• Ir al contenido principal
  • Skip to secondary menu
  • Ir a la barra lateral primaria
  • Ir al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Noticias
    • Opinión
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Boletín
  • Contacto
  • Acerca de Analytics Lane
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • GearBest
      • GeekBuying
      • JoyBuy

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Criptografía
  • Python
  • Matlab
  • R
  • Julia
  • JavaScript
  • Herramientas
  • Opinión
  • Noticias

Valor de ciclo de vida de cliente

mayo 11, 2018 Por Daniel Rodríguez Dejar un comentario

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.

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)
}

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?

Contenido relacionado

Archivado en:Ciencia de datos Etiquetado con: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.

Publicidad


Barra lateral primaria

Suscríbete a nuestro boletín

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

Política de Privacidad

¡Síguenos en redes sociales!

  • facebook
  • github
  • telegram
  • pinterest
  • rss
  • tumblr
  • twitter
  • youtube

Publicidad

Tiendas afiliadas

Ayúdanos realizando tus compras sin coste adicional con los enlaces de la tienda. ¡Gracias!

Entradas recientes

Usar dispositivos USB en VirtualBox

enero 15, 2021 Por Daniel Rodríguez Dejar un comentario

Eliminar elementos en matrices de Matlab

enero 13, 2021 Por Daniel Rodríguez Dejar un comentario

NumPy

NumPy: Crear matrices vacías en NumPy y adjuntar filas o columnas

enero 11, 2021 Por Daniel Rodríguez Dejar un comentario

Publicidad

Es tendencia

  • Seleccionar filas y columnas en Pandas con iloc y loc bajo Python
  • ¿Cómo eliminar columnas y filas en un dataframe pandas? bajo Python
  • Excel en Python Guardar y leer archivos Excel en Python bajo Python
  • Codificación JSON Archivos JSON con Python: lectura y escritura bajo Python
  • Numpy básico: como añadir elementos en arrays de Numpy con np.append() bajo Python

Publicidad

Lo mejor valorado

5 (3)

Ordenar una matriz en Matlab en base a una fila o columna

5 (3)

Automatizar el análisis de datos con Pandas-Profiling

5 (5)

Diferencias entre var y let en JavaScript

5 (6)

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

5 (3)

Unir y combinar dataframes con pandas en Python

Publicidad

Comentarios recientes

  • Daniel Rodríguez en Calculadora de probabilidades de ganar a la lotería
  • abel en Calculadora de probabilidades de ganar a la lotería
  • David Arias en Diferencias entre regresión y clasificación en aprendizaje automático
  • Juan Aguilar en Archivos JSON con Python: lectura y escritura
  • Camilo en Contar palabras en una celda Excel

Publicidad

Footer

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Noticias
  • Opinión

Programación

  • JavaScript
  • Julia
  • Matlab
  • Python
  • R

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Lo más popular
  • Tienda

Tiendas Afiliadas

  • AliExpress
  • Amazon
  • BangGood
  • GearBest
  • Geekbuying
  • JoyBuy

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.

Tiendas afiliadas

Ayúdanos realizando tus compras sin coste adicional con los enlaces de la tienda. ¡Gracias!

Amazon

2018-2020 Analytics Lane · Términos y condiciones · Política de Cookies · Política de Privacidad · Herramientas de privacidad · Contacto