如何通过 CSV 计算客户终身价值（分步指南）

要从交易 CSV 中计算客户终身价值，需要算出平均订单价值、购买频率和客户寿命。将这三者相乘，然后乘以毛利率。计算过程很简单，但关键在于判断——哪些客户算作流失，以及是采用历史数据还是预测数据——这些决定了最终结果是否有用。

两个团队可以在同一个文件上运行相同的公式，却得出相差三倍的两个数据。这两种方法都没有错，只是他们无意中回答了不同的问题。

本指南将介绍您所需的输入数据、分三个阶段的手动计算方法，以及电子表格方法在何处开始不再适用。

开始之前需要准备什么

您需要一份交易级导出的数据：每行代表一笔订单，包含客户标识符、订单日期和订单金额。按月汇总的数据是行不通的，因为终身价值从根本上讲是关于单个客户随时间推移的行为表现。

在应用任何公式之前，需要先做两个决定，它们对结果的影响比任何计算都要大。

历史型还是预测型。 历史客户终身价值统计的是客户迄今为止的实际消费总额。预测型则是估算他们未来的消费额。历史型数据有据可查，但总是偏低；预测型数据对预算编制更有用，但完全取决于您的留存假设。

什么算作流失。 对于订阅制业务来说这很简单——即取消订阅的日期。对于交易型业务，由于没有明确的取消事件，因此需要制定一个规则。例如，将 12 个月内未进行购买的客户视为流失。选择一个时间窗口并记录下来。

一个好的结果应该像这样：您会得到一张包含每个客户的总消费额、订单数、首次和末次订单日期以及细分标签的表格。旁边是一个核心指标，并注明了所采用的利润率假设。

如何手动计算

方案 1：计算平均订单价值和购买频率

按客户标识符对交易文件进行分组。针对每个客户，求出订单金额的总和并统计订单数量。平均订单价值是总收入除以客户群的订单总数。购买频率是总订单数除以该期间内的去重客户数。

这里的陷阱在于时间周期。在 12 个月内衡量的频率与在完整历史记录中衡量的频率是不同的数字，将它们混入同一个公式中会得出毫无意义的结果。请先确定时间窗口，并保持前后一致。

方案 2：加入留存曲线

客户寿命是大多数人靠猜测得出的输入值。而有说服力的数据版本应该来自您自己的数据：按获取月份对客户进行分组，然后统计在随后的每个月中仍有多少客户保持活跃。

这样就可以得到一条留存曲线。平均寿命大致相当于曲线下方的面积——在电子表格中，即每月留存率的总和。如果 100 个客户在三个月内的留存率分别为 80%、65% 和 55%，那么您是在逐月累加寿命，而不是假设一个整数。我们关于如何从用户数据创建同期群留存图表的指南介绍了图表制作方面的内容，而什么是同期群分析则介绍了这一概念。

方案 3：将其转化为 LTV 以及 LTV:CAC 比率

将平均订单价值、购买频率和寿命相乘，然后再乘以毛利率。基于收入的终身价值会高估该指标（有时甚至非常严重），因为它将低利润率产品与高利润率产品同等对待。

然后除以客户获取成本。这个比率正是该指标的意义所在。孤立的终身价值毫无意义；将终身价值与您为获取客户所支付的成本进行对比，才能辅助决策。

手动计算在何处会遇到瓶颈

细分是这种方法失效的地方。单一的混合数据会将您最好和最差的同期群平均成一个毫无信息量的值。真正有用的版本是按渠道、按方案或按获取月份进行细分。每个细分维度都意味着需要针对过滤后的子集重新构建整个公式链。通常值得检查的细分维度比任何人的耐心还要多，因此大多数维度最终都未被检查。

重新运行是第二个问题。下个季度的数据文件会有更多行，而且列名通常也会有所不同。花了一个下午构建的留存网格需要扩大范围并重新检查公式。遗漏的范围在输出结果中是看不出来的，这正是其危险所在。

而且，假设条件是不可见的。六个月后，文件里显示了一个数字，却没有人记得它是基于收入还是利润率计算的，或者使用了什么流失窗口。这就是陈旧的数据最终出现在董事会汇报 PPT 中的原因。

还有一个更隐蔽的弊端。由于重新构建模型的成本很高，人们往往只运行一次，然后引用一整年。终身价值并不是一个常数。当定价发生变化、获客渠道转向更便宜的渠道，或者产品更新改变了留存率时，它都会发生波动。去年春天计算出的数据，描述的可能是一个已经不复存在的业务现状。

如何使用 Powerdrill Bloom 计算客户终身价值

第 1 步：上传您的数据

直接上传交易 CSV。Powerdrill Bloom 会对列进行分析，因此您可以在进行任何分组之前，确认是否拥有可用的客户标识符和干净的日期列。

第 2 步：用自然语言描述计算规则

像向同事交代工作一样说明规则。例如：将 12 个月内没有购买行为的客户视为流失，应用此毛利率百分比，并按获取渠道计算终身价值。然后提出关键的后续问题——例如该数据在前 25% 和后 25% 的客户群之间有何差异，或者它在不同的获取同期群中是如何变化的。

第 3 步：导出图表、报告或幻灯片

导出每个细分维度的表格、其背后的留存曲线，或者一份在数字旁记录了假设条件的书面总结。

为什么这比每季度重新构建模型更好

	电子表格方法	Powerdrill Bloom
按渠道细分	为每个细分维度重新构建公式链	直接添加到请求中
更改流失窗口	重新调整留存网格	使用新的窗口重新提问
记录假设条件	手动备注，经常遗漏	在请求中直接说明
下季度的数据文件	扩大范围，检查公式	上传并重新提问

第二行是改变您认知关键所在。12 个月的流失窗口和 6 个月的流失窗口可能会得出截然不同的终身价值。客观的处理方法是同时运行两者，看看您的结论是否依然成立。但在电子表格中，没有人会愿意重复做两次。

常见错误

使用收入而非利润率。 基于收入的终身价值会让每家企业的账面数据都很好看，但会严重扭曲与获取成本的对比。

将所有客户混为一个数据。 在细分群体差异极大的客户群中取平均值，无法描述任何真实的客户。在得出结论之前，请先进行细分。

靠猜测得出寿命。 “大约两年”是最常见的输入值，也是最站不住脚的。相反，应该从您自己的留存曲线中推导出来，即使该曲线很短。

忽视幸存者效应。 历史终身价值只计算已经存在的客户，这会向生命周期长的客户倾斜。基于同期群的计算可以避免这一问题。

汇报时脱离 CAC。 在不知道获取成本是 $90 还是 $800 之前，一个 $900 的终身价值毫无意义。

将该数据视为一成不变。 每当定价、产品或获取渠道组合发生重大变化时，都应重新计算。从去年沿用至今的数据，不过是一个带小数点的猜测。

结论

从 CSV 计算客户终身价值需要三个阶段：平均订单价值和频率、来自您自己同期群的留存曲线，然后是利润率以及与获取成本的比率。在电子表格中做这些是可行的——直到您需要对其进行细分，或者需要测试不同的流失窗口。

如果只有在有人在会议上要求时才重新构建模型，不妨在您的交易导出数据上尝试使用 Powerdrill Bloom。我们的 CSV AI assistant 页面涵盖了更广泛的工作流程，而将 CSV 转换为图表则介绍了可视化输出。

常见问题解答

客户终身价值的计算公式是什么？

将平均订单价值、购买频率和平均客户寿命相乘，然后再乘以毛利率。使用收入而非利润率会夸大结果，并使与获取成本的任何对比变得不可靠。

如何在 Excel 中计算客户终身价值？

按客户标识符对交易文件进行分组，以获取订单数量 and 总额。构建一个同期群留存网格以推导寿命，然后将这三个输入值结合起来。留存网格是最费力的部分，每当窗口发生变化时都需要重新构建。

历史 LTV 和预测 LTV 有什么区别？

历史 LTV 统计的是客户已经消费的总额，因此它总是偏低且易于证实。预测 LTV 则根据留存假设估算未来的消费额，这使其对规划更有用，但也更容易因假设偏差而产生误差。

什么样的 LTV 与 CAC 比率算好？

通常被引用的目标是 3:1，但这取决于您的利润结构和回收期。更有价值的问题是，客户需要多少个月才能收回其获取成本。

如何处理近期没有购买行为的客户？

定义一个流失窗口并保持一致应用——对于交易型业务，12 个月无购买行为是一个常见的规则。在数据旁边记录下该窗口，因为更改它会大幅改变终身价值。