如何透過 CSV 計算顧客終身價值（步驟詳解）
要從交易 CSV 計算客戶終身價值，需要算出平均訂單金額、購買頻率和客戶壽命。將這三者相乘，然後乘以您的毛利率。運算過程非常簡單，但關鍵在於判斷——哪些客戶算作已流失，以及要回顧過去還是預測未來——這決定了得出的答案是否有用。
兩個團隊可以在同一個檔案上執行相同的公式，卻得出相差三倍的兩個數字。兩者都沒有錯，只是他們在不知不覺中回答了不同的問題。
本指南將介紹您所需的輸入資料、手動計算的三個階段，以及試算表方法在何處會開始不敷使用。
開始之前您需要準備什麼
您需要一份交易級別的匯出檔案：每行代表一筆訂單，包含客戶識別碼、訂單日期和訂單金額。按月彙總的資料是行不通的，因為終身價值本質上是關於個別客戶隨著時間推移的行為表現。
在套用任何公式之前，必須先做出兩個決定，這兩個決定對答案的影響比任何計算都還要大。
歷史或預測。 歷史客戶終身價值加總了客戶迄今為止的實際消費金額。預測型則是估算他們未來的消費金額。歷史數據有據可查，但總是會低估；預測數據對預算編列更有用，但完全取決於您的留存假設。
什麼算作流失。 對於訂閱制業務來說這很簡單——即取消訂閱的日期。對於交易型業務，由於沒有取消事件，因此您需要制定一個規則。例如，將 12 個月內未購買的客戶視為流失。選擇一個時間窗口並記錄下來。
一個好的結果看起來會像這樣：您會得到一張每個客戶的表格，其中包含總消費額、訂單數、首次和末次訂單日期以及分群標籤。旁邊則是一個核心數據，並註明了毛利假設。
如何手動計算
選項 1：算出平均訂單金額和購買頻率
依客戶識別碼對交易檔案進行群組。針對每個客戶，加總訂單金額並計算訂單數量。平均訂單金額是總營收除以整個客戶群的總訂單數。購買頻率則是總訂單數除以該期間內的去重客戶數。
這裡的陷阱在於「期間」。以 12 個月衡量的頻率與以完整歷史記錄衡量的頻率是不同的數字，將它們混入同一個公式中會產生毫無意義的結果。請先確定時間窗口，並始終如一地使用它。
選項 2：加入留存曲線
客戶壽命是大多數人最常憑空猜測的輸入值。有據可查的版本來自您自己的資料：按獲客月份對客戶進行群組，然後計算在隨後的每個月中仍有多少客戶保持活躍。
這樣就能得到一條留存曲線。平均壽命大約是曲線下的面積——在試算表中，就是每月留存率的總和。如果 100 名客戶在三個月內的留存率分別為 80%、65% 和 55%，您就是在逐月累積壽命，而不是假設一個整數。我們關於建立同期群留存圖表的指南介紹了圖表製作方面的方法，而什麼是同期群分析則介紹了其概念。
選項 3：將其轉化為 LTV 和 LTV:CAC 比率
將平均訂單金額乘以購買頻率再乘以客戶壽命，然後乘以毛利率。基於營收的終身價值會高估該數值，有時甚至非常嚴重，因為它將低毛利產品與高毛利產品同等對待。
然後除以客戶取得成本。這個比率正是該數字的意義所在。孤立的終身價值只是無足輕重的數據；將終身價值與您為取得客戶所支付的成本進行對比，才能輔助決策。
手動方法在何處會遇到瓶頸
資料分群是這種方法失效的地方。單一的混合數據會將您最好和最差的同期群平均成一個毫無參考價值的數字。真正有用的版本是按管道、按方案或按獲客月份進行細分。每個細分群體都意味著需要針對篩選後的子集重新建立整個公式鏈。通常值得檢查的細分群體比任何人的耐心還要多，因此大多數群體最終都未經檢查。
重新執行是第二個問題。下個季度的檔案會有更多行，而且欄位名稱通常也會不同。花了一個下午建立的留存網格需要擴大其範圍並重新檢查公式。遺漏的範圍在輸出結果中是看不出來的，這正是其危險之處。
而且假設是隱形的。六個月後，檔案顯示了一個數字，卻沒有人記得它是基於營收還是毛利，或者使用了什麼流失窗口。這就是為什麼過時的數據最終會出現在董事會簡報中。
還有一個更隱蔽的失敗之處。因為重建模型的成本很高，所以人們往往只執行一次，然後引用一整年。終身價值並不是一個常數。當定價改變、獲客組合轉向更便宜的管道，或者產品變更改變了留存率時，它都會隨之變動。去年春天計算出來的數字，描述的可能是一個已經不復存在的業務。
如何使用 Powerdrill Bloom 計算客戶終身價值
步驟 1：上傳您的資料
直接上傳交易 CSV。Powerdrill Bloom 會分析欄位特徵，因此您可以在進行任何群組操作之前，確認您擁有可用的客戶識別碼和乾淨的日期欄位。
步驟 2：用自然語言描述計算方式
就像對同事說話一樣陳述規則。例如：將 12 個月內未購買的客戶視為流失、套用此毛利率百分比，並按獲客管道計算終身價值。然後提出關鍵的後續問題——例如前四分之一和後四分之一群體之間的數據有何差異，或者該數據在不同的獲客同期群中是如何變化的。
步驟 3：匯出圖表、報告或簡報
匯出每個細分群體的表格、其背後的留存曲線，或是附帶記錄了假設條件的書面摘要。
為什麼這比每季度重建模型更好
| 試算表方法 | Powerdrill Bloom | |
|---|---|---|
| 按管道進行細分 | 針對每個細分群體重建公式鏈 | 直接加入請求中 |
| 變更流失窗口 | 重新調整留存網格 | 使用新的窗口重新提問 |
| 記錄假設條件 | 手動記錄，且經常遺漏 | 已在請求中說明 |
| 下個季度的檔案 | 擴大範圍，檢查公式 | 上傳並重新提問 |
第二行是改變您所學到內容的關鍵。12 個月的流失窗口和 6 個月的流失窗口可能會產生非常不同的終身價值。誠實的面對方式是兩者都執行，看看您的結論是否依然成立。但在試算表中，沒有人會願意做兩次。
常見錯誤
使用營收而非毛利。 基於營收的終身價值會美化每家企業的表現，並嚴重扭曲與取得成本的任何比較。
將所有客戶混為單一數據。 在包含極其不同細分群體的客戶群中取平均值，無法描述任何真實的客戶。在得出結論之前，請先進行分群。
憑空猜測壽命。 「大約兩年」是最常見的輸入值，也是最站不住腳的。相反地，應該從您自己的留存曲線中推導出來，即使該曲線很短。
忽略倖存者效應。 歷史終身價值僅計算已經存在的客戶，這會向留存時間長的客戶傾斜。基於同期群的計算可以避免這種情況。
在沒有 CAC 的情況下進行報告。 在您知道取得成本是 $90 還是 $800 之前， $900 的終身價值沒有任何意義。
將該數據視為一成不變。 每當定價、產品或獲客組合發生重大變化時，請重新計算。從去年延用至今的數字，只是一個帶著小數點的猜測。
結論
從 CSV 計算客戶終身價值需要三個階段：平均訂單金額和頻率、來自您自己同期群的留存曲線，然後是毛利以及與取得成本的比率。在試算表中執行是可行的——直到您需要對其進行細分，或需要測試不同的流失窗口。
如果只有在有人在會議中要求時才重建模型，請針對您的交易匯出檔案嘗試使用 Powerdrill Bloom。我們的 CSV AI 助手頁面介紹了更廣泛的工作流程，而將 CSV 轉換為圖表則介紹了視覺化輸出。
常見問題
客戶終身價值的計算公式是什麼？
將平均訂單金額乘以購買頻率再乘以平均客戶壽命，然後乘以毛利率。使用營收而非毛利會誇大結果，並使與取得成本的任何比較變得不可靠。
如何在 Excel 中計算客戶終身價值？
依客戶識別碼對交易檔案進行群組，以取得訂單數量和總額。建立同期群留存網格以推導出壽命，然後結合這三個輸入值。留存網格是最費工的部分，每當窗口改變時都需要重建。
歷史 LTV 與預測 LTV 有何不同？
歷史數據加總了客戶已經消費的金額，因此它總是會低估，但很容易佐證。預測數據則是根據留存假設估算未來的消費，這使其對規劃更有用，但也更容易出錯。
什麼是好的 LTV 與 CAC 比率？
通常被引用的目標是 3:1，但這取決於您的毛利結構 and 回收期。更有用的問題是，客戶需要多少個月才能償還其取得成本。
如何處理最近沒有購買的客戶？
定義一個流失窗口並始終如一地套用——對於交易型業務，12 個月未購買是一個常見的規則。請在數據旁邊記錄該窗口，因為變更它會大幅改變終身價值。