CLTV

1
Departamento Innovación: Customer Timelife value

2
Introducción
El presente documento tiene por la importancia de entender la rentabilidad y el valor
de los clientes a lo largo del tiempo es esencial para el éxito de cualquier empresa. Es aquí
donde entra en juego el Customer Lifetime Value (CLTV), una métrica crucial que permite a
las organizaciones evaluar cuánto beneficio neto se puede esperar obtener de un cliente
durante toda su relación con la empresa. Para esto se describe brevemente una iniciativa
perteneciente al tercer trimestre de 2023 en Soluciones, dicha iniciativa tiene por objetivo
explorar distintas formas de implementar el cálculo de esta métrica explorando los
fundamentos matemáticos y las tecnologías que hacen posible la implementación.
Tabla de contenido
Introducción.................................................................................
Datos Históricos.....................................................
Descripción de la iniciativa..........................................................
CLTV Predictivo....................................................
Importancia..................................................................................
Solución Python usando Regresión
Lineal......................................................................................
Cálculo.........................................................................................
CLTV Simplificado (Gupta y Data........................................................................
Lehmann).....................................................................................
Visualización y limpieza de datos
............................................................................................
CLTV General (Gupta y Lehmann).............................................
Metodologías...............................................................................
.
Descripción de la iniciativa
En el contexto del análisis de datos, surge un desafío emocionante: combinar diferentes

campos como el marketing, el aprendizaje automático (machine learning) y la estadística,
para producir datos valiosos para una organización. La iniciativa busca sinergias entre estas
disciplinas para estudiar el indicador CLTV, el cual representa una métrica fundamental que
permite a las empresas conocer el valor económico que un cliente aportará a lo largo del
tiempo.
Al enfocarse en el CLTV, las empresas pueden tomar decisiones más informadas y

estratégicas para retener clientes valiosos, mejorar la lealtad y satisfacción del cliente, y
optimizar sus esfuerzos de marketing y ventas. Además, esta métrica también sirve como un
poderoso indicador para medir el éxito y la sostenibilidad de una empresa a largo plazo.
3
En este contexto, el análisis de datos se convierte en una herramienta clave para desbloquear
información valiosa sobre el comportamiento de los clientes y sus preferencias. Al
aprovechar el potencial de los datos y utilizar técnicas analíticas avanzadas, las empresas
pueden obtener una ventaja competitiva significativa y adaptar sus estrategias comerciales
para adaptarse a las necesidades cambiantes de los clientes.
Importancia
El CLTV permite a las empresas optimizar la inversión que se realiza al conseguir clientes,
dicho de otra forma, si aquellos clientes que se captan con las estrategias de captación se
quedan más tiempo consumiendo el servicio que ofrezco, entonces los gastos hechos en
publicidad y marketing para lograr aquella captación se justifican. Si bien es un dato muy
relevante para las empresas es bastante complejo obtener este indicador de una forma precisa
por lo que muchas empresas son reacias a considerar este indicador, sin embargo, si se logra
crear una métrica confiable puede ser de mucha ayuda ya que les permitiría saber entre otras
cosas cuánto dinero deberían gastar en la adquisición de los clientes, ya que si el valor de
CLTV es mayor que el costo de adquisición significa que estamos haciendo profit con la
adquisición de esos clientes, además puede ayudar con la relación con los clientes ya que se
pueden desarrollar estrategias para cuidar a aquellos grupos que tienen mayor CLTV y para
convencer a aquellos con un valor más bajo.
Cálculo
A través de la literatura han existido diversas formas de calcular esta métrica, en esta sección
se describirán diversas fórmulas utilizadas para el cálculo del CLTV.
CLTV Simplificado (Gupta y Lehmann)

Este modelo se utiliza bajo las siguientes condiciones
1.- La variable m es constante a través del tiempo
2.- La ratio de retención r es constante
3.- El largo del periodo de proyección es infinito
CLV =m ( r
1+i−r )
En donde :m=Margen o el valor promediode Ganancias menos
gastos de operación para cada clienter =Ratiode retenciónde clientes

i=tasa de descuento o costo de capital para la empresa
CLTV General (Gupta y Lehmann)
( )
T
( pt −ct ) r t
CLV =−AC + ∑ t
t =0 (1+i)
En donde : pt =Precio que pagaun consumidor enun tiempo t
c t =Costo del servicio en un tiempotr t =Probabilidad de que el cliente repitasu compra
AC=Costo de adquisiciónT =Tiempo para el cual se estimael CLV
i=tasa de descuento o costo de capital para la empresa
4
Metodologías
Datos Históricos
El modelo CLV histórico se basa en datos pasados para determinar el valor de un cliente, sin
considerar si seguirá haciendo negocios con la empresa o no. Como resultado, todos los
clientes, tanto antiguos como nuevos, son agrupados juntos.
Este enfoque es el más simple y antiguo para calcular el CLTV. Supone que todos los clientes
tienen un gasto promedio constante y una tasa de abandono similar. Por lo tanto, es útil
cuando la mayoría de los clientes comparten las mismas preferencias y se involucran de
manera similar con la marca a lo largo de un período de tiempo específico. Por ejemplo,
piense en un cliente que compra un árbol de Navidad cada año en el mismo minorista.
Sin embargo, este modelo puede ser complicado si los clientes tienen diferencias
significativas entre sí, ya que esto podría distorsionar los resultados y llevar a un CLTV
inexacto. En situaciones donde los comportamientos y preferencias de los clientes varían
considerablemente, este modelo puede no ser el más adecuado para calcular el valor a largo
plazo de cada cliente.
CLTV Predictivo
El Customer Lifetime Value (CLTV) se calcula utilizando modelos predictivos que
emplean técnicas avanzadas de análisis de datos y machine learning para prever el valor
futuro de cada cliente a lo largo de su ciclo de vida con la empresa. Se utilizan modelos
principalmente de regresión este modelo se basa en datos históricos de clientes y utiliza
técnicas de regresión para predecir el valor de vida útil de cada cliente en función de
variables relevantes y características específicas. Desde modelos sencillos como el de
regresión lineal hasta modelos más complejos como Random Forest o Gradient Boosting
pueden ser utilizados para esta labor.
Solución Python usando Regresión Lineal
A modo de testeo de una posible solución para esta problemática se implementó un

script en Python basado en un documento publicado por Aigerim Shopenova, que utiliza la
regresión lineal para el calculo del CLTV.
Data
Esta solución utiliza un conjunto de datos público del repositorio de aprendizaje

automático de UCI, que se puede encontrar aquí. Este conjunto de datos contiene información
sobre las transacciones que se produjeron entre el 12/01/2010 y el 12/09/2011 para una tienda
minorista en línea registrada en el Reino Unido. La empresa vende principalmente regalos
únicos para toda ocasión.
5
 InvoiceNo: Número de factura. Nominal, un número entero de 6 dígitos asignado de

forma única a cada transacción. Si este código comienza con la letra 'c', indica una
cancelación
 StockCode: Código del producto (artículo). Nominal, un número entero de 5 dígitos
asignado de forma única a cada producto distinto.
 Descripcion: Nombre del producto (artículo). Nominal
 Quantity: Las cantidades de cada producto (artículo) por transacción.
 InvoiceData: Fecha y hora de la factura. Numérico, el día y la hora en que se generó
cada transacción
 UnitPrice: Precio unitario. Numérico, precio del producto por unidad en libras
esterlinas
 CustomerID: Número de cliente. Nominal, un número entero de 5 dígitos asignado
de forma única a cada cliente
 Country: Nombre del país. Nominal, el nombre del país donde reside cada cliente.
Visualización y limpieza de datos

6
Ya que columnas como CustomerId y descripción contienen valores nulos eliminamos los
valores nulos con .loc ya que necesitaríamos estos datos fuera para realizar cálculos más
adelante. Quantity tiene algunos valores negativos por lo que se eliminaràn y UnitPrice sufre
el mismo problema así que también se elimina.
Se crean funciones para la agregación de datos por Customer ID y se utilizan para obtener un
resumen por cliente posterior a ello filtramos este conjunto de datos por los clientes que
tengan una duración de fecha de compra mayor a 0 para limpiar con los datos que nos
servirán para el cálculo.
7
Resumen de resultados
Se entrena el modelo de regresión lineal en base a los datos correspondientes a 3 meses :

8
Comparación de resultados, mientras el punto más se acerque a la diagonal más cercana fue
la predicción de ese valor.

CLTV

Cargado por

Copyright:

Formatos disponibles

CLTV

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

CLTV

Cargado por

Copyright:

Formatos disponibles

1

Departamento Innovación: Customer Timelife value

CLTV Simplificado (Gupta y Data........................................................................

En el contexto del análisis de datos, surge un desafío emocionante: combinar diferentes

Al enfocarse en el CLTV, las empresas pueden tomar decisiones más informadas y

CLTV Simplificado (Gupta y Lehmann)

gastos de operación para cada clienter =Ratiode retenciónde clientes

Solución Python usando Regresión Lineal

A modo de testeo de una posible solución para esta problemática se implementó un

Esta solución utiliza un conjunto de datos público del repositorio de aprendizaje

 InvoiceNo: Número de factura. Nominal, un número entero de 6 dígitos asignado de

Visualización y limpieza de datos

Se entrena el modelo de regresión lineal en base a los datos correspondientes a 3 meses :

También podría gustarte