ist längst überholt. Das zur Verfügung stehende Marketing-Budget sollte sinnvoll auf den Kundenstamm – immer am kundenindividuellen Customer Lifetime Value orientiert – verteilt werden. Denn die individuellen Marketingausgaben sollten den zukünftigen Wert eines Kunden nicht übersteigen.
Aber woher weiß der Marketingmanager, ob sich eine Marketingausgabe lohnt oder eben nicht? Eine individuelle, manuelle Kundenbewertung ist meist aufgrund der Größe des Kundenstamms kaum möglich. So wird das Marketing-Budget häufig auf den gesamten Kundenstamm verteilt und an Kunden verschwendet, die kaum einen positiven Wertbeitrag für die Zukunft darstellen (siehe Abbildung 4).
Orientiert man sich allerdings am zukünftigen, individuellen CLV der Kunden, so kann man das Budget gezielt verteilen. Auch hier lohnt sich also eine CLV-Prognose, durch welche wir die Werbebudget-Allokation planen können. Je höher der erwartete Wert des Kunden ist, desto hochwertigere Werbeanstöße erhält der Kunde. Andersrum können wir Kunden ohne Wert aus der bezahlten Kommunikation entfernen.
Kundenreaktivierung und Churn Prevention nach CLV
Auch im Bereich der Kundenreaktivierung und Churn Prevention, zeigt sich die CLV-Prognose als sehr nützlich. Denn durch sie lassen sich Kundenprofile bestimmen, die eine hohe Wahrscheinlichkeit haben, inaktiv zu werden oder gar zu kündigen. So können wir gezielt präventive Angebote versenden, um einen Churn zu verhindern oder um Kunden zu reaktivieren.
So setzen wir die CLV-Prognose für ein bekanntes E-Commerce Unternehmen um: Jetzt lesen
In der folgenden Abbildung sehen Sie eine solche triggerbasierte Reaktivierungskampagne mit CLV-basierter Auswahl des Incentives:
Die historischen Transaktionsdaten des Kunden (Käufe) dienen als Basis für die Ermittlung des Inaktivitätszeitpunkts. Ist dieser Zeitpunkt gekommen, folgt ein automatisierter Reaktivierungstrigger. Anschließend wählen wir – orientiert an der CLV-Prognose – den Wert der zu verwendenden Werbemaßnahme oder des Incentives, um den Kunden zu reaktivieren.
Eine Schritt-für-Schritt-Anleitung für Ihr Unternehmen: Was müssen Sie bei der Berechnung des Customer Lifetime Value beachten?
- Ziele definieren: Was wollen Sie eigentlich mit dem Customer Lifetime Value erreichen?
Um die Kennzahl optimal zu nutzen, muss vorab geklärt werden, zu welchem Zweck sie dienen soll: Sollen Kundenreaktivierungsmaßnahmen besser geplant werden, sollen Neukunden eingeschätzt werden? Je definierter der Verwendungszweck der Kennzahl ist, desto präziser ist das Ergebnis.
Nächster Schritt: Kostenlose Erstberatung
In 30 Minuten klären wir gemeinsam, ob und wie ein ML-CLV-Ansatz zu Ihrer Datensituation und Ihrem Unternehmen passt, welche Daten Sie bereits haben und welches Modell realistisch ist.
2. Datenbasis prüfen: Welche Daten sind bereits vorhanden?
Verschaffen Sie sich einen Überblick, über die Ihnen zur Verfügung stehenden Daten: Wie viele Kunden sind im Unternehmen; Welche unter ihnen sind Langzeitkunden und wie viele Neukunden können Sie im Durchschnitt gewinnen? Möchten Sie bestehende Kosten mit in die Berechnung miteinbeziehen und liegen vielleicht Daten aus externen Quellen vor?
3. Berechnungsmethode wählen: Welche Berechnungsmethode ist die Effektivste für meine Unternehmensziele?
Nachdem geklärt ist, wofür Sie den Customer Lifetime Value verwenden möchten und über wie viele Kundenstammdaten Sie verfügen, können Sie die Berechnungsmethode wählen, die am ehesten Ihren Zielen und Ausstattungen entspricht. So entscheiden Sie sich zwischen den drei Methoden „durchschnittlicher CLV“, „historische Fortschreibung des CLV“ und „CLV auf Basis von maschinellem Lernen“.
4. Operationalisierung:
Sind die Punkte der Entwicklung 1 bis 3 geklärt, wird der regelmäßige Prozess eingeleitet. Hier stellen Sie sich die Fragen, wie oft Sie die Kennzahl abgebildet haben möchten. In welcher Form wird die Kennzahl bereitgestellt und für welchen Zeitraum möchten Sie das Ergebnis vorliegen haben?
5. Monitoring und Qualitätssicherung:
Bei solch einem komplexen Prozess ist es entscheidend, die einzelnen Schritte immer wieder zu scannen und zu überprüfen. Die im Prozess entstandenen CLV-Modelle müssen stets upgedatet werden, da die Daten (je nachdem, welche Berechnungsmethode verwendet wird) einer kontinuierlichen Veränderung unterliegen können (das ist besonders beim Machine-Learning-basierten CLV-Modell der Fall).
Fazit zum CLV
Wie wir gesehen haben, ist die Berechnung des CLV für Unternehmen fast immer vorteilhaft, vorausgesetzt, das Ergebnis fließt tatsächlich in Entscheidungen ein statt nur im Dashboard zu stehen. Das Wissen um den Wert eines Kunden hilft insbesondere den Marketing- und Vertriebsabteilungen, das Marketingbudget richtig einzusetzen oder inaktive Kunden zu reaktivieren.
Außerdem konnten wir feststellen, dass ein Machine-Learning-basierter CLV-Ansatz den größten Vorteil für Unternehmen bringt. Denn durch die große Anzahl an Daten aus verschiedensten Quellen, kann eine präzise CLV-Prognose geschätzt werden, die immer wieder aktuelle und vollautomatisierte Vorhersagen für den individuellen Wert eines Kunden bringt.
Wenn Sie die Kennzahl nun gerne mit Hilfe des maschinellen Lernens in Ihrem Unternehmen nutzen möchten, freuen wir uns, Sie bei der Implementierung dieses smarten Systems zu unterstützen: Kontaktieren Sie uns hierfür gerne, und wir führen ein unverbindliches Beratungsgespräch.
Häufig gestellte Fragen zum Customer Lifetime Value
Der Customer Lifetime Value (CLV) ist eine Kennzahl, die den Wert des Kunden während seines gesamten Kundenlebenszyklus mit dem Unternehmen angibt. Die Kennzahl setzt sich aus dem historischen Kundenwert und dem zukünftigen, potenziellen Kundenwert zusammen.
Die Kenntnis des Customer Lifetime Value (CLV) ermöglicht die gezielte Steuerung von Marketingmaßnahmen. Insbesondere mit Hilfe des Machine-Learning-basierten CLV-Ansatzes lassen sich vielfältige Vorteile für die Bereiche Marketing und Vertrieb erzielen. So wird unter anderem die Kundenbindung gestärkt, die Kundenfluktuation minimiert und das Marketingbudget effizient – ROI-orientiert – verteilt.
Es gibt verschiedene Möglichkeiten den Customer Lifetime Value zu berechnen – je nach Zielstellung des Unternehmens. Eine simple Formel des CLV lautet:
CLV = Umsatz x Wiederkaufrate x Kundenlebensdauer
Durch diese Formel lässt sich der kundenindividuelle zu erwartende Umsatz für jeden Kunden berechnen.
Als erste Größenordnung: Eine externe Beratungsimplementierung für ein produktionsfähiges XGBoost-CLV-Modell inklusive CRM-Integration liegt typischerweise zwischen 40.000 und 60.000 Euro, je nach Anzahl der Datenquellen und Integrationsaufwand. Der Zeitrahmen beträgt erfahrungsgemäß 8 bis 16 Wochen von Kick-off bis erstem produktiven CLV-Score.
Eigenentwicklung mit einem internen Data Scientist kostet ähnlich viel in Personalkosten, dauert aber in der Regel länger, weil B2B-spezifisches Feature Engineering und Datenvorbereitung unterschätzt werden.
SaaS-Lösungen wie Microsoft Dynamics 365 Customer Insights eignen sich als kostengünstiger Einstieg ohne Entwicklungsaufwand, bieten aber weniger Flexibilität beim Feature Engineering.
Im B2B ist der Hebel durch CLV-basierte Steuerung oft größer als im B2C, weil einzelne Kundenbeziehungen häufig sechs- bis siebenstellige Deckungsbeiträge über mehrere Jahre repräsentieren. Die Differenzierung profitabler von weniger profitablen Kunden hat direkten Einfluss auf Ressourcenallokation in Vertrieb, Account Management und Produktentwicklung. Im B2C mit sehr großen Kundenstämmen liegt der Vorteil primär in der Marketingeffizienz. Für DACH-Mittelständler mit 1.000 bis 20.000 Kunden und B2B-Geschäftsmodell ist CLV eine der wenigen Metriken, die gleichzeitig strategische Steuerungsrelevanz für die Geschäftsführung und operative Prioritierungshilfe für Vertrieb und Marketing hat.
Lassen Sie uns sprechen und Ihr Potenzial entdecken.
Ob und wie künstliche Intelligenz Ihnen weiterhelfen kann, können Sie in einem ersten, unverbindlichen Gespräch mit uns herausfinden.
In diesem Gespräch erfahren Sie:
- Wie Ihr Use-Case technisch am besten umgesetzt werden kann
- Wie wir maximal sicher mit Ihren Kundendaten umgehen
- Wie lange wir für die Umsetzung benötigen und wie ein konkreter Projektplan aussehen könnte
