Waarom customer lifetime value analyse nu belangrijker is dan ooit

Ten eerste beschreef Everett Rogers in het begin van de jaren '60 het patroon van hoe innovaties zich verspreiden, waardoor we het nu beroemde diffusiemodel voor innovaties kregen. De gele lijn (cumulatief) beschrijft hoe het marktaandeel van een product in de loop van de tijd evolueert. Kijk nu eens naar de verspreiding van Covid19 in China, deze volgt een vergelijkbaar patroon. Hoewel ze enorm verschillen, zijn beide fenomenen gebaseerd op het principe van menselijke interactie. Bij innovatie is er een imitatie-effect waarbij een innovator latere gebruikers "infecteert" en de innovatie zich door de bevolking "verspreidt".

Ten tweede, neem klantverloop, voorspellen wanneer een klant het bedrijf zal verlaten kan worden gedaan met behulp van overlevingsanalyse. Het verlooppercentage is een integraal onderdeel van het bepalen van de customer lifetime value. De overlevingsanalyse werd oorspronkelijk ontwikkeld voor klinische onderzoeken in de medische discipline en modelleert de verwachte tijdsduur waarin een gebeurtenis (churn, overlijden, enz.) zich zal voordoen. Zoals met de meeste methoden in de marketingdiscipline, wordt er veel geleend. Hoewel beide disciplines verschillende domeinen zijn en als zodanig moeten worden behandeld, kan men toch leren van het kruisen van disciplines om te zien hoe problemen worden aangepakt.

Beslissingen onder onzekerheid

Afgezien van de modellen gaat het bij COVID19 en customer lifetime value allebei om het nemen van beslissingen onder grote onzekerheid en veranderende omstandigheden. Om de onzekerheid te verminderen en een kader voor actie te bieden, kunnen simulatiemodellen helpen. De strategie om de curve af te vlakken is het resultaat van zo'n simulatiestudie. (Anderson et al. 2020). Net zoals de simulaties van COVID19 een kader bieden voor actie, zou een analyse van de customer lifetime value de toekomstige staat van een bedrijf kunnen bepalen. Als klanten hun budget verschuiven als gevolg van COVID19 worden verschillende vragen onmiddellijk relevant. Kun je klanten identificeren die waarschijnlijk zullen afhaken en een terugwinningsstrategie ontwerpen? Moet je je marketingbudget nu echt aan premiumklanten besteden om ze voor Q2/Q3 aan boord te houden?

Met behulp van actuele klanttransactiegegevens kan CLV-analyse inzichten verschaffen en een actiekader helpen creëren. Als je hulp nodig hebt bij het uitvoeren van verschillende scenario's en het scheppen van duidelijkheid in deze turbulente markt, laat het ons dan weten. Het zou fijn zijn om ons weer op CLV te richten en de hele COVID19 achter ons te laten.

Als je meer wilt weten over CLV of customer-based analytics, laat het me dan weten op bob.rietveld@revelx.nl of in de opmerkingen.

Verder lezen

Als je meer wilt weten over CLV-modellen kan ik je het boek "Draaiboek klantgerichtheid" door de peetvader van CLV prof. Peter Fader.

Voor een meer academische kijk kun je hier mijn gecureerde selectie van papers bekijken: https://paperpile.com/shared/Z0Vi5Q. 

Referenties

Anderson, Roy M., Hans Heesterbeek, Don Klinkenberg, en T. Déirdre Hollingsworth (2020), "How Will Country-Based Mitigation Measures Influence the Course of the COVID-19 Epidemic?", The Lancet, 395, 10228, 931-34, doi:10.1016/S0140-6736(20)30567-5.