La domanda che stabilisce se ha senso
Il customer lifetime value (CLV) è uno dei concetti più citati nella strategia commerciale e uno dei meno utilizzati correttamente. La sfida non è calcolarlo, ma calcolarlo in modo che sia utilizzabile per agire.
Il CLV storico (quanto ha speso un cliente fino a oggi) è un dato contabile. Il CLV predittivo (quanto spenderà in futuro) è quello che consente di prendere decisioni: su chi investire per trattenerlo, chi non acquisire anche se sembra redditizio nel breve periodo, come ripartire il budget di acquisizione tra i canali.
La domanda di partenza è se in azienda ci siano decisioni che cambierebbero conoscendo il valore futuro di ciascun cliente. Se tutte le decisioni tratterebbero comunque i clienti allo stesso modo, indipendentemente dal loro valore, il CLV è un indicatore accademico, non uno strumento di business.
Valutazione dell’opportunità
Il CLV predittivo con l’IA genera più valore nelle attività in cui:
- L’eterogeneità tra i clienti è elevata (alcuni valgono 10 o 100 volte più di altri)
- Il costo di acquisizione varia per canale ed è significativo
- Esistono leve di fidelizzazione o di upselling applicabili in modo differenziato
- Le decisioni di investimento in marketing o servizio vengono prese per segmento
Nei mercati in cui tutti i clienti acquistano gli stessi prodotti, con la stessa frequenza e lo stesso margine, il CLV predittivo non aggiunge una discriminazione utile.
Requisiti dei dati
Storico delle transazioni per cliente. Date, importi, categorie di prodotto, canale. La profondità storica conta: le attività con cicli di acquisto annuali richiedono più anni di storico rispetto a quelle con acquisti mensili.
Dati di margine, non solo di ricavo. Il CLV calcolato sui ricavi lordi può essere fuorviante se il margine varia molto tra prodotti o clienti. I clienti con i volumi maggiori non sempre sono quelli di maggior valore quando si considera il margine reale.
Dati di acquisizione. Canale di acquisizione, costo di acquisizione, campagna di origine. Senza questi dati non si può calcolare il CLV netto (valore meno costo di acquisizione) né confrontare correttamente il costo di acquisizione per canale.
Segnali comportamentali. Frequenza dei contatti, uso dei canali digitali, risposta alle comunicazioni. Questi segnali migliorano la precisione del modello predittivo oltre gli schemi di acquisto.
Struttura dei costi e complessità
La parte più tecnica e onerosa è l’ingegneria dei dati: unificare la vista del cliente attraverso più sistemi (ERP, CRM, e-commerce, assistenza clienti) per costruire un profilo coerente. Se l’azienda dispone già di una customer data platform o di una vista unificata del cliente, il progetto è molto più rapido.
Il modello di CLV in sé può andare da una regressione ben calibrata a modelli probabilistici come BG/NBD o Pareto/NBD per acquisti non contrattuali, fino a modelli di deep learning per schemi più complessi.
Valutazione dei rischi
Rischio di distorsione da intervento. Il CLV prevede il valore futuro in assenza di interventi. Se l’azienda lo usa per decidere chi trattenere o su chi investire, gli interventi modificano i risultati previsti dal modello e ne invalidano la validazione. Questo problema, noto come «distorsione da intervento», richiede un disegno sperimentale accurato per misurare l’impatto reale.
Rischio di instabilità del modello. Il CLV presuppone la continuità del comportamento del cliente. Cambiamenti di mercato, nuovi concorrenti, modifiche del portafoglio prodotti o eventi dirompenti (crisi economiche, pandemie) possono invalidare i modelli addestrati su dati storici. I modelli di CLV richiedono una verifica periodica della calibrazione.
Rischio di uso improprio. Usare il CLV per stabilire il livello di servizio di ciascun cliente (i clienti con CLV basso ricevono un’assistenza peggiore) può accelerarne l’abbandono e trasformarsi in una profezia che si autoavvera.
Indicatori di successo
- Correlazione tra CLV previsto e CLV realizzato nei mesi successivi alla previsione
- Miglioramento del ROI di acquisizione per canale (assegnando più budget ai canali che attirano clienti con CLV più alto)
- Aumento del ricavo per cliente nei segmenti ad alto CLV in cui si investe in fidelizzazione e upselling
- Riduzione del tasso di churn nel segmento ad alto CLV
Come genera ROI
Il ROI del CLV predittivo ha due direttrici principali. La prima è l’ottimizzazione dell’acquisizione: sapendo quali canali o profili attirano i clienti di maggior valore futuro, si sposta il budget verso quelli che generano più valore netto. La seconda è la definizione delle priorità di fidelizzazione: investire nel trattenere i clienti con CLV più alto invece di applicare lo stesso sforzo a tutta la base.
L’impatto del CLV può manifestarsi anche nelle decisioni di prodotto e di pricing: quali prodotti o servizi hanno più trazione nei segmenti di maggior valore e come strutturare il portafoglio per massimizzare il valore complessivo della base clienti.
Domande frequenti
Il CLV predittivo è diverso dall’analisi RFM (recency, frequency, monetary)? L’RFM descrive il comportamento passato; il CLV predittivo stima il valore futuro. Sono complementari: l’RFM è un metodo di segmentazione basato sul comportamento osservato, mentre il CLV usa quel comportamento come input per proiettare il valore futuro, includendo probabilità di churn, potenziale di upselling e altre variabili. Per molte aziende, partire da un’analisi RFM ben implementata prima di affrontare il CLV predittivo è la sequenza naturale.
Si può applicare al B2B? Sì, con alcune particolarità. Nel B2B il «cliente» è di solito un account (un’azienda), non un individuo, e il rapporto coinvolge più interlocutori. I dati comportamentali sono più strutturati (ordini, contratti, interazioni commerciali) ma possono essere più scarsi. I modelli di CLV B2B includono di solito variabili relative all’account (dimensione, settore, durata del rapporto) oltre a quelle del comportamento transazionale.