Wie Sie den Customer Lifetime Value aus einer CSV-Datei berechnen (Schritt für Schritt)

Um den Customer Lifetime Value aus einer Transaktions-CSV zu berechnen, ermitteln Sie den durchschnittlichen Bestellwert, die Kaufhäufigkeit und die Kundenlebensdauer. Multiplizieren Sie diese drei Werte miteinander und wenden Sie dann Ihre Bruttomarge an. Die Arithmetik ist unkompliziert. Die Ermessensentscheidungen – welche Kunden als abgewandert gelten und ob man rückwärts oder vorwärts blickt – entscheiden darüber, ob das Ergebnis nützlich ist.

Zwei Teams können dieselbe Formel auf derselben Datei anwenden und zu zwei Zahlen gelangen, die sich um das Dreifache unterscheiden. Keines von beiden ist im Unrecht. Sie haben unterschiedliche Fragen beantwortet, ohne es zu merken.

Dieser Leitfaden beschreibt die benötigten Eingabewerte, die manuelle Berechnung in drei Schritten und die Punkte, an denen der Weg über die Tabellenkalkulation an seine Grenzen stößt.

Was Sie vor dem Start benötigen

Sie benötigen einen Export auf Transaktionsebene: eine Zeile pro Bestellung, mit einer Kundenkennung, einem Bestelldatum und einem Bestellwert. Eine monatliche Zusammenfassung funktioniert nicht, da es beim Lifetime Value im Kern darum geht, wie sich einzelne Kunden im Laufe der Zeit verhalten.

Zwei Entscheidungen müssen vor jeder Formel getroffen werden, und sie verändern das Ergebnis stärker als jede Berechnung.

Historisch oder prädiktiv. Der historische Customer Lifetime Value summiert das, was Kunden bisher tatsächlich ausgegeben haben. Der prädiktive schätzt, was sie in Zukunft ausgeben werden. Der historische Wert ist belastbar und untertreibt immer; der prädiktive ist nützlicher für die Budgetierung und hängt vollständig von Ihrer Annahme zur Kundenbindung ab.

Was als Abwanderung (Churn) gilt. Bei einem Abonnement ist dies einfach – das Kündigungsdatum. Bei transaktionsbasierten Unternehmen gibt es kein Kündigungsereignis, daher benötigen Sie eine Regel. Ein Kunde, der beispielsweise seit zwölf Monaten nichts mehr gekauft hat, wird als inaktiv eingestuft. Wählen Sie ein Zeitfenster und halten Sie es schriftlich fest.

Ein gutes Ergebnis sieht so aus. Sie erhalten eine Tabelle pro Kunde mit den Gesamtausgaben, der Anzahl der Bestellungen, dem ersten und letzten Bestelldatum sowie einer Segmentbezeichnung. Daneben steht eine Kennzahl, neben der die Margenannahme angegeben ist.

So machen Sie es manuell

Option 1: Durchschnittlichen Bestellwert und Kaufhäufigkeit ermitteln

Gruppieren Sie die Transaktionsdatei nach der Kundenkennung. Summieren Sie für jeden Kunden die Bestellwerte und zählen Sie die Bestellungen. Der durchschnittliche Bestellwert ist der Gesamtumsatz geteilt durch die Gesamtzahl der Bestellungen über den gesamten Kundenstamm. Die Kaufhäufigkeit ist die Gesamtzahl der Bestellungen geteilt durch die Anzahl der eindeutigen Kunden im jeweiligen Zeitraum.

Die Falle liegt hier im Zeitraum. Eine über zwölf Monate gemessene Häufigkeit und eine über die gesamte Historie gemessene Häufigkeit sind unterschiedliche Zahlen. Wenn man sie in einer Formel vermischt, entsteht ein aussageloses Ergebnis. Legen Sie zuerst das Zeitfenster fest und verwenden Sie es konsistent.

Option 2: Die Bindungskurve (Retention Curve) hinzufügen

Die Kundenlebensdauer ist der Wert, den die meisten Menschen schätzen. Die belastbare Variante stammt aus Ihren eigenen Daten: Gruppieren Sie die Kunden nach dem Monat der Neukundengewinnung (Acquisition Month) und zählen Sie dann, wie viele in jedem Folgemonat noch aktiv waren.

Das ergibt eine Bindungskurve (Retention Curve). Die durchschnittliche Lebensdauer entspricht in etwa der Fläche darunter – in einer Tabellenkalkulation ist das die Summe der monatlichen Bindungsraten. Wenn von 100 Kunden über drei Monate hinweg 80 %, 65 % und 55 % gebunden bleiben, addieren Sie die Lebensdauer Monat für Monat, anstatt eine runde Zahl anzunehmen. Unser Leitfaden zur Erstellung eines Kohorten-Retention-Diagramms deckt die visuelle Seite ab, und der Artikel darüber, was eine Kohortenanalyse ist, erklärt das Konzept.

Option 3: In LTV und das LTV:CAC-Verhältnis umwandeln

Multiplizieren Sie den durchschnittlichen Bestellwert mit der Kaufhäufigkeit und der Lebensdauer, und multiplizieren Sie das Ergebnis dann mit der Bruttomarge. Ein umsatzbasierter Lifetime Value überbewertet die Zahl, manchmal sogar drastisch, weil er ein Produkt mit niedriger Marge genauso behandelt wie eines mit hoher Marge.

Teilen Sie das Ergebnis dann durch die Kundenakquisitionskosten (Customer Acquisition Cost). Genau für dieses Verhältnis ist die Zahl da. Der Lifetime Value isoliert betrachtet ist eine Spielerei; der Lifetime Value im Verhältnis zu dem, was Sie für die Akquisition bezahlt haben, ist eine Entscheidungsgrundlage.

Wo der manuelle Weg an seine Grenzen stößt

Bei der Segmentierung bricht das System zusammen. Eine einzige, gemischte Zahl bildet den Durchschnitt aus Ihren besten und schlechtesten Kohorten und liefert einen nichtssagenden Wert. Die nützliche Variante ist nach Kanal, nach Tarif oder nach Akquisitionsmonat aufgeteilt. Jedes Segment bedeutet, dass die gesamte Formelkette für eine gefilterte Teilmenge neu aufgebaut werden muss. Meistens gibt es mehr Segmente, die eine Überprüfung wert wären, als man Geduld aufbringen kann, sodass die meisten ungeprüft bleiben.

Die erneute Durchführung ist das zweite Problem. Die Datei des nächsten Quartals hat mehr Zeilen und oft anders benannte Spalten. Das Retention-Raster, dessen Erstellung einen Nachmittag gedauert hat, muss in seinen Bereichen erweitert und die Formeln müssen überprüft werden. Ein übersehener Bereich ist im Ergebnis unsichtbar, was die Sache so gefährlich macht.

Und die Annahmen sind unsichtbar. Sechs Monate später zeigt die Datei eine Zahl, und niemand erinnert sich mehr daran, ob sie auf dem Umsatz oder der Marge basierte oder welches Churn-Zeitfenster verwendet wurde. So landet eine veraltete Zahl in einer Präsentation für den Vorstand.

Es gibt auch ein subtileres Problem. Da das Modell aufwendig neu zu erstellen ist, wird es meist nur einmal ausgeführt und dann ein Jahr lang zitiert. Der Lifetime Value ist keine Konstante. Er verändert sich, wenn sich die Preise ändern, wenn sich der Akquisitions-Mix hin zu einem günstigeren Kanal verschiebt und wenn eine Produktänderung die Kundenbindung beeinflusst. Eine im letzten Frühjahr berechnete Zahl beschreibt möglicherweise ein Unternehmen, das so gar nicht mehr existiert.

So berechnen Sie den Customer Lifetime Value mit Powerdrill Bloom

Schritt 1: Laden Sie Ihre Daten hoch

Laden Sie die Transaktions-CSV direkt hoch. Powerdrill Bloom analysiert die Spalten, sodass Sie bestätigen können, dass Sie eine brauchbare Kundenkennung und eine saubere Datumsspalte haben, bevor eine Gruppierung stattfindet.

Schritt 2: Beschreiben Sie die Berechnung in natürlicher Sprache

Formulieren Sie die Regeln so, wie Sie es einem Kollegen erklären würden. Behandeln Sie Kunden ohne Kauf in den letzten zwölf Monaten als inaktiv, wenden Sie diesen Bruttomargen-Prozentsatz an und berechnen Sie den Lifetime Value nach Akquisitionskanal. Stellen Sie dann die entscheidenden Folgefragen – wie sich die Zahl zwischen dem oberen und dem unteren Quartil unterscheidet oder wie sie sich über die verschiedenen Akquisitionskohorten hinweg verändert hat.

Schritt 3: Exportieren Sie das Diagramm, den Bericht oder die Präsentation

Exportieren Sie die Tabelle pro Segment, die dahinter liegende Bindungskurve oder eine schriftliche Zusammenfassung, in der die Annahmen direkt neben der Zahl festgehalten sind.

Warum dies besser ist, als das Modell jedes Quartal neu zu erstellen

	Weg über die Tabellenkalkulation	Powerdrill Bloom
Segmentierung nach Kanal	Formelkette pro Segment neu aufbauen	Einfach zur Anfrage hinzufügen
Änderung des Churn-Zeitfensters	Retention-Raster überarbeiten	Erneut mit neuem Zeitfenster anfragen
Festhalten von Annahmen	Manuelle Notiz, oft fehlend	In der Anfrage festgehalten
Datei des nächsten Quartals	Bereiche erweitern, Formeln prüfen	Hochladen und erneut anfragen

Die zweite Zeile ist diejenige, die Ihre Erkenntnisse grundlegend verändert. Ein Churn-Zeitfenster von zwölf Monaten und eines von sechs Monaten können sehr unterschiedliche Lifetime-Value-Werte liefern. Der ehrliche Weg, damit umzugehen, besteht darin, beide Varianten durchzuspielen und zu sehen, ob Ihre Schlussfolgerung Bestand hat. In einer Tabellenkalkulation macht das niemand zweimal.

Häufige Fehler

Umsatz statt Marge verwenden. Ein umsatzbasierter Lifetime Value schmeichelt jedem Unternehmen und verzerrt jeden Vergleich mit den Akquisitionskosten massiv.

Alle Kunden in einer einzigen Zahl zusammenfassen. Der Durchschnitt über einen Kundenstamm mit sehr unterschiedlichen Segmenten beschreibt keinen realen Kunden. Segmentieren Sie, bevor Sie Schlussfolgerungen ziehen.

Die Lebensdauer schätzen. „Etwa zwei Jahre“ ist der am häufigsten verwendete und am wenigsten belastbare Wert. Leiten Sie ihn stattdessen aus Ihrer eigenen Bindungskurve ab, selbst wenn diese Kurve noch kurz ist.

Den Überlebenseffekt (Survivor Effect) ignorieren. Der historische Lifetime Value berücksichtigt nur Kunden, die bereits existierten, was zu einer Verzerrung zugunsten von Kunden mit langer Betriebszugehörigkeit führt. Eine kohortenbasierte Berechnung vermeidet dies.

Den Wert ohne CAC ausweisen. Ein Lifetime Value von $900 bedeutet nichts, solange Sie nicht wissen, ob die Akquisition $90 oder $800 gekostet hat.

Die Zahl als dauerhaft betrachten. Berechnen Sie den Wert neu, wann immer sich Preise, Produkt oder Akquisitions-Mix wesentlich ändern. Eine aus dem Vorjahr fortgeschriebene Zahl ist nur eine Schätzung mit einem Komma dahinter.

Fazit

Die Berechnung des Customer Lifetime Value aus einer CSV-Datei erfolgt in drei Schritten. Durchschnittlicher Bestellwert und Kaufhäufigkeit, eine Bindungskurve aus Ihren eigenen Kohorten, dann die Marge und das Verhältnis zu den Akquisitionskosten. In einer Tabellenkalkulation funktioniert das – bis zu dem Moment, in dem Sie eine Segmentierung benötigen oder ein anderes Churn-Zeitfenster testen wollen.

Wenn das Modell nur dann neu erstellt wird, wenn jemand in einem Meeting danach fragt, probieren Sie Powerdrill Bloom für Ihren Transaktionsexport. Unsere Seite zum CSV AI Assistant beschreibt den gesamten Workflow, und der Artikel über das Umwandeln einer CSV in ein Diagramm befasst sich mit der visuellen Ausgabe.

Häufig gestellte Fragen

Wie lautet die Formel für den Customer Lifetime Value?

Multiplizieren Sie den durchschnittlichen Bestellwert mit der Kaufhäufigkeit und der durchschnittlichen Kundenlebensdauer, und multiplizieren Sie das Ergebnis dann mit der Bruttomarge. Die Verwendung des Umsatzes anstelle der Marge bläht das Ergebnis auf und macht jeden Vergleich mit den Akquisitionskosten unzuverlässig.

Wie berechne ich den Customer Lifetime Value in Excel?

Gruppieren Sie die Transaktionsdatei nach der Kundenkennung, um die Anzahl der Bestellungen und die Gesamtsummen zu erhalten. Erstellen Sie ein Kohorten-Retention-Raster, um die Lebensdauer abzuleiten, und kombinieren Sie dann die drei Eingabewerte. Das Retention-Raster ist der mühsame Teil und muss bei jeder Änderung des Zeitfensters neu erstellt werden.

Was ist der Unterschied zwischen historischem und prädiktivem LTV?

Der historische LTV summiert das, was Kunden bereits ausgegeben haben. Er untertreibt daher immer und ist leicht zu verteidigen. Der prädiktive LTV schätzt die zukünftigen Ausgaben auf der Grundlage einer Bindungsannahme, was ihn für die Planung nützlicher, aber auch anfälliger für Fehler macht.

Was ist ein gutes LTV-zu-CAC-Verhältnis?

Das am häufigsten genannte Ziel liegt bei drei zu eins, aber das hängt von Ihrer Margenstruktur und der Amortisationszeit ab. Die nützlichere Frage ist, wie viele Monate ein Kunde benötigt, um seine Akquisitionskosten wieder einzuspielen.

Wie gehe ich mit Kunden um, die in letzter Zeit nichts gekauft haben?

Definieren Sie ein Churn-Zeitfenster und wenden Sie es konsistent an – zwölf Monate ohne Kauf ist eine gängige Regel für transaktionsbasierte Unternehmen. Halten Sie das Zeitfenster neben der Kennzahl fest, da eine Änderung den Lifetime Value erheblich beeinflussen kann.