Predictive CLV Nedir?

Sayılarla ne demek?

Klasik müşteri yaşam boyu değeri geçmişe bakar: bu müşteri bugüne kadar ne kadar harcadı? Bu bilgi değerlidir ama geç gelir. Bir müşterinin gerçekten değerli olup olmadığı ancak aylar, hatta yıllar sonra anlaşılır. Öngörücü yaşam boyu değer, aynı soruyu ileriye dönük sorar: bu müşteri önümüzdeki yıl ne kadar getirecek?

Tahminin en büyük faydası hızdır. İlk siparişin tutarı, hangi kategoriden alındığı, hangi kanaldan gelindiği, indirimle mi tam fiyatla mı alındığı gibi sinyaller, müşterinin gelecekteki değeri hakkında erken ipuçları verir. Model bu ipuçlarını birleştirerek yeni bir müşteriyi daha ilk haftalarda değerlendirebilir.

Tahmin iki soruyu birlikte yanıtlar: müşteri tekrar alışveriş yapacak mı ve yaparsa ne kadar harcayacak? Bu yüzden satın alma sıklığı, son siparişten bu yana geçen süre ve ortalama sepet tutarı, modellerin temel girdileridir. Kar odaklı hesaplamalarda iade oranı ve ürün marjı da eklenir.

Nerede kullanılır?

İlk satır, reklam ve CRM verisinin buluştuğu nokta. Sipariş anında yalnızca sepet tutarını değil, tahmini yaşam boyu değeri reklam platformuna aktarmak, algoritmaları tek seferlik alıcılar yerine uzun vadede değerli müşterileri bulmaya yönlendirebilir.

Devreye alırken

1. Dönemi belirleyin. 6, 12 ya da 24 ay; iş modeline göre.
2. Gelir mi kar mı, netleştirin. İade ve marj dahil mi?
3. Tahmini geçmişle doğrulayın. Eski kohortlarda ne kadar isabetli?
4. Düzenli yenileyin. Her yeni siparişte güncellensin.
5. Kararlara bağlayın. Teklif, bütçe, CRM önceliği.

Uygulamada ne oluyor?

En sık durum, tahminin yalnızca bir rapor olarak kalması. Model her müşteri için bir değer hesaplıyor ama bu değer ne reklam teklifine ne de CRM akışlarına bağlanıyor; bilgi hiçbir kararı değiştirmiyor.

İkinci gözlem, gelir tahmininin kar gibi kullanılması. Yüksek harcama yapan ama sürekli iade eden ya da yalnızca indirimli ürün alan müşteri, gelir bazlı modelde değerli görünüyor; kar bazında ise zararlı olabiliyor.

Üçüncüsü, modelin kohort analizi ile doğrulanmaması. Tahminlerin gerçekle ne kadar örtüştüğü, bir yıl önceki müşteri gruplarının gerçek harcamasıyla karşılaştırılmadan model güvenilir sayılıyor.

Dördüncüsü, yeni müşteri için tek bir ortalama değer kullanılması. Bütün yeni müşterilere aynı tahmin atanıyor; oysa model asıl değerini, ilk siparişin özelliklerine göre müşterileri ayırt ederek gösteriyor.

Beşincisi, müşteri edinme maliyeti ile karşılaştırma yapılmaması. Bir kanalın getirdiği müşterilerin tahmini değeri, o kanalın edinme maliyetinin çok üzerindeyse, bütçe artırılabilir; bu hesap yapılmadığında kanal yalnızca ilk sipariş ROAS'ıyla değerlendiriliyor.

Altıncısı, reklam platformuna aktarılan değerin tutarsız olması. Bir gün sepet tutarı, bir gün tahmini değer gönderiliyor; algoritma çelişen sinyallerle öğrenmeye çalışıyor ve değer bazlı optimizasyon bozuluyor.

Yedincisi, tahminlerin güncellenmemesi. Müşteri ikinci ve üçüncü siparişini verdi ama değeri ilk siparişteki tahminde kaldı; model, müşterinin yeni davranışını yansıtmıyor.

Sekizincisi, abonelik ve tek seferlik satış modellerinin karıştırılması. Abonelik işinde değer büyük ölçüde iptal olasılığına bağlı; tek seferlik satışta ise tekrar alım sıklığına. Aynı model ikisini de iyi tahmin etmiyor.

Dokuzuncusu, düşük tahminli müşterilerin ihmal edilmesi. Tahmin düşük diye bu müşterilere hiç yatırım yapılmıyor; ama bir kısmı doğru bir deneyimle değerli müşteriye dönüşebilirdi. Tahmin, kaderi değil bugünkü olasılığı gösteriyor.

Onuncusu, veri kaynaklarının eksik olması. Pazaryeri ve mağaza satışları modele dahil edilmediğinde, çok kanallı müşteriler gerçekte olduklarından çok daha düşük değerli görünüyor.

On birincisi, tahmin belirsizliğinin göz ardı edilmesi. İlk siparişten sonra yapılan tahmin, beşinci siparişten sonrakinden çok daha belirsiz; kararlarda bu farkın hesaba katılması gerekiyor.

On ikincisi, müşteriye farklı davranmanın sınırlarının düşünülmemesi. Değere göre hizmet kalitesini düşürmek, örneğin düşük tahminli müşterinin destek talebini bekletmek, marka algısına zarar verebiliyor; öncelik ayrıcalık eklemekte olmalı, temel hizmeti kısmakta değil.

Neyi garanti etmez?

Öngörücü yaşam boyu değer, müşterinin gerçekten o kadar harcayacağını garanti etmez. Bugünkü verilere dayanan bir olasılık tahminidir; deneyim ve rekabet koşulları değiştikçe gerçek sonuç farklılaşır.

Sıkça sorulan sorular

Klasik LTV'den farkı ne?

Klasik değer geçmiş harcamayı toplar; öngörücü değer gelecek dönemdeki harcamayı tahmin eder.

Ne kadar erken tahmin yapılabilir?

İlk siparişten sonra kaba bir tahmin yapılabilir; sipariş sayısı arttıkça isabet yükselir.

Reklamda nasıl kullanılır?

Dönüşüm değeri olarak tahmini yaşam boyu değer gönderilerek, algoritmalar uzun vadede değerli müşterilere yönlendirilir. Bu konuyla birlikte ele alınan Predictive Sending, yapay zekayla her kişiye en uygun gönderim zamanını ve sıklığını tahmin edip mesajı ona göre ileten yaklaşımdır.

Bu kavramın bütün resim içindeki yerini Retention Pazarlama Rehberi içinde ayrıntılı anlattım.