El Customer Lifetime Value (CLV) es, probablemente, la métrica más importante que puede calcular una empresa orientada al cliente. No porque sea la más fácil, no lo es, sino porque obliga a pensar correctamente: un cliente no es una transacción, es una relación con valor económico distribuido en el tiempo.
Este artículo cubre la formulación clásica del CLV basada en retención y descuento. Es el punto de partida de esta serie antes de entrar en los modelos probabilísticos BG/NBD y BG/BB, que abordaremos en entregas posteriores. Si quieres explorar los cálculos de forma interactiva, la herramienta CLV Simple del laboratorio te va permitir ajustar todos los parámetros en tiempo real para comprobar sus concuencias.
Tabla de contenidos
El CLV responde a una pregunta concreta: ¿cuánto vale económicamente un cliente a lo largo de toda su relación con la empresa?
No cuánto ha gastado hasta hoy. No cuánto gastará el próximo mes. Sino el valor presente de todos los márgenes futuros que ese cliente generará, ponderados por la probabilidad de que siga siendo cliente en cada período.
Esta distinción importa porque cambia la lógica durante la toma de decisiones. Si solo miras los ingresos actuales, un cliente que compra poco pero lleva diez años contigo puede parecer menos valioso que uno que acaba de hacer una compra grande. El CLV invierte esa perspectiva: lo que importa es la relación esperada completa, descontada al valor presente.
La fórmula clásica descompone el CLV en tres variables:
Para un horizonte de T años, el CLV se calcula como: CLV_T = M \sum_{t=1}^{T} \left(\frac{r}{1+d}\right)^t = M \cdot \frac{\rho(1-\rho^T)}{1-\rho}, donde \rho = \frac{r}{1+d} es el factor de descuento ajustado por retención.
La suma recorre cada año futuro. En el año t, el margen esperado es M \cdot r^t, porque la probabilidad acumulada de que el cliente siga activo después de t años es r^t , y ese margen se descuenta al presente dividiéndolo por latex^t[/latex].
Combinando ambos efectos en un solo factor \rho, la suma geométrica tiene solución cerrada, que es la expresión de arriba.
Con los parámetros por defecto de la herramienta — M = 50 \, \text{€}, r = 0{,}70, d = 0{,}10, T = 5 \, \text{años} — el resultado es 94,04 €. Ese es el valor presente de todos los márgenes esperados durante cinco años de relación con el cliente.
Cuando T tiende a infinito, la serie geométrica converge siempre que \rho < 1, es decir, siempre que 1 + d > r a: CLV_\infty = M \cdot \frac{r}{1+d-r}.
Con los mismos parámetros: 50 \cdot \frac{0{,}70}{1{,}10 - 0{,}70} = 50 \cdot \frac{0{,}70}{0{,}40} = 105{,}00 \, \text{€}.
La condición 1 + d > r se cumple en cualquier negocio real con coste de capital positivo y retención menor que el 100%, que son las dos condiciones mínimas para que tenga sentido el cálculo. Una empresa con retención del 100% y coste de capital cero tendría un CLV infinito, lo cual es matemáticamente correcto y prácticamente imposible.
El CLV infinito es útil como cota superior teórica y como simplificación cuando el horizonte temporal es suficientemente largo. La diferencia entre el horizonte finito y el infinito disminuye a medida que T crece: para T = 5 \, \text{años} con estos parámetros ya estás capturando más del 97% del CLV infinito.
Una pregunta práctica frecuente: ¿a cuántos años de horizonte debo calcular el CLV para tener una estimación razonablemente completa?
La respuesta depende de la retención. Con r = 0,70, la cohorte inicial se reduce así:
| Año | Clientes activos (de 1.000) | % supervivencia |
|---|---|---|
| 1 | 700 | 70% |
| 2 | 490 | 49% |
| 3 | 343 | 34% |
| 5 | 168 | 17% |
| 10 | 28 | 3% |
Con una retención del 70%, a los 5 años ya quedan menos de 1 de cada 5 clientes originales. El CLV a 5 años captura el 90% del valor total. Por eso la herramienta muestra “años hasta el 90% del CLV”: es un horizonte práctico más que el teórico.
Con retencion alta, digamos r = 0,90, la historia es muy distinta: necesitas 20 años para llegar al mismo 90%. Los negocios con retención alta, como banca, seguros, telecomunicaciones, no pueden usar horizontes cortos sin subestimar el CLV significativamente.
La sensibilidad del CLV a la tasa de retención es no lineal y se suele subestimar sistemáticamente. La herramienta lo muestra explícitamente: subir la retención un 5% (de 70% a 75%) aumenta el CLV en 15,59 €, un incremento del 16,6% sobre el valor base.
Eso con solo cinco puntos de retención adicional. ¿Por qué el impacto es tan grande?
Porque la retención actúa de forma compuesta. Un cliente retenido hoy no solo genera margen este año: también tiene probabilidad de generar margen el año que viene, y el siguiente. El efecto se multiplica a lo largo de todo el horizonte.
Veamos el CLV para un periodo infinito en función de la retención, manteniendo M = 60 € y d = 0,10:
| Retención | CLV infinito |
|---|---|
| 0,60 | 86,40 € |
| 0,70 | 126,00 € |
| 0,75 | 154,29 € |
| 0,80 | 192,00 € |
| 0,85 | 244,80 € |
| 0,90 | 324,00 € |
La relación no es lineal. Pasar de 60% a 70% suma 39,6 €. Pasar de 80% a 90% suma 132 €. En retencion alta, cada punto adicional aporta un valor enormemente respecto a lo que se obtiene con retención baja.
Esta asimetría tiene implicaciones directas para la asignación de presupuesto de retención: en negocios con retención ya alta, incluso programas de fidelización caros pueden tener ROI positivo porque el denominador (1+d-r) se hace muy pequeño ante mejoras marginales de r.
La herramienta muestra la descomposición del CLV por año, que revela algo importante: la mayor parte del valor está concentrada en los primeros años.
Con r = 0,70 y d = 0,10:
La contribución de cada año cae geométricamente. Esto tiene consecuencias prácticas: los esfuerzos de retención durante los primeros años de la relación tienen un impacto sobre el CLV mucho mayor que los esfuerzos en años posteriores, simplemente porque hay más valor futuro en juego.
El CLV cobra todo su significado cuando se compara con el coste de adquisición de clientes (CAC). La relación CLV/CAC es el indicador de salud de cualquier negocio orientado al cliente.
Si CLV = 94 € y CAC = 30 €, la ratio es 3,1x. Como referencia general:
El período de recuperación del CAC, cuántos años tarda el margen acumulado en superar el coste de adquisición, es otro indicador útil, especialmente en startups donde la liquidez importa tanto como la rentabilidad a largo plazo.
La fórmula clásica es elegante y útil, pero tiene supuestos fuertes que conviene conocer:
A pesar de estas limitaciones, el CLV clásico sigue siendo útil como herramienta de diagnóstico rápido y como marco conceptual para entender qué palancas mueven el valor del cliente. Los modelos probabilísticos añaden precisión, pero a costa de complejidad; el CLV clásico es el punto de partida imprescindible.
La herramienta CLV Simple permite explorar todos estos conceptos de forma interactiva. Los parámetros que puedes ajustar son:
Los resultados incluyen el CLV a horizonte finito e infinito, el margen bruto anual, los años necesarios para capturar el 90% del valor, y los gráficos de CLV acumulado por año, sensibilidad a la retención y descomposición anual.
Un ejercicio útil: ajusta la retención en incrementos de 5% y observa cómo cambia el CLV. La no linealidad del impacto se hace inmediatamente visible, y eso solo justifica el tiempo dedicado a entender el modelo.
Este artículo ha cubierto la base: qué es el CLV, cómo se calcula con la fórmula clásica, y cuáles son sus limitaciones principales.
El siguiente artículo abordará la segmentación RFM, Recencia, Frecuencia y Valor Monetario, que permite clasificar la cartera de clientes antes de aplicar modelos más sofisticados. RFM no calcula CLV directamente, pero identifica qué segmentos merecen qué nivel de inversión en retención y captación.
Después entraremos en los modelos probabilísticos: BG/NBD para negocios con compras en tiempo continuo, y BG/BB para negocios con oportunidades de compra discretas. Ambos resuelven las limitaciones más importantes del modelo clásico y producen estimaciones de CLV a nivel de cliente individual, no solo de cartera agregada.
Imagen de Vlad Vasnetsov en Pixabay
Seguimos ampliando el laboratorio de Analytics Lane con el lanzamiento de la versión 1.4, que…
Hemos llegado a la sexta entrega de la serie. Si las cuatro primeras fueron las…
En Analytics Lane seguimos apostando por desarrollar herramientas que simplifiquen el trabajo de analistas y…
Imagina que construyes un scorecard con un Gini de 0,85. Un resultado extraordinario, muy por…
En las cuatro entregas anteriores recorrimos los disparates más folclóricos del género: faldas que predicen…
En Analytics Lane seguimos evolucionando nuestras herramientas y damos un paso más con el lanzamiento…
This website uses cookies.