Prediktiv modellering og Customer Lifetime Value

Customer Lifetime Value (CLV) er kanskje den viktigste metrikken i marketing analytics. Den estimerer den totale nettoinntekten en bedrift kan forvente fra en kunderelasjon over hele relasjonsperioden. CLV-tenkning snur fokus fra kortsiktige transaksjoner til langsiktig kundelønnsomhet og er grunnlaget for kundedrevet markedsføringsstrategi.

CLV: Grunnformel

Enkel CLV-formel (uendelig horisont)

$$\text{CLV} = \frac{M \cdot r}{1 + d - r}$$

Der:

$M$ = margin (nettobidrag) per periode
$r$ = retensjonsrate (andel kunder som forblir per periode)
$d$ = diskonteringsrate (tidsverdi av penger, typisk 10-15 %)

Forutsetninger: Konstant margin, konstant retensjonsrate, uendelig horisont, nyervervet kunde.

Eksempel: CLV-beregning

En treningskjede har følgende kundeparametre:

Månedlig margin per medlem: $M = 300$ kr
Månedlig retensjonsrate: $r = 0{,}92$ (8 % churn per måned)
Månedlig diskonteringsrate: $d = 0{,}01$ (ca. 12 % årlig)

$\text{CLV} = \frac{300 \times 0{,}92}{1 + 0{,}01 - 0{,}92} = \frac{276}{0{,}09} = 3\,067$ kr

Hva om retensjonen øker til 0,95?

$\text{CLV} = \frac{300 \times 0{,}95}{1 + 0{,}01 - 0{,}95} = \frac{285}{0{,}06} = 4\,750$ kr

En økning i retensjonsrate fra 92 % til 95 % (3 prosentpoeng) gir 55 % høyere CLV! Dette illustrerer den enorme effekten av retensjonsarbeid.

CLV med endelig horisont

Når du har en bestemt tidsperiode (f.eks. 5 år):

$$\text{CLV} = \sum_{t=1}^{T} \frac{M \cdot r^t}{(1+d)^t}$$

Denne brukes når relasjonsperioden er begrenset (f.eks. abonnement med bindingstid) eller når du trenger CLV for en bestemt planperiode.

CAC og CLV/CAC-forholdet

Customer Acquisition Cost

$$\text{CAC} = \frac{\text{Totale markedsførings- og salgskostnader}}{\text{Antall nye kunder i perioden}}$$

CLV/CAC-forholdet:

$\text{CLV/CAC} < 1$: Taper penger på hver kunde — uholdbart
$\text{CLV/CAC} = 1\text{-}3$: Break-even til marginal lønnsomhet
$\text{CLV/CAC} > 3$: Sunn økonomi — benchmark for lønnsom vekst
$\text{CLV/CAC} > 5$: Mulig underinvestering i vekst — kan skalere opp

Eksempel: CLV/CAC-analyse

Et SaaS-selskap bruker 2 000 000 kr/mnd på markedsføring og verver 200 nye kunder:

$\text{CAC} = 2\,000\,000 / 200 = 10\,000$ kr per kunde

Med CLV = 45 000 kr:

$\text{CLV/CAC} = 45\,000 / 10\,000 = 4{,}5$

Forholdet er over 3, noe som indikerer sunn kundeøkonomi. Selskapet kan vurdere å øke markedsbudsjettet for raskere vekst.

RFM-analyse

RFM-rammeverket

RFM segmenterer kunder basert på tre dimensjoner fra transaksjonsdata:

Recency (R): Hvor nylig handlet kunden? Nyere = bedre (score 1-5)
Frequency (F): Hvor ofte handler kunden? Oftere = bedre (score 1-5)
Monetary (M): Hvor mye bruker kunden? Mer = bedre (score 1-5)

Hver kunde får en tresifret kode (f.eks. 5-5-5 eller 1-2-1). Totalt 125 mulige kombinasjoner.

RFM-segmenter og tiltak

Champions (5-5-5): Beste kundene. Belønne lojalitet, bruke som ambassadører, cross-sell premium.
Loyal Customers (X-4/5-X): Høy frekvens. Lojalitetsprogram, anbefalingsprogram.
Potential Loyalists (4/5-2/3-X): Nylige med noe aktivitet. Øke engasjement, onboarding.
At Risk (2/3-4/5-4/5): Var gode, men aktiviteten synker. Winback-kampanjer, personlige tilbud.
Lost/Hibernating (1-1/2-X): Lenge siden sist. Reaktiveringskampanje eller akseptere tapet.
New Customers (5-1-1): Nettopp startet. Onboarding, velkomstserie, første-kjøps-oppfølging.

Eksempel: RFM i praksis

En nettbutikk scorer 10 000 kunder med RFM:

Champions (5-5-5, 5-4-5, 5-5-4): 800 kunder (8 %) → Tiltak: Eksklusive forhåndslansering + anbefal-en-venn-bonus
At Risk (2-5-5, 2-4-4, 3-5-4): 1 200 kunder (12 %) → Tiltak: «Vi savner deg»-e-post + 20 % rabattkode med utløpsdato
Lost (1-1-1, 1-2-1): 2 500 kunder (25 %) → Tiltak: Siste-forsøk-kampanje. Kost-nytte: stopp markedsføring mot de med lavest M-score.

Churn-prediksjon

Prediktive modeller for churn

Logistisk regresjon eller maskinlæring (Random Forest, XGBoost) brukes til å predikere hvilke kunder som har høy sannsynlighet for å churne.

Typiske prediktorer for churn:

Synkende bruksfrekvens (sterkeste prediktor)
Antall supporthenvendelser (negativt korrelert)
Tid siden siste kjøp (Recency)
Manglende engasjement med e-post/app
Endring i transaksjonsverdier

Output: En churn-sannsynlighet per kunde (0-100 %), som brukes til å prioritere retensjonstiltak.

Vanlige feil i CLV-analyse

Blande perioder: Margin er månedlig men retensjonsrate er årlig → feil CLV. Alle parametre må bruke samme tidsperiode.
Glemme diskontering: 1000 kr om 3 år er ikke det samme som 1000 kr i dag. Bruk alltid diskonteringsrate.
Konstant-antakelsen: CLV-formelen antar konstant margin og retensjonsrate, noe som sjelden stemmer i praksis. Bruk som tilnærming.
CAC-inkludering: CLV er verdien fra relasjonen — trekk fra CAC separat for å finne netto kundeverdi.
RFM uten handling: RFM-segmentering er verdiløs uten konkrete tiltak for hvert segment.

Eksamenstips: CLV

Vis alltid formelen og definer alle variabler før du regner
Sjekk at alle parametre er i samme tidsenhet (år eller måned)
Tolkning er like viktig som beregningen — hva betyr CLV-verdien strategisk?
Vis sensitivitetsanalyse: hva skjer om r øker med 5 prosentpoeng?

Studieguide: Prediktiv modellering og CLV

Studieguide: Prediktiv modellering og CLV