Cara Menghitung Customer Lifetime Value dari CSV (Langkah demi Langkah)
Untuk menghitung customer lifetime value dari CSV transaksi, hitung rata-rata nilai pesanan, frekuensi pembelian, dan masa hidup pelanggan. Kalikan ketiganya, lalu terapkan margin kotor Anda. Perhitungannya sangat mudah. Keputusan subjektif—seperti pelanggan mana yang dianggap churn, dan apakah akan melihat ke belakang atau ke depan—menentukan apakah jawaban yang diperoleh akan berguna.
Dua tim dapat menjalankan rumus yang sama pada file yang sama dan menghasilkan dua angka yang berbeda hingga tiga kali lipat. Tidak ada yang salah. Mereka menjawab pertanyaan yang berbeda tanpa menyadarinya.
Panduan ini membahas input yang Anda butuhkan, perhitungan manual dalam tiga tahap, dan batas di mana metode spreadsheet tidak lagi memadai.
Apa yang Anda butuhkan sebelum memulai
Anda memerlukan ekspor data tingkat transaksi: satu baris per pesanan, yang berisi pengidentifikasi pelanggan, tanggal pesanan, dan nilai pesanan. Ringkasan bulanan tidak akan berfungsi, karena lifetime value pada dasarnya adalah tentang bagaimana perilaku pelanggan individu dari waktu ke waktu.
Dua keputusan harus diambil sebelum menerapkan rumus apa pun, dan keputusan ini lebih memengaruhi hasil akhir dibandingkan perhitungan itu sendiri.
Historis atau prediktif. Customer lifetime value historis menjumlahkan apa yang sebenarnya telah dibelanjakan pelanggan sejauh ini. Prediktif memperkirakan apa yang akan mereka belanjakan di masa depan. Metode historis lebih dapat dipertanggungjawabkan dan selalu menghasilkan angka yang lebih rendah; metode prediktif lebih berguna untuk penganggaran dan sepenuhnya bergantung pada asumsi retensi Anda.
Apa yang dihitung sebagai churn. Untuk bisnis berlangganan, ini mudah—tanggal pembatalan. Untuk bisnis transaksional, tidak ada peristiwa pembatalan, jadi Anda memerlukan aturan khusus. Misalnya, pelanggan yang tidak melakukan pembelian dalam dua belas bulan dianggap telah berhenti (lapsed). Tentukan batas waktu ini dan catat.
Hasil yang baik akan terlihat seperti ini. Anda mendapatkan tabel per pelanggan yang berisi total pengeluaran, jumlah pesanan, tanggal pesanan pertama dan terakhir, serta label segmen. Di sampingnya terdapat angka utama dengan asumsi margin yang tertera di dekatnya.
Cara melakukannya secara manual
Opsi 1: Hitung rata-rata nilai pesanan dan frekuensi pembelian
Kelompokkan file transaksi berdasarkan pengidentifikasi pelanggan. Untuk setiap pelanggan, jumlahkan nilai pesanan dan hitung jumlah pesanannya. Rata-rata nilai pesanan adalah total pendapatan dibagi dengan total pesanan di seluruh basis pelanggan. Frekuensi pembelian adalah total pesanan dibagi dengan jumlah pelanggan unik selama periode tersebut.
Jebakan di sini adalah periode waktu. Frekuensi yang diukur selama dua belas bulan dan frekuensi yang diukur selama seluruh riwayat transaksi menghasilkan angka yang berbeda, dan mencampurnya ke dalam satu rumus akan menghasilkan sesuatu yang tidak berarti. Tentukan batas waktunya terlebih dahulu dan gunakan secara konsisten.
Opsi 2: Tambahkan kurva retensi
Masa hidup pelanggan adalah input yang paling sering ditebak oleh orang-orang. Versi yang dapat dipertanggungjawabkan berasal dari data Anda sendiri: kelompokkan pelanggan berdasarkan bulan akuisisi, lalu hitung berapa banyak yang masih aktif di setiap bulan berikutnya.
Langkah ini akan menghasilkan kurva retensi. Rata-rata masa hidup pelanggan kira-kira adalah area di bawah kurva tersebut—dalam spreadsheet, ini adalah jumlah dari tingkat retensi bulanan. Jika 100 pelanggan bertahan sebesar 80%, 65%, dan 55% selama tiga bulan, Anda mengumpulkan masa hidup bulan demi bulan, alih-alih mengasumsikan angka bulat. Panduan kami tentang cara membuat bagan retensi kohort membahas aspek bagan ini, dan apa itu analisis kohort membahas konsepnya.
Opsi 3: Ubah menjadi LTV dan rasio LTV:CAC
Kalikan rata-rata nilai pesanan dengan frekuensi pembelian dan masa hidup pelanggan, lalu kalikan dengan margin kotor. Lifetime value berbasis pendapatan sering kali menghasilkan angka yang terlalu tinggi, bahkan terkadang sangat melenceng, karena memperlakukan produk bermargin rendah sama dengan produk bermargin tinggi.
Kemudian bagi dengan biaya akuisisi pelanggan (customer acquisition cost). Rasio itulah yang menjadi tujuan dari perhitungan angka ini. Lifetime value yang berdiri sendiri hanyalah sekadar informasi; lifetime value yang dibandingkan dengan biaya yang Anda keluarkan untuk mendapatkannya adalah sebuah dasar keputusan.
Di mana metode manual mulai menemui hambatan
Segmentasi adalah titik di mana metode ini mulai kewalahan. Satu angka rata-rata gabungan akan mencampur kohort terbaik dan terburuk Anda menjadi satu angka yang tidak informatif. Versi yang berguna adalah per saluran, per paket, atau per bulan akuisisi. Setiap segmen berarti Anda harus membangun kembali seluruh rangkaian rumus berdasarkan subset data yang difilter. Biasanya ada lebih banyak segmen yang layak diperiksa daripada kesabaran yang dimiliki seseorang, sehingga sebagian besar segmen akhirnya tidak diperiksa.
Menjalankan ulang perhitungan adalah masalah kedua. File kuartal berikutnya akan memiliki lebih banyak baris dan, sering kali, nama kolom yang berbeda. Kisi retensi yang membutuhkan waktu sepanjang sore untuk dibuat perlu diperluas rentangnya dan diperiksa ulang rumusnya. Rentang yang terlewat tidak akan terlihat pada hasil akhir, dan inilah yang membuatnya berbahaya.
Selain itu, asumsi-asumsi yang digunakan menjadi tidak terlihat. Enam bulan kemudian, file tersebut menunjukkan sebuah angka, dan tidak ada yang ingat apakah angka itu berbasis pendapatan atau margin, atau batas waktu churn apa yang digunakan. Begitulah cara angka yang usang akhirnya masuk ke dalam presentasi direksi.
Ada juga kegagalan yang lebih halus. Karena model ini membutuhkan biaya dan waktu yang besar untuk dibangun kembali, model ini cenderung hanya dijalankan sekali lalu dikutip selama setahun penuh. Lifetime value bukanlah angka yang konstan. Angka ini berubah ketika harga berubah, ketika bauran akuisisi bergeser ke saluran yang lebih murah, dan ketika perubahan produk memengaruhi retensi. Angka yang dihitung musim semi lalu mungkin menggambarkan bisnis yang sudah tidak ada lagi saat ini.
Cara menghitung customer lifetime value dengan Powerdrill Bloom
Langkah 1: Unggah data Anda
Unggah CSV transaksi secara langsung. Powerdrill Bloom akan menganalisis kolom-kolom tersebut, sehingga Anda dapat memastikan bahwa Anda memiliki pengidentifikasi pelanggan yang dapat digunakan dan kolom tanggal yang bersih sebelum pengelompokan apa pun dilakukan.
Langkah 2: Deskripsikan perhitungan dalam bahasa alami
Sampaikan aturan-aturannya seperti yang Anda lakukan kepada rekan kerja. Anggap pelanggan tanpa pembelian dalam dua belas bulan sebagai lapsed, terapkan persentase margin kotor ini, dan hitung lifetime value berdasarkan saluran akuisisi. Kemudian ajukan pertanyaan lanjutan yang penting—bagaimana perbedaan angka tersebut antara kuartil atas dan bawah, atau bagaimana perubahannya di berbagai kohort akuisisi.
Langkah 3: Ekspor bagan, laporan, atau slide presentasi
Dapatkan tabel per segmen, kurva retensi di baliknya, atau ringkasan tertulis dengan asumsi yang dicatat bersama angka tersebut.
Mengapa cara ini jauh lebih baik daripada membangun kembali model setiap kuartal
| Metode spreadsheet | Powerdrill Bloom | |
|---|---|---|
| Segmentasi berdasarkan saluran | Membangun kembali rangkaian rumus per segmen | Tambahkan ke dalam permintaan |
| Mengubah batas waktu churn | Mengerjakan ulang kisi retensi | Tanyakan lagi dengan batas waktu baru |
| Mencatat asumsi | Catatan manual, sering kali terlewat | Tercantum dalam permintaan |
| File kuartal berikutnya | Perluas rentang, periksa rumus | Unggah dan tanyakan kembali |
Baris kedua adalah bagian yang mengubah apa yang Anda pelajari. Batas waktu churn dua belas bulan dan batas waktu enam bulan dapat menghasilkan lifetime value yang sangat berbeda. Cara paling jujur untuk menyikapinya adalah dengan menjalankan keduanya dan melihat apakah kesimpulan Anda tetap sama. Di spreadsheet, tidak ada orang yang mau melakukannya dua kali.
Kesalahan umum
Menggunakan pendapatan alih-alih margin. Lifetime value berbasis pendapatan akan memperindah performa bisnis apa pun dan sangat mendistorsi perbandingan dengan biaya akuisisi.
Menggabungkan semua pelanggan menjadi satu angka. Rata-rata dari seluruh basis pelanggan dengan segmen yang sangat berbeda tidak menggambarkan pelanggan yang sebenarnya. Lakukan segmentasi sebelum Anda menarik kesimpulan.
Menebak masa hidup pelanggan. "Sekitar dua tahun" adalah input yang paling umum digunakan dan paling sulit dipertanggungjawabkan. Sebaliknya, dapatkan angka ini dari kurva retensi Anda sendiri, meskipun kurva tersebut masih pendek.
Mengabaikan efek penyintas (survivor effect). Lifetime value historis hanya menghitung pelanggan yang sudah ada, sehingga hasilnya condong ke pelanggan yang sudah lama bertahan. Perhitungan berbasis kohort dapat menghindari hal ini.
Melaporkannya tanpa CAC. Lifetime value sebesar $900 tidak berarti apa-apa sampai Anda mengetahui apakah biaya akuisisi sebesar $90 atau $800.
Menganggap angka tersebut tahan lama. Hitung kembali setiap kali ada perubahan material pada harga, produk, atau bauran akuisisi. Angka yang terus digunakan dari tahun lalu hanyalah sebuah tebakan yang diberi tanda desimal.
Kesimpulan
Menghitung customer lifetime value dari CSV membutuhkan tiga tahap. Rata-rata nilai pesanan dan frekuensi, kurva retensi dari kohort Anda sendiri, lalu margin dan rasio terhadap biaya akuisisi. Melakukannya di spreadsheet memang berhasil—sampai Anda perlu mensegmentasikannya, atau perlu menguji batas waktu churn yang berbeda.
Jika model tersebut hanya dibangun kembali saat seseorang memintanya dalam rapat, cobalah Powerdrill Bloom pada ekspor transaksi Anda. Halaman CSV AI assistant kami membahas alur kerja yang lebih luas, dan mengubah CSV menjadi bagan membahas hasil visualnya.
Pertanyaan yang sering diajukan
Apa rumus untuk customer lifetime value?
Kalikan rata-rata nilai pesanan dengan frekuensi pembelian dan rata-rata masa hidup pelanggan, lalu kalikan dengan margin kotor. Menggunakan pendapatan alih-alih margin akan menggelembungkan hasil dan membuat perbandingan dengan biaya akuisisi menjadi tidak andal.
Bagaimana cara menghitung customer lifetime value di Excel?
Kelompokkan file transaksi berdasarkan pengidentifikasi pelanggan untuk mendapatkan jumlah dan total pesanan. Bangun kisi retensi kohort untuk mendapatkan masa hidup pelanggan, lalu gabungkan ketiga input tersebut. Kisi retensi adalah bagian yang melelahkan dan perlu dibangun kembali setiap kali batas waktu berubah.
Apa perbedaan antara LTV historis dan prediktif?
LTV historis menjumlahkan apa yang telah dibelanjakan pelanggan, sehingga selalu menghasilkan angka yang lebih rendah dan mudah dipertanggungjawabkan. LTV prediktif memperkirakan pengeluaran di masa depan berdasarkan asumsi retensi, yang membuatnya lebih berguna untuk perencanaan tetapi lebih sensitif terhadap kesalahan.
What is a good LTV to CAC ratio?
Target yang umum dikutip adalah tiga banding satu, tetapi ini bergantung pada struktur margin dan periode pengembalian modal (payback period) Anda. Pertanyaan yang lebih berguna adalah berapa bulan yang dibutuhkan pelanggan untuk mengembalikan biaya akuisisi mereka.
Bagaimana cara menangani pelanggan yang sudah lama tidak melakukan pembelian?
Tentukan batas waktu churn dan terapkan secara konsisten—dua belas bulan tanpa pembelian adalah aturan umum untuk bisnis transaksional. Catat batas waktu tersebut di samping angka yang diperoleh, karena mengubahnya dapat menggeser nilai lifetime value secara signifikan.