• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Valor de ciclo de vida de cliente

CLV, Marketing

mayo 11, 2018 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 2 minutos

Compra on-line

En la mayoría de los negocios uno de los principales problemas es conocer el valor que aporta cada uno de los clientes. Uno de los indicadores más utilizados es el valor de ciclo de vida del cliente (CLV, por sus siglas en inglés “customer lifetime value”). El CLV se define como el valor presente de los beneficios futuros generados por el cliente durante toda la relación que se tenga con este.

Las empresas que saber calcular el CLV de cada uno de sus clientes tienen una excelente herramienta a la hora de tomar decisiones de inversión. Pueden saber qué clientes son rentables y cuales no. En las campañas de captación, pueden conocer cuál es el coste máximo de captación que se pueden permitir y, de esta manera, saber cuales son rentables.

Obtención del CLV

Básicamente, para obtener el CLV de un cliente solamente es necesario conocer tres valores: el tiempo que va a durar la relación, el beneficio neto anual que aporta el cliente y la tasa de descuento. Salvo la tasa de descuento, esto valores dependen mercado en el que nos estemos trabajando en cada momento.

Una vez obtenidos los valores anteriores para estimar el CLV solamente se ha de utilizar la expresión

CLV = \sum_{t=0}^n \frac{b_t}{(1 + r)^t}

donde n son los años que dura la relación, b_t es el beneficio obtenido en al año t y r es la tasa de descuento.

Lanzamos el video de ScoreFlow: crea scorecards de crédito de forma ágil y sin IT
En Analytics Lane
Lanzamos el video de ScoreFlow: crea scorecards de crédito de forma ágil y sin IT

El valor que se obtienen en las expresión anterior es el beneficio antes de descontar los costes de captación. En caos de que existan se han de descontar para saber si el cliente es realmente rentable o no

Implementación

Esta estimación se pude implementar con la siguiente función en R:

clv <- function(n, b, r) {
  result <- 0
  for (t in 0:n) {
    result <- result + b / (1+r)^t
  }
  return(result)
}

Publicidad


Ejemplo de estimación

Por ejemplo, se puede calcular el CLV para un cliente que va a seguir con nosotros durante 5 años además del actual, aporta un beneficio constante de 10€ y utilizando una tasa de descuento de 10%. En esta situación se pude ver que el CLV es 23,95 €. En esta situación duplicar el beneficio por cliente de 5€ a 10€ provocaría que el CLV aumentase hasta 47,91 €, mientras que duplicar el tiempo de la relación de 5 a 10 años daría un CLV de 35,72€. Lo que suele indicar que es mejor aumentar el beneficio

En futuras entradas se discutirá como calcular el CLV en situaciones más realistas.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Errores habituales al trabajar con DataFrames grandes en Pandas (y cómo evitarlos)
  • Cómo Comparar Dos Hipotecas con Todos los Gastos Incluidos
  • Analytics Lane lanza la versión 1.4 del laboratorio con nuevas herramientas de conversión y modelos avanzados de CLV

Publicado en: Ciencia de datos Etiquetado como: CLV, Marketing

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Errores habituales al trabajar con DataFrames grandes en Pandas (y cómo evitarlos)

agosto 6, 2026 Por Daniel Rodríguez

Champion vs Challenger: Cómo los Bancos Validan Modelos Nuevos antes de Ponerlos en Producción

agosto 4, 2026 Por Daniel Rodríguez

Cómo Comparar Dos Hipotecas con Todos los Gastos Incluidos

julio 30, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Probabilidad básica: cómo entender el azar en nuestra vida diaria publicado el junio 24, 2025 | en Ciencia de datos, Opinión
  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado publicado el julio 21, 2026 | en Ciencia de datos
  • Cambiar el separador decimal en Excel publicado el febrero 19, 2020 | en Herramientas
  • Jupyter Notebooks en Visual Studio Code Jupyter Notebooks en Visual Studio Code publicado el junio 22, 2020 | en Python
  • Libros para iniciarse en Machine Learning disponibles en castellano publicado el octubre 8, 2021 | en Ciencia de datos, Reseñas

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

Comentarios recientes

  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto