The Agentic CLV, Teil 2: Customer Lifetime Value berechnen

Teil 1 hat gezeigt, wie der Customer Lifetime Value von der Zahl auf einer Folie zu einem Signal wird, nach dem Systeme jeden Tag handeln. In diesem Teil geht es um die Zahl selbst: wie man den Customer Lifetime Value berechnet, welche Variante man für welche Entscheidung braucht, wo die Berechnung meistens schiefgeht und was sich ändern muss, wenn nicht mehr ein Analyst, sondern ein Agent mit dem Wert arbeitet.

Lebensdauer ist die falsche Einheit

Teil 1 hat die Lehrbuchdefinition verwendet: der Gewinn, den ein Kunde über die gesamte Kundenbeziehung bringt. Als Vorstellung ist das hilfreich, als Rechengröße kaum. Niemand kann sagen, wie viele Jahre ein Kunde bleibt. Kunden kündigen selten ausdrücklich; in den meisten Geschäften kaufen sie einfach nicht mehr, und man merkt es Monate später.

Schätzen lässt sich etwas Engeres und viel Nützlicheres: wie viel Deckungsbeitrag ein Kunde in einem festen Zeitraum voraussichtlich bringt, zum Beispiel in den nächsten 12 Monaten, und wann er wahrscheinlich das nächste Mal kauft. Mit dieser Definition arbeiten wir im Produktivbetrieb, und darauf baut der Rest dieses Beitrags auf.

Die Formel für den Customer Lifetime Value, mit Beispiel

In der einfachsten Form berechnet sich der Customer Lifetime Value, kurz Kundenwert, eines Kunden so:

• Deckungsbeitrag pro Bestellung, nicht Umsatz: was nach Wareneinsatz, Versand, Zahlungsgebühren und Retouren übrig bleibt.
• Erwartete Bestellungen: wie oft der Kunde im Zeitraum voraussichtlich kauft.
• Kosten für Gewinnung und Betreuung: der Anteil der Ausgaben für Akquise, Service und Kundenbindung, der auf diesen Kunden entfällt.

Rechenbeispiel: Ein Kunde, dessen Bestellungen im Schnitt 155 € Deckungsbeitrag bringen, bestellt in den nächsten 12 Monaten voraussichtlich 9-mal, und für Gewinnung und Betreuung geben Sie rund 155 € aus. 155 × 9 − 155 = 1.240 €.

Die prognostische Form: zwei Fragen je Kunde

In den „erwarteten Bestellungen“ stecken zwei verschiedene Fragen: Kauft der Kunde im Zeitraum überhaupt, und wenn ja, wie viel? Der prognostizierte CLV beantwortet sie getrennt:

CLV = P(aktiv | Kundendaten) × E(Deckungsbeitrag | Kundendaten, aktiv) − Kosten

Derselbe Kunde: Mit 90 % Wahrscheinlichkeit kauft er in den nächsten 12 Monaten wieder, und wenn er kauft, bestellt er voraussichtlich rund 10-mal mit je 155 € Deckungsbeitrag, also 1.550 €. 0,9 × 1.550 − 155 = 1.240 €. Abschnitt 5 zeigt, wie beide Größen für jeden Kunden prognostiziert werden.

Zwei einfachere Varianten, denen Sie begegnen werden:

• Durchschnittlicher Bestellwert × Kaufhäufigkeit × Kundenlebensdauer. Schnell gerechnet, aber mit Umsatz statt Deckungsbeitrag und einer Lebensdauer, die niemand kennt.
• Deckungsbeitrag × Bindungsrate ÷ (1 + Diskontsatz − Bindungsrate). Passt für Abonnements mit sauberer, stabiler Bindungsrate; deutlich schlechter, wo Kunden unregelmäßig kaufen wie im Handel und in den meisten B2B-Geschäften.

Muss man künftige Deckungsbeiträge abzinsen? Über 12 Monate ist der Effekt klein. Wir prognostizieren nicht über 365 Tage hinaus, daher ändert das Abzinsen wenig; für längere Planungshorizonte zinsen Sie mit Ihren Kapitalkosten ab.

Warum ein durchschnittlicher CLV täuscht

Meist wird die Formel mit Durchschnittswerten gefüllt: durchschnittlicher Bestellwert, durchschnittliche Kaufhäufigkeit, durchschnittliche Kosten. Heraus kommt ein Wert für den gesamten Kundenstamm, und dieser Wert beschreibt fast niemanden.

Kundenwert ist sehr ungleich verteilt. Typischerweise bringen die besten 20 % der Kunden 75 bis 85 % des Umsatzes, während ein langer Rest einmal kauft und nie wiederkommt. Ein Durchschnitt liegt zwischen beiden Gruppen und passt zu keiner. Entscheidungen auf seiner Basis zahlen zu viel für den Rest und investieren zu wenig in die Kunden, auf die es ankommt.

Drei Kunden, dieselbe Formel, jeweils eigene Werte (Illustration):

Der Durchschnitt von 1.338 € liegt zufällig nahe bei Kunde B und weit weg von A und C. Wer 400 € bietet, um „einen durchschnittlichen Kunden“ zu gewinnen, zahlt für ein A wenig und macht mit einem C einen klaren Verlust. Nützlich wird die Formel erst, wenn sie für jeden Kunden einzeln gerechnet wird, mit seinem eigenen Deckungsbeitrag, Kaufrhythmus und seinen Kosten.

Drei Stufen des CLV und wofür jede noch taugt

In der Praxis arbeiten Unternehmen mit drei Stufen. Keine davon ist falsch; sie beantworten unterschiedliche Fragen.

Die meisten Unternehmen brauchen alle drei. Der historische Wert hält die Prognose ehrlich, Segmentformeln stützen die Planung, und die Prognose je Kunde steuert die täglichen Entscheidungen. Viele beginnen mit Stufe 1 oder 2; eine gute Segmentierung ist oft der richtige erste Schritt vor der vollen Prognose.

So funktioniert eine Prognose je Kunde: zwei Modelle

Der prognostizierte CLV ist das Produkt zweier Antworten je Kunde, jede aus einem eigenen Machine-Learning-Modell, abzüglich der Kosten:

• Modell 1, Aktivität: Kauft dieser Kunde in den nächsten 12 Monaten überhaupt? Ein Klassifikationsmodell liefert eine Wahrscheinlichkeit zwischen 0 und 1.
• Modell 2, Wert: Wenn der Kunde kauft, wie viel Deckungsbeitrag bringt er im Zeitraum? Ein Regressionsmodell, trainiert nur auf Kunden, die aktiv waren.
• Kosten: werden nicht prognostiziert, sondern je Kunde zugeordnet: nach Akquisekanal, Servicekontakten und tatsächlich genutzten Rabatten.

Wie die Modelle lernen: ein Schnitt in der Zeit

Man wählt einen Stichtag in der Vergangenheit. Alles, was ein Kunde davor getan hat, typischerweise in den 24 Monaten davor, wird zu seinen Merkmalen; was er in den 12 Monaten danach tatsächlich getan hat, wird zur Zielgröße: aktiv oder nicht, und welchen Deckungsbeitrag er gebracht hat. Wiederholt man das für mehrere Stichtage, lernen die Modelle von vielen Kunden in vielen Phasen ihrer Kundenbeziehung.

Die Merkmale beginnen mit dem klassischen RFM-Dreiklang: Recency (Tage seit der letzten Bestellung), Frequency (Zahl der Bestellungen und die Abstände dazwischen) und Monetary Value (Deckungsbeitrag pro Bestellung, nach Retouren). Dazu kommen Produktkategorien, genutzte Rabatte, Retouren, Servicekontakte, Akquisekanal, Kundenstammdaten und, wo vorhanden, das Verhalten in Shop und App.

Der Algorithmus: Gradient Boosted Trees

Beide Modelle sind Gradient-Boosted-Entscheidungsbäume wie XGBoost. Sie kommen mit vielen gemischten Merkmalen zurecht, erkennen nichtlineare Muster (drei stille Monate bedeuten bei einem monatlichen Käufer viel, bei einem jährlichen wenig) und zeigen, welche Merkmale eine Prognose treiben. Das hilft Marketingteams, den Werten zu vertrauen. Klassische probabilistische Kaufmodelle (Pareto/NBD, BG/NBD mit Gamma-Gamma) bleiben ein nützlicher Vergleichsmaßstab, den das Modell schlagen muss.

Geprüft, bevor jemand danach handelt

Bevor die Werte genutzt werden, werden die Modelle an einem Stichtag getestet, den sie nicht kennen: Prognose für die folgenden 12 Monate, dann Vergleich mit dem, was tatsächlich passiert ist. Im Produktivbetrieb wird jede Nacht jeder Kunde mit seinen aktuellen Merkmalen bewertet, und die Modelle werden regelmäßig neu trainiert, zum Beispiel monatlich.

Der Zeitpunkt des nächsten Kaufs

Dasselbe Vorgehen mit einem kürzeren Zielzeitraum, etwa den nächsten 30 Tagen, liefert den Zeitpunkt: wie wahrscheinlich ein Kunde bald kauft. Den schätzen Marketingteams am meisten. Er sagt nicht nur, wer ein Angebot wert ist, sondern auch wann. Wer einen Kunden kurz vor einem Kauf anspricht, den er ohnehin getätigt hätte, verschenkt einen Rabatt; wer ihn anspricht, wenn sein gewohnter Rhythmus abreißt, kann ihn noch zurückgewinnen.

Fünf typische Fehler bei den Daten

• Umsatz statt Deckungsbeitrag. Ein Kunde, der umsatzstarke Produkte mit wenig Marge kauft oder nie ohne Rabatt bestellt, kann wie Ihr bester Kunde aussehen und einer der am wenigsten profitablen sein.
• Retouren vergessen. In Fashion und Elektronik können Retouren bei manchen Kundengruppen einen Großteil des Deckungsbeitrags aufzehren. Rechnen Sie sie je Kunde heraus, nicht als eine globale Quote.
• Kosten als ein Durchschnitt. Akquisekosten unterscheiden sich je Kanal stark, und serviceintensive Kunden kosten mehr. Ordnen Sie zu, was je Kunde geht, den Rest je Segment.
• Abgewanderte Kunden weglassen. Wer nur mit heute aktiven Kunden trainiert, macht alle zu treuen Kunden. Gerade die Kunden, die aufgehört haben zu kaufen, sind die aufschlussreichsten.
• Die falsche Einheit. Im B2B ist der Kunde ein Account, kein einzelner Kontakt; in Haushalten bestellt oft eine Person für mehrere. Legen Sie fest, was ein Kunde ist, bevor Sie rechnen, und halten Sie die IDs über alle Systeme stabil.

Keiner dieser Punkte ist ein Modellierungsproblem. Es ist Datenaufbereitung, und deshalb dauert sie meist länger als der Bau des Modells.

Was sich ändert, wenn ein Agent mit dem CLV arbeitet

Ein Wert, auf den ein Analyst einmal im Quartal schaut, darf grob sein. Ein Wert, nach dem ein System jeden Tag handelt, nicht. Fünf Dinge ändern sich:

• Immer aktuell. Alle Kunden werden jede Nacht neu berechnet, und Ereignisse, die einen Wert sofort verändern (eine große Bestellung, eine Retoure, eine Beschwerde, eine Kündigung), aktualisieren ihn im Lauf des Tages.
• Schnell abrufbar. Ein Gebot oder eine Versandentscheidung kann nicht warten, bis ein Modell gerechnet hat. Die Werte werden vorab berechnet und gespeichert, ein Abruf dauert Millisekunden. An Google und Meta geht der Wert als Conversion-Wert oder als Wertspalte in einer Kundenliste.
• Eine Spanne, nicht nur eine Zahl. Ein Agent sollte wissen, ob 1.240 € „zwischen 1.100 und 1.400 €“ heißt oder „irgendwo zwischen 200 und 3.000 €“. Neukunden haben breite Spannen und verdienen vorsichtigen Umgang.
• An der Wirklichkeit geprüft. Jeden Monat wird der prognostizierte mit dem tatsächlichen Deckungsbeitrag je Wertgruppe verglichen. Laufen beide auseinander, wird das Modell neu trainiert, bevor Entscheidungen danebenliegen. Ein CLV, den niemand prüft, wird langsam zur Fiktion.
• Der Mensch entscheidet mit. Das Team legt fest, was der Agent selbst tun darf (Gebote innerhalb eines Budgets anpassen, eine Erinnerung senden) und was ein Mensch freigibt (hohe Rabatte, Key Accounts). Jede Aktion wird protokolliert.

B2B und B2C: gleiche Idee, andere Details

Was Sie für den Start brauchen

Weniger, als die meisten Teams erwarten:

• Bestellhistorie mit Kunden-ID, Datum und Wert, idealerweise mit Deckungsbeitrag oder Warenkosten. 24 Monate sind eine gute Basis, 12 können reichen.
• Retouren und Stornierungen.
• Marketing- und Akquisekosten je Kanal, mindestens monatlich.
• Optional: Servicekontakte, Produktkategorien, Aktivität in Shop oder App, CRM-Felder.

Ein modernes Data Warehouse beschleunigt den Start, ist aber keine Voraussetzung.

Häufige Fragen

Wie berechnet man den Customer Lifetime Value?

Einfache Variante: Deckungsbeitrag pro Bestellung × erwartete Bestellungen in einem festen Zeitraum (zum Beispiel den nächsten 12 Monaten) − Kosten für Gewinnung und Betreuung, etwa 155 € × 9 − 155 € = 1.240 €. Prognostische Variante, je Kunde: Wahrscheinlichkeit, dass der Kunde im Zeitraum aktiv ist, × erwarteter Deckungsbeitrag, wenn aktiv, − Kosten, etwa 0,9 × 1.550 € − 155 € = 1.240 €. Beide Größen kommen aus Machine-Learning-Modellen, die auf dem Verhalten des Kunden trainiert und täglich aktualisiert werden.

Mit welchem Modell prognostiziert man den Customer Lifetime Value?

Mit zwei Modellen: einem Klassifikationsmodell für die Wahrscheinlichkeit, dass ein Kunde im Zeitraum aktiv ist, und einem Regressionsmodell für den Deckungsbeitrag, wenn er aktiv ist. Für beide eignen sich Gradient Boosted Trees wie XGBoost. Sie lernen aus einem Schnitt in der Zeit: Merkmale aus den 24 Monaten vor einem Stichtag, Zielgröße aus den 12 Monaten danach. Probabilistische Modelle wie BG/NBD mit Gamma-Gamma sind ein nützlicher Vergleichsmaßstab.

Kann ich den CLV in Excel berechnen?

Ja, für die ersten beiden Stufen: Deckungsbeitrag je Kunde aus einem Bestellexport oder die Formel mit Durchschnittswerten je Segment. Eine Prognose je Kunde, die jeden Tag aktualisiert wird, braucht ein Modell und eine Datenpipeline; eine Tabellenkalkulation hält sie nicht aktuell.

Welchen Zeitraum sollte der CLV abdecken?

90, 180 oder 365 Tage, passend zu Ihrem Planungszyklus: 12 Monate für die meisten Marketing- und Budgetentscheidungen, 90 oder 180 Tage im schnelllebigen Handel und für die Kampagnenplanung. Über 365 Tage hinaus prognostizieren wir nicht: Je weiter der Blick nach vorn, desto weniger lässt sich die Prognose an echten Ergebnissen prüfen. Im B2B mit langen Kaufzyklen wird der 365-Tage-Wert mit der Account-Historie kombiniert.

Was ist ein guter CLV?

Einen allgemeinen Richtwert gibt es nicht. Vergleichen Sie den CLV mit dem, was Sie für die Gewinnung eines Kunden zahlen: Ein Verhältnis von etwa 3 zu 1 zwischen CLV und Akquisekosten gilt als Faustregel. Aufschlussreicher ist, wie sich das Verhältnis zwischen Kanälen und Segmenten unterscheidet.

Wie genau ist eine CLV-Prognose?

Für einen einzelnen Kunden ist sie eine Prognose mit Spanne. Für Gruppen, etwa die besten 20 %, ist sie meist genau genug, um Budgets zu steuern. Messen Sie es: Vergleichen Sie jeden Monat prognostizierten und tatsächlichen Deckungsbeitrag.

Wie oft sollte der CLV aktualisiert werden?

Täglich, wenn das Marketing danach handelt; monatlich genügt, wenn er nur berichtet wird.

Welchen Einfluss hat der jährliche Vertragswert auf den CLV im B2B?

Der jährliche Vertragswert (Annual Contract Value, ACV) ist der Umsatz, den ein Vertrag pro Jahr bringt. Der CLV baut darauf auf: der Deckungsbeitrag aus diesem Vertrag, dazu ob der Kunde in einem festen Zeitraum (etwa den nächsten 12 oder 24 Monaten) verlängert oder ausbaut, abzüglich der Kosten für Gewinnung und Betreuung. Ein höherer ACV erhöht den CLV nur, wenn der Deckungsbeitrag stimmt und der Kunde in diesem Zeitraum aktiv bleibt.

Das Wichtigste in Kürze, und was in Teil 3 kommt

• Berechnen Sie den CLV für einen festen Zeitraum, nicht für eine unbekannte Lebensdauer.
• CLV = Deckungsbeitrag pro Bestellung × erwartete Bestellungen − Kosten für Gewinnung und Betreuung. Deckungsbeitrag, nicht Umsatz.
• Prognostizierter CLV = P(aktiv) × erwarteter Deckungsbeitrag, wenn aktiv, − Kosten, aus zwei Modellen wie XGBoost, trainiert mit einem Schnitt in der Zeit.
• Ein Durchschnitt beschreibt fast niemanden; rechnen Sie je Kunde.
• Historischer Wert, Segmentwert und Prognose je Kunde haben jeweils ihren Platz.
• Der Zeitpunkt des nächsten Kaufs ist für das Marketing der nützlichste Teil.
• Ein Agent braucht aktuelle Werte, schnellen Abruf, Spannen, monatliche Kontrolle und Menschen, die mitentscheiden.

Teil 3 behandelt das Betriebsmodell: den Kundenwert an Werbeplattformen zurückspielen, Kundenbindung um den Zeitpunkt des nächsten Kaufs herum aufbauen und wie sich Marketing, Vertrieb und Service um einen Wert organisieren, der sich täglich ändert.