Customer Lifetime Value (CLV) ist die zentrale Steuerungsgröße jeder kundenorientierten Organisation. Gleichzeitig ist sie die am häufigsten falsch berechnete Kennzahl im Marketing. Dieser Artikel zeigt die drei relevanten Berechnungsarten, ihre Einsatzbereiche und die Fallen.
Was CLV ist — und was nicht
CLV ist der gesamte Wert, den ein Kunde einem Unternehmen über die gesamte Geschäftsbeziehung bringt. Der wichtige Teil ist „gesamt" — ein Blick auf eine Einzelbestellung ist CLV-fremd.
CLV ist nicht:
- Der letzte Kauf-Betrag (das ist der durchschnittliche Bestellwert, AOV)
- Der Umsatz der letzten 12 Monate (das ist historische Performance)
- Der „durchschnittliche Kunde wert X" (das ist eine Durchschnittszahl, die keinem Kunden entspricht)
CLV ist eine Zahl pro Kunden-Segment (oder Kunden-Profil), die zukünftige erwartete Wertbeiträge einrechnet.
Die drei Berechnungsarten
Variante 1 — Historischer CLV. Formel: Summe aller bisherigen Margen-Beiträge eines Kunden. Backwards-looking. Einfach, exakt für vergangene Werte, aber nicht direkt für Targeting nutzbar.
Einsatz: Reporting, retrospektive Analyse, ABC-Erweiterung.
Variante 2 — Prognostizierter (vorhergesagter) CLV. Formel: Durchschnittlicher Umsatz pro Periode × erwartete Verbleib-Dauer × Marge. Vorwärts-gerichtet, aber statistische Annahmen notwendig.
Beispiel-Rechnung für einen Bestandskunden:
- Durchschnittlicher Jahresumsatz: 500 €
- Erwartete Verbleib-Dauer: 3,5 Jahre
- Marge: 40 %
- Prognostizierter CLV: 500 × 3,5 × 0,4 = 700 €
Die schwierige Variable ist „erwartete Verbleib-Dauer", die meist aus Churn-Rate abgeleitet wird (1 / Churn-Rate).
Einsatz: Akquise-Budgets (CAC vs. CLV), Retention-Priorisierung, Segment-Targeting.
Variante 3 — Diskontierter CLV. Wie Variante 2, aber mit Diskontierung zukünftiger Zahlungen (typ. 8–12 Prozent p. a.). Erfasst, dass Geld in 3 Jahren weniger wert ist als heute.
Einsatz: Investitionsrechnung, M&A-Bewertungen, langfristige strategische Entscheidungen.
CLV-Formel mit Churn-Rate
Eine saubere einfache Formel für Subscription-Modelle:
CLV = (durchschnittlicher Monats-Umsatz × Marge) / Monats-Churn-Rate
Beispiel:
- Monats-Umsatz: 20 €
- Marge: 60 %
- Monats-Churn: 2 % (d. h. 0,02)
- CLV = (20 × 0,6) / 0,02 = 600 €
Das ist eine Näherung ohne Diskontierung. Für tiefere Genauigkeit Diskontierung ergänzen.
Pro Segment, nicht pro Einzelkunde
CLV ist als Steuerungsgröße pro Segment sinnvoll. CLV-Werte pro Einzelkunden sind statistisch instabil — der einzelne Kunde ist zu individuell, seine Zukunftszahlen zu unsicher.
Praktische Segmentierung:
- CLV nach Akquisekanal (welcher Kanal bringt die wertvollsten Kunden?)
- CLV nach Erst-Produkt-Kategorie (welche Produkte ziehen Hoch-CLV-Kunden?)
- CLV nach Akquise-Jahr (veralten die Kohorten oder bleiben sie stabil?)
Die CLV:CAC-Ratio
Die wichtigste CLV-Anwendung ist das Verhältnis zu Customer Acquisition Cost (CAC):
CLV : CAC
Als Faustregel: Eine Ratio unter 1:1 ist Verlust. 1:1 bis 3:1 ist kritisch. Ab 3:1 gesund. Über 5:1 oft Zeichen, dass der Kanal unterausgelastet ist — man könnte mehr investieren.
Aber Achtung: CLV:CAC ignoriert den Cashflow. Ein Unternehmen mit 6:1 Ratio kann trotzdem in Liquiditätsprobleme laufen, wenn die CAC-Payback-Zeit 3 Jahre ist. Deshalb beide Metriken parallel.
Typische CLV-Fallen
Falle 1 — CLV ohne Churn-Realismus. Wenn du 3 Jahre Verbleib-Dauer annimmst, aber deine tatsächliche Churn-Rate 30 Prozent pro Jahr ist, passt das nicht zusammen. Churn empirisch aus Kohorten-Analyse ableiten.
Falle 2 — CLV mit Bruttoumsatz. Marge muss rein. Ein 1.000-€-Kunde mit 5-Prozent-Marge ist weniger wert als ein 300-€-Kunde mit 70-Prozent-Marge.
Falle 3 — CLV ohne Akquisekanal. Akquise über Google Ads liefert oft andere CLV-Profile als Akquise über SEO oder Empfehlungen. Ein globaler CLV verschleiert das.
Falle 4 — Statischer CLV. CLV driftet — wenn du Preise änderst, Retention-Prozesse umbaust, Wettbewerber eintreten. Halbjährlich neu berechnen.
Falle 5 — CLV als einzige Metrik. Es gibt Kunden mit niedrigem CLV, die strategisch wertvoll sind (Referenzen, Marken-Aufbau, Daten). Diese müssen separat gesteuert werden.
Prognose-Modelle (Predictive CLV)
Für große Kundenportfolios lohnen sich ML-Modelle, die CLV aus Verhaltens-Signalen prognostizieren. Typische Inputs:
- Erste 30 Tage Aktivität
- Kategorie-Diversität der Käufe
- Rückkehr-Muster
- Ursprungs-Kanal
- Zahlungsverhalten
Libraries wie lifetimes (Python, auf BG/NBD-Modellen basierend) machen diese Prognose zugänglich. Das sind aber bereits Predictive-Analytics-Methoden — ohne Data-Science-Kompetenz schwer umzusetzen.
Anwendung in der Praxis
Bei FALKE haben wir CLV pro Akquisekanal und pro Erst-Produkt-Kategorie getrackt. Das Ergebnis: Der Loyalty-Programm-Kanal brachte Kunden mit 60 Prozent höherem CLV als Paid-Search — aber bei geringerem Volumen. Die Konsequenz: Paid-Search blieb als Volumen-Hebel, aber Investment in Loyalty wurde erhöht.
Die wichtigste Erkenntnis war nicht der absolute CLV-Wert, sondern das Delta zwischen den Kanälen. Das ist die typische CLV-Erkenntnis: Relative Unterschiede zählen mehr als absolute Werte.
Verbindungen: ABC-Analyse für historische Wert-Perspektive. Predictive Analytics für Modell-basierte CLV-Prognose. Segmentierung für CLV-Cluster.