Müşteri Yaşam Boyu Değeri (CLV): Formül ve Öngörülü Modeller

Müşteri yaşam boyu değeri (CLV), bir işletmenin tek bir müşteriden ilişkinin tamamı boyunca elde etmeyi bekleyebileceği toplam kârdır; müşterinin ne kadar harcadığı, ne sıklıkla alışveriş yaptığı ve ne kadar süre bağlı kaldığı hesaba katılır. Size bir müşteriyi kazanmak için ne kadar harcayıp yine de kârlı çıkabileceğinizin tavanını gösterir.

Ders kitabı tanımı bu kadar, ve bu konudaki çoğu yazı da tam burada bitiyor. Formül beş dakikada öğretilebilecek kadar basit. Onu gerçek bir müşteri tabanına, özellikle bankacılık ya da fintek alanında uygulamak ise işin asıl ilginç kısmı.

CLV (Müşteri Yaşam Boyu Değeri) Nedir?

CLV, çeyreklik gelirin cevaplayamadığı bir soruyu cevaplar: bu müşteri, onu kazanmak için harcanan paraya gerçekten değiyor mu? Bir kere 4.000 TL’lik alışveriş yapan bir müşteri, dört yıl boyunca ayda 1.000 TL harcayacak bir müşteriyle CLV hesaplanana kadar birebir aynı görünür. Hesaplama yapıldığı anda ikincisinin yaklaşık on iki kat daha değerli olduğu ortaya çıkar.

CLV’nin neredeyse her büyüme toplantısında müşteri edinme maliyetinin (CAC) yanında anılmasının nedeni de bu. CAC size ne harcadığınızı söyler. CLV ise karşılığında ne aldığınızı. İkisi birbirinden ayrı pek bir anlam ifade etmez.

Temel CLV Formülü

Formülün standart versiyonu üç girdiden oluşur:

CLV = Ortalama Satın Alma Değeri × Satın Alma Sıklığı × Müşteri Yaşam Süresi

Gerçek rakamlarla nasıl göründüğüne bakalım:

Ortalama satın alma değerini sıklıkla çarptığınızda yıllık müşteri değerini bulursunuz, bu örnekte 10.000 TL. Bunu yaşam süresiyle çarptığınızda CLV’ye ulaşırsınız. E-ticaret, SaaS ve perakende işletmelerinin yıllardır kullandığı mantık bu, ve başlangıç noktası olarak gayet iş görüyor.

Temel Formül Nerede Yetersiz Kalıyor

Formül, her müşterinin ortalama bir müşteri gibi davrandığını varsayıyor. Gerçek müşteriler öyle davranmıyor. On yıl boyunca yılda bir kez alışveriş yapan biriyle altı ay boyunca haftada bir alışveriş yapan biri, aynı ortalama satın alma sıklığını üretebilir; oysa ikisinin temsil ettiği değer ve risk tamamen farklıdır.

Formül ayrıca müşteri yaşam süresini bilinen bir sayı olarak ele alıyor, halbuki bu tahmin edilmesi en zor kısım. Paranın zaman değerini de tamamen görmezden geliyor. Beş yıl sonraki bir liralık kâr, bugünkü bir lira ile aynı değerde değildir; ama temel formül gelecekteki nakit akışlarını iskonto etmediği için uzun ilişkilerde CLV’yi olduğundan yüksek gösterme eğiliminde.

Banka ya da fintek için işler daha da karmaşıklaşıyor. Bir vadesiz hesap müşterisinin tek bir satın alma sıklığı yok. Mevduatı, para çekmesi, konut kredisi başvurusu, kredi kartı talebi ve destek çağrısı var; hepsi farklı ritimlerde, bazen yıllar arayla gerçekleşiyor. Temel formül, tek ürünlü ve düzenli aralıklarla tekrarlanan satın alma örüntüleri için tasarlanmıştı. Bankacılık ilişkileri bunların hiçbiri değil.

Öngörülü CLV Modelleri: Daha Doğru Bir Yaklaşım

Bir pazarlama 101 dersini gerçek bir veri ekibinin üretime alabileceği bir şeyden ayıran kısım tam olarak burası.

BG/NBD ve Gamma-Gamma

Kısaca BG/NBD olarak anılan Beta-Geometrik/Negatif Binom Dağılımı modeli, Peter Fader, Bruce Hardie ve Ka Lok Lee tarafından 2005 yılında, Pareto/NBD adlı daha eski bir modele göre uygulaması daha kolay bir alternatif olarak tanıtıldı. Sabit bir satın alma sıklığı varsaymak yerine, her müşterinin alışveriş örüntüsünü ve ilişkiyi bırakma olasılığını müşteri tabanı genelinde rastgele dağılmış olarak ele alır; ardından belirli bir müşterinin hâlâ “aktif” olma ihtimalini ve ondan beklenen işlem sayısını tahmin eder.

BG/NBD yalnızca işlem sayısını tahmin eder. Gamma-Gamma adlı tamamlayıcı bir model ise bu gelecekteki işlemlerin her birinin ne kadar değerinde olacağını tahmin eder. İkisini bir araya getirdiğinizde, tek bir şirket ortalaması yerine gerçek satın alma geçmişine dayanan bir CLV tahmini elde edersiniz.

Her iki model de aboneliğin, müşterinin ne zaman ayrıldığını size söylemediği sözleşmesiz ilişkiler için tasarlandı. Bu tanım, çoğu perakende bankacılık ilişkisini oldukça iyi karşılıyor: bir müşteri, hesabını hiç resmen kapatmadan işlem yapmayı bırakabilir.

Makine Öğrenmesi Nerede Devreye Giriyor

BG/NBD ve Gamma-Gamma, sınırlı veriyle iyi çalışır ve teknik olmayan bir paydaşa anlatılması kolaydır; bu, insanların kabul ettiğinden daha önemli bir avantajdır. Özellikle gradient boosting ve sinir ağı yaklaşımları başta olmak üzere makine öğrenmesi modelleri, yeterli geçmiş veri olduğunda ve olasılıksal modellerin doğrudan ele alamadığı değişkenleri (kanal, ürün karması, kredi skoru, şube konumu, kampanya yanıt geçmişi) modele katmak istediğinizde bu iki modelin önüne geçebilir.

Ödünleşim her zamanki gibi: daha fazla değişken ve esneklik, daha az yorumlanabilirlik. Bir müşteriyi yüksek riskli olarak işaretleyen bir churn modeli, özellikle düzenlemeye tabi bir sektörde, birinin nedenini açıklayabilmesi durumunda gerçekten işe yarar. Bu, finansal hizmetlerde öngörülü analitiğe doğru daha geniş bir kaymanın parçası; makine öğrenmesi giderek statik, kural tabanlı skorlama yaklaşımlarını tamamlıyor ya da yerini alıyor.

Bankacılık ve Fintekte CLV Farklı Görünür

CLV içeriklerinin çoğu, bir müşterinin genellikle tek bir ürünü ve tek bir satın alma örüntüsü olduğu e-ticaret ve SaaS için yazılıyor. Finansal hizmet müşterileri nadiren bu şekilde çalışır. Tek bir perakende bankacılık müşterisi; her biri kendi marjı, risk profili ve churn davranışıyla, bir tasarruf hesabı, bir konut kredisi ve bir kredi kartı tutabilir.

Bankaların CLV’yi tek başına bir metrik olarak ele almak yerine daha geniş müşteri analitiğinin içine yerleştirme eğiliminde olmasının nedeni de bu. Örneğin GTech’in Symphony Analytics platformu, müşterileri sadece bakiyeye göre değil, kayıp riskine göre skorlayıp davranışa göre kümeliyor; bu da tek bir ortalama satın alma formülünün asla ulaşamayacağı gerçek bir yaşam boyu değer resmine daha çok yaklaşıyor. Bank of Kigali’nin yakın zamandaki veri altyapısı kurulumu, bunun gerçek dünyadan işe yarar bir örneği: önce kredi, müşteri ve mevduat verisini birleştirmek, sonra segmentasyon ve kişiselleştirmeyi bunun üzerine inşa etmek.

Bunların hiçbiri CLV kavramından vazgeçmeyi gerektirmiyor. Sadece formüldeki “müşterinin” aslında bir ürün demeti olduğu ve modelin bunu yansıtması gerektiği anlamına geliyor.

CLV vs. CAC: Asıl Önemli Olan Oran

Sıkça anılan bir kural, CLV ile CAC arasında 3:1 oranıdır; yani bir müşteri, onu kazanmak için harcanan tutarın en az üç katı değerinde olmalıdır. Bunun altında büyüme, sürdürmesi pahalı bir hâle gelir. Çok üzerinde ise muhtemelen müşteri edinmeye yeterince yatırım yapmıyor ve masada büyüme bırakıyorsunuzdur.

Oran, tek başına iki sayıdan daha kullanışlıdır. 100.000 TL’lik bir CLV, CAC’in 80.000 TL olduğunu öğrenene kadar harika görünür.

Müşteri Yaşam Boyu Değeri Nasıl Artırılır?

Elde tutma burada en yüksek kaldıraçlı araç, ve ekonomisi de genelde tekrarlanan sektör geneli istatistiğin ima ettiğinden çok daha somut. Bunun arkasındaki orijinal araştırma, Reichheld ve Sasser’in 1990 tarihli Harvard Business Review çalışması, müşteri kaybetme oranındaki yalnızca %5’lik bir azalmanın, spesifik olarak bir bankanın şube ağında kârı %85 artırdığını ortaya koydu; bu her sektör için geçerli evrensel bir kural olarak değil (Reichheld & Sasser, HBR 1990). CLV üzerine düşünen bir banka için bu, her yerde dolaşan abartılı “herkes için %25-95” versiyonundan çok daha isabetli bir rakam.

Elde tutmanın ötesinde, CLV’yi pratikte hareket ettiren üç kaldıraç var:

1. Çapraz satış ve sıradaki en iyi aksiyon. Genel bir segment yerine gerçek davranışa dayanarak doğru ürünü doğru müşteriye doğru zamanda önermek, edinme maliyetini artırmadan satın alma sıklığını yükseltir.

2. Erken churn tespiti. Risk altındaki bir müşteriyi ayrılmadan üç ay önce yakalamak, elde tutma ekibine harekete geçecek zaman kazandırır. Hesabı kapattığı hafta yakalamak kazandırmaz.

3. Segmente özel kişiselleştirme. Yüksek sıklıklı, düşük marjlı bir müşteriyle düşük sıklıklı, yüksek marjlı bir müşteriyi aynı şekilde ele almak, pazarlama harcamasını her ikisinde de israf eder.

Sıkça Sorulan Sorular

İyi bir müşteri yaşam boyu değeri nedir?

Evrensel bir sayı yok. Önemli olan CLV/CAC oranı; 3:1’in altındaki bir oran genellikle göründüğünden daha pahalı bir büyüme modeline işaret eder.

CLV, LTV’den farklı mı?

İkisi de aynı metrik. LTV, SaaS ve abonelik işletmelerinde daha yaygın kullanılan kısaltma; CLV ise perakende ve finansal hizmetler yazınında daha sık karşımıza çıkıyor.

CLV, churn’ü tahmin edebilir mi?

Doğrudan değil, ama ikisi yakından bağlantılı. BG/NBD gibi öngörülü CLV modelleri, yan ürün olarak her müşteri için bir “aktif olma olasılığı” üretir; bu da fiilen bir churn sinyalidir.

CLV ne sıklıkla yeniden hesaplanmalı?

Satın alma davranışı hızlı değişen işletmeler için üç ayda bir makul. Çoğu bankacılık ürünü gibi yavaş ilerleyen ilişkilerde ise yılda bir yeterli olur; churn skorlaması arada daha sık çalıştırılabilir.

Hazırlayan: GTech Veri Bilimi Ekibi