Müşteri Yaşam Boyu Değeri Nedir ve Nasıl Hesaplanır?

Müşteri yaşam boyu değeri (Customer Lifetime Value, CLTV), bir müşterinin bir şirketle kurduğu ilişki ve iletişim süresince, bu şirkete kazandıracağı parasal değer olarak düşünülür. Bir şirket, müşterilerinin gelecekte de sağlayabileceği faydaları belirlediği takdirde, müşteri ilişkilerini düzenleyebilir ve daha fazla katma değer odaklı bir yaklaşım sergileyebilir. Birçok ulusal ve uluslararası firmanın en büyük dertlerinden biri ise müşteri yaşam boyu değerinin hesaplanmasıdır.

CLTV pazarlama bütçelerinin belirlenmesinde de önemli bir rol oynar. Yeni müşteri edinme kapsamında birim maliyetleri hesaplamış olan bir şirket, müşteri yaşam boyu değeri hesaplamalarıyla, mevcut müşteri kitlesine yönelik pazarlama faaliyetleri ile yeni müşteriler bulma çabaları arasında kıyaslama yapabilir.
 

Müşteri yaşam boyu değeri nasıl hesaplanır?

Çok temel bir yaklaşım olarak satın alma başına ortalama kazanç * satın alma sayısı formülü ile bir müşteri için potansiyel değer hesabı yapılabilir. Genel olarak tüm müşteri yaşam boyu değeri hesaplama modellerinin (olasılıksal modeller vb.) temeli buradaki yaklaşıma dayanmaktadır.

Genelleştirme yapmamız durumunda:

• Ortalama Sipariş Değeri = Toplam Fiyat / Toplam İşlem
• Satın Alma Sıklığı = Toplam İşlem / Toplam Müşteri Sayısı
• Müşteri Değeri = Ortalama Sipariş Değeri * Satın Alma Sıklığı
• Müşteri Terk Oranı  = 1 - Tekrarlanan Sipariş Oranı [Birden fazla alışveriş yapan müşteri sayısı / Tüm müşteriler]
• Kar Marjı = Toplam Fiyat * (0,10) [0.10 değeri örnek olarak seçilmiştir. Şirketin stratejisine göre değişkenlik gösterir]
• CLTV = (Müşteri Değeri/Müşteri Terk Oranı) x Kar Marjı

Müşteri yaşam boyu değeri hesaplama yöntemi yukarıdaki formülasyon ile genel olarak ifade edilebilir.

 Bir CLTV hesaplama örneği:

Sonuç olarak her bir müşteri için hesaplanacak olan CLTV değerlerine göre bir sıralama yapıldığında ve CLTV değerlerine göre belirli noktalardan bölme işlemi yapılarak gruplar oluşturulduğunda müşteriler segmentlere ayrılmış olur.

Zaman projeksiyonlu olasılıksal CLTV Tahmini

Daha önce müşteri değeri ile CLTV'yi aşağıdaki şekilde ifade etmiştik:

• Müşteri Değeri = Satın Alma Sayısı * Satın Alma Başına Ortalama Kazanç
• Müşteri Yaşam Boyu Değeri = Müşteri Değeri * Kar Marjı

Şimdi bir tahmin modeli olarak daha önce belirttiğimiz değerlerin olasılıksal halleri üzerinden işlem yaparsak: 

• CLTV = Beklenen Satın Alma Sayısı * Beklenen Kar Marjı

Bu betimleme olasılık dağılımları kullanarak tahminler yapma imkanı sağlayacaktır.

Esasen formülümüz koşullu beklenen işlem sayısı ve koşullu beklenen ortalama kar (Conditional Expected Number of Transaction ve Conditional Expected Average Profit) değerleriyle ifade edilir. 

Koşullu beklenen işlem sayısı için bütün kitlenin satın alma davranışları bir olasılık dağılımı ile modellenir. Daha sonra bu olasılık dağılımı ile modellenen davranış biçimleri koşullu olarak kişi özelinde biçimlendirilerek, her bir kişi için beklenen satın alma sayıları (beklenen işlem sayıları) tahmin edilir. Müşterilerin genel satın alma davranışını olasılık dağılımı ile öğrenip bir olasılıksal model kurulduktan sonra kişi özelinde o modelin özellikleri biçimlendirilerek, her bir kişi için beklenen satın alma sayısı tahmin edilir. 

Aynı şekilde koşullu beklenen ortalama kar için de bütün kitlenin ortalama kar marjını olasılıksal olarak modelledikten sonra bu modeli kullanarak kişi özellikleri girildiğinde, müşteri özelinde koşullu olarak ana kitlenin dağılımından beslenmiş bir şekilde her bir kişi için beklenen ortalama kar marjı hesaplanabilir.

Bu işlemlerde kullanılan iki adet model ile CLTV değerimizi hesaplayabiliriz:

• CLTV = BG/NBD Modeli * Gamma Gamma Modeli

Bu model neticesinde kitlenin genel davranış biçimi karakteristiğini her bir bireye indirgeyip, birey özelliklerini modele sorarak her bir kişi için beklenen ortalama kar ve beklenen işlem sayısını hesaplayabiliriz. Bu değerlerin çarpımıyla CLTV değerinin gelişmiş ve zaman projeksiyonlu, conditional expected ifadesinin taşıdığı genel kitlenin özelliklerini barındıracak şekilde, bireye doğru biçimlendirme tekniği kullanarak her bir kişi için CLTV hesaplaması gerçekleştirilebilir.

BG/NBD Modeli (Beta Geometrik / Negatif Binom Dağılımı)

Beta geometrik dağılım ve negatif binom dağılımı, istatistik ve olasılık bilim dallarında işlenen ayrık olasılık dağılımlarıdır. Bu dağılımları kullanarak beklenen satın alma işlem işlem sayısı hesaplanabilir. Öncelikle rassal değişken, değerlerini bir deneyin sonuçlarından alan değişken olarak tanımlanmakla birlikte buradaki “beklenen” ifadesi bir rassal değişkenin beklenen değerini ifade etmek için kullanılır. Bir rassal değişkenin beklenen değeri ise o rassal değişkenin ortalaması anlamına gelir.

Ana amaç, olasılık dağılımları ile genel kitlenin satın alma davranışlarını modelleyip, bunları kişilerin üzerine indirgemektir. 

Ayrıca BG/NBD modeli tek başına satış tahmin modeli olarak da kullanılan bir olasılıksal modeldir. BG/NBD, beklenen işlem sayısı için iki süreci olasılıksal olarak modeller: 

Satın alma süreci: 
- Satın alma sürecinin modellenmesidir. Bu kapsamda, belirli bir zaman periyodunda, bir müşteri tarafından gerçekleştirilecek işlem sayısı, işlem oranı parametresi ile possion dağılır. 
- Başka bir deyişle bir kullanıcı alive olduğu süre boyunca kendi transaction rate’i (işlem oranı) etrafında rastgele satın alma yapmaya devam edecektir.
- İşlem oranları  her bir müşteriye göre değişir ve tüm kitle için gamma dağılır.

Dropout process (Churn): 
- Kullanıcının markayı terk sürecini modeller.
- Her bir müşterinin p olasılığı ile dropout rate’i (dropout probability) vardır.
- Bir müşteri alışveriş yaptıktan sonra belirli bir olasılıkla drop olur.
- Dropout rate (Terk Oranı) her bir müşteriye göre değişir ve tüm kitle için beta dağılır.

Bu formülde kullanılan değişkenlerin anlamları:

• x: Frequency , en az iki kez işlem yapmış kullanıcılar için tekrar eden satış sayısı.
• t_x: Recency, müşterinin ilk ve son satın alması üzerinden geçen süredir. Yaklaşıma göre genellikle yıllık, aylık ve haftalık olarak hesaplanır.
• T (Tenure): Müşterinin şirketle etkileşime geçtiği ilk zaman ile referans belirlediğimiz zamana kadar geçen süredir. Müşterinin yaşını ifade etmektedir.
• r, α : Gamma dağılımından gelir. Transaction rate’i modeller.
• b, a : Dropout rate’i modeller ve beta dağılımından gelir.

BG/NBD modelinde yapılan işlemler sırasında, tüm kitlenin transaction rate (işlem oranı; r,α) dağılımı, dropout rate (terk oranı; a, b) dağılımları ile tekil müşteriler özelinde indirgenmiş frequency (Sıklık; x) ve recency (en son işlem süresi üzerinden geçen süre; t_x) değeri, müşterinin şirketle etkileşime geçtiği ilk zaman ile referans zamana kadar geçen süreyi ifade eden tenure (T) girildiğinde beklenen satış sayısı tahmini (expected number of transaction) hesaplanmış olacaktır.

Gamma-Gamma modeli

Bir müşterinin işlem başına ortalama ne kadar kar getirebileceğini tahmin etmek için kullanılır ve müşterinin işlemlerinin parasal değeri (monetary) transaction value’larının ortalaması etrafında rastgele dağılır.

Ortalama transaction value, zaman içinde kullanıcılar arasında değişebilir fakat tek bir kullanıcı için değişmez.

Ortalama transaction value tüm müşteriler arasında gamma dağılır.

Burada,

• p, q, γ : Transaction value’ları modeller ve gama dağılımından gelir,
• m_x: Monetary, satın alma başına ortalama kazancı ifade eder,
• x: Frequency , en az iki kez işlem yapmış kullanıcılar için tekrar eden satış sayısıdır.

Tüm müşterilerin ortalama karın hesaplanmasının ardından, her bir müşterinin monetary ve frequency (sıklık) değerleri girildikten sonra beklenen ortalama kar değeri hesaplanmış olacaktır.

Sonuç olarak BG/ NBD ve Gamma-Gamma modellerinin çarpılmasıyla, zaman projeksiyonlu bir tahmin modeliyle oluşturarak, tüm müşteriler genelinde CLTV tahmini gerçekleştirilebilir.

CLTV hakkında daha detaylı bilgi için Miuul’un CRM Analitiği eğitimine göz atabilirsiniz. Bu sırada kariyerinize veri analisti olarak yön vermek isterseniz Miuul’un Data Analyst Path kariyer yolculuğu tam size göre!

Kaynaklar

• Miuul, CRM Analitiği
• Neussner, W. (2021). Management and Measuring Customer Loyalty in Digital Marketplace—Analysis of KPIs and Influence Factors in CLTV. Developments in Information & Knowledge Management for Business Applications (sayfa 151-176). Springer, Cham.
• Neussner, W., Kryvinska, N., & Markl, E. (2019). Bonus Programs for CRM in Retail Business. International Conference on Intelligent Networking and Collaborative Systems (sayfa  483-491). Springer, Cham.
• Alvi, R. (2021). Integrated approach of RFM, clustering, CLTV and machine learning algorithm for forecasting.
• Analtyics Vidhya, A Definitive Guide for predicting Customer Lifetime Value (CLV)
• Analytics India Magazine, A hands-on tutorial on Customer Lifetime Value (CLTV) prediction
• Towards Data Science, Understanding and Forecasting Customer Lifetime Value (CLTV)