Customer Lifetime Value ist eine Prognose, keine Tatsache

Customer Lifetime Value ist eine Prognose, keine Tatsache. Er ist der Gegenwartswert des erwarteten Beitrags eines definierten Kunden oder einer Kohorte, nach den Kosten und Risiken, die die Berechnung einschließen soll. Er verändert sich, wenn Überleben, Marge, Expansion, Diskontierung oder die Kohortendefinition verändert werden.

Das klingt selbstverständlich, bis ein Kundenbestand in einer Vorstandspräsentation verglichen wird. Dann wird eine saubere LTV-Zahl als Eigenschaft des Kunden behandelt. Die Berechnung verschwindet, die Annahmen werden unsichtbar, und die Zahl entscheidet, welche Kunden Akquisitionsbudget verdienen.

Warum ist der Customer Lifetime Value eine Prognosekette und keine statische Kennzahl?

Eine brauchbare Fassung beginnt mit dem Deckungsbeitrag, den ein Kunde voraussichtlich in jeder Periode erzeugt, multipliziert ihn mit der Wahrscheinlichkeit, noch aktiv zu sein, diskontiert das Ergebnis auf die Gegenwart und zieht Akquisitions- und Servicekosten nur dann ab, wenn diese außerhalb der im Modell verwendeten Deckungsbeitragsgrenze liegen.

Vereinfacht:

LTV = Summe aus erwartetem Deckungsbeitrag in Periode t, multipliziert mit dem Überleben in Periode t, diskontiert mit dem erforderlichen Satz, abzüglich der Akquisitions- und Servicekosten außerhalb dieser Deckungsbeitragsgrenze.

Es gibt keinen einzigen richtigen Zeithorizont. Ein begrenzter Horizont kann die Annahmen sichtbar machen. Ein unendlicher Horizont kann das Ergebnis präzise aussehen lassen und stillschweigend voraussetzen, dass das Modell für immer gültig bleibt. Die richtige Wahl hängt von der Entscheidung und davon ab, wie schnell die Prognose unzuverlässig wird.

Warum garantiert eine hohe Kundenbindung keinen positiven Lifetime Value?

Bindung ist wichtig, weil Überleben ein Bestandteil der Prognose ist. Sie entscheidet die Prognose aber nicht. Zwei Kohorten können dieselbe Bindung und unterschiedliche Deckungsbeiträge haben. Eine Kohorte kann Umsatz halten und dabei teure Servicekapazität verbrauchen. Eine andere kann leicht schrumpfen und zugleich günstiger zu bedienen und pro Konto profitabler werden.

Die Bindungsquote wird von Ihrer Seite aus gemessen aus einem weiteren Grund. Aggregierte Bindung sagt nicht, ob die Beziehung dem Unternehmen, dem Verkäufer oder dem gelieferten Wert gehört. Wenn das Wachstum einer Kohorte von einer nicht übertragbaren persönlichen Beziehung abhängt, ist der Überlebensterm nicht das gesamte Risiko.

Die Berechnung braucht außerdem eine Startpopulation. LTV für Neukunden, LTV für gebundene Kunden und LTV aus Expansion sind nicht austauschbar. Ihre Kombination kann einen Kanal gut aussehen lassen, weil seine besten Kunden noch vorhanden sind, während die Akquisekohorte, die sie hervorgebracht hat, unprofitabel geworden ist.

Wie entwerten Änderungen der Tarifstruktur historische LTV-Prognosen?

Preisgestaltung ist kein Etikett, das nach der LTV-Berechnung angebracht wird. Sie verändert den Beitragsstrom und das Verhalten, das ihn erzeugt. In der Studie zur Tarifwahl, die in die Flatrate, die den schlechtesten Monat kauft verwendet wird, hingen Preispräferenzen mit vergangener Nutzung, Preisaufschlag und Beziehungsbindung zusammen. Die Lehre lautet nicht, dass ein Tarif grundsätzlich besser ist. Der Tarif verändert, welche Kunden sich selbst in ihn hineinselektieren.

Das erzeugt ein Auswahlproblem. Ein nutzungsintensiver Kunde kann eine Flatrate wählen, weil sie sich sicher anfühlt, und dadurch hohe Beitragskosten für den Anbieter erzeugen. Ein Wenignutzer kann denselben Tarif wählen und attraktiv aussehen. Der durchschnittliche LTV nach Tarif kann deshalb die Ökonomie des Tarifs mit der Ökonomie der Kunden vermischen, die ihn auswählen.

Warum variiert der Kundenwert systematisch über verschiedene Akquisitionskanäle?

Forschung zu Empfehlungsprogrammen und Kundenwert zeigt, warum der Akquisekanal in die Prognose gehört. Empfohlene Kunden können sich bei Passung, sozialer Verbindung und späterem Wert von anderen Kunden unterscheiden. Das macht Empfehlungsakquise nicht kostenlos oder grundsätzlich überlegen. Es bedeutet, dass ein Kanalvergleich mit einem vermischten LTV stillschweigend annimmt, alle Kanäle erzeugten denselben Kundenmix.

Dieselbe Warnung gilt für bezahlte Akquise. Die Akquisekosten sind im Kanalbericht leicht abzulesen. Der künftige Beitrag ist es nicht. Wenn der Kanal Kunden mit höherem Supportaufwand, niedrigerer Marge oder kürzerer Beziehung auswählt, ist die CAC-Zeile nicht der einzige Kanalunterschied.

Hier hilft einen Kundenbestand genau einmal zu bepreisen als Frage. Was wird bepreist: der historische Umsatzstrom, der erwartete Beitrag oder die Fähigkeit der Organisation, die Beziehung weiter zu erzeugen? Das sind verbundene Assets, aber nicht ein einziges.

Wie macht die Unternehmensführung LTV-Kalkulationen prüfbar und operativ nutzbar?

Fragen Sie nicht nach einem LTV. Fragen Sie nach dem Prognosepaket:

1. Die Startkohorte und ihre Einschlussregel.
2. Die Deckungsbeitragsgrenze.
3. Die Kurven für Überleben und Expansion.
4. Der Horizont und der Diskontsatz.
5. Die einbezogenen Akquisitions- und Servicekosten.
6. Ein Sensitivitätsband, das zeigt, welche Annahme die Entscheidung verändert.

Vergleichen Sie die Prognose anschließend mit dem, was mit der zugrunde liegenden Kohorte geschah. Eine Prognose, die immer nach oben revidiert wird, wenn schwache Konten ausscheiden, ist kein Beleg für hohen LTV. Sie ist ein Mechanismus zur Auswahl der Überlebenden.

Die beste operative Frage ist einfach: Welche Annahme würde diesen Kunden unattraktiv machen, und haben wir sie gemessen? Wenn die Antwort „keine“ lautet, ist die Berechnung eine Präsentationszahl. Wenn die Antwort „Supportkosten nach der Expansion“ lautet, messen Sie diese Kosten, bevor Sie Akquisitionsbudget neu verteilen.

Customer Lifetime Value ist gerade deshalb nützlich, weil er ein Modell ist. Modelle können geprüft, neu geschätzt und begrenzt werden. Eine Tatsache kann das nicht. Halten Sie die Annahmen neben dem Ergebnis fest, dann kann die Zahl eine Entscheidung leiten, ohne so zu tun, als beschreibe sie einen Kunden für immer.

Evidenzbasis. Der analytische Rahmen stützt sich außerdem auf diese zusätzlichen Quellen: Schmitt et al. 2011; Kienzler et al. 2021; Lambrecht and Skiera 2006; Palmatier et al. 2007. Die Links identifizieren die konkreten Werke; sie stützen die hier diskutierten Mechanismen und Geltungsgrenzen, nicht jede einzelne Aussage isoliert.