ارزش طول عمر مشتری (CLV) در کسب‌وکار اجاره اقامتگاه

ارزش طول عمر مشتری (CLV) یعنی حاشیه‌ی سودی که انتظار دارید در کل رابطه‌ی یک مهمان با اقامتگاه شما از او بگیرید. وقتی عدد آن را بدانید می‌توانید تصمیم بگیرید برای جذب یک مهمان تازه حداکثر چقدر خرج کنید، پیشنهاد مهمان تکراری چقدر اقتصادی است و از کدام گروه مهمان باید بیشتر نگه‌داری کنید.

این درس یک جلسه‌ی کلاس است: تعریف، فرمول، مثال اقامتگاهی و محدودیت. همه‌ی عددها فرضی و گردند و برای تمرین محاسبه آمده‌اند، نه توصیف بازار ایران. آخرین بازبینی: ۲ آبان ۱۴۰۵.

هدف‌های یادگیری این درس

پس از این درس باید بتوانید:

1. CLV را تعریف کنید و تفاوت آن با درآمد کل مهمان را بگویید.

2. CLV را با فرمول نرخ نگهداشت و تنزیل حساب کنید.

3. CAC را حساب و نسبت CLV به CAC را تفسیر کنید.

4. اثر تغییر نرخ نگهداشت بر CLV را بسنجید و نقطه‌ی سربه‌سر یک تخفیف وفاداری را پیدا کنید.

5. محدودیت‌های مدل را بشناسید.

CLV چیست و از کجا آمده؟

گوپتا، لهمن و استوارت (۲۰۰۴، Journal of Marketing Research) ارزش مشتری را «مجموع مورد انتظار سودهای آینده‌ی تنزیل‌شده» تعریف می‌کنند که بر دو فرض کلیدی تکیه دارد: نرخ نگهداشت و حاشیه‌ی سود؛ و ارزش کل مشتریان را از نرخ جذب و هزینه‌ی جذب می‌گیرند. ما نسخه‌ی پیش از انتشار این مقاله (دانشکده‌ی کسب‌وکار کلمبیا، بازنگری فوریه‌ی ۲۰۰۳) را به‌طور کامل خواندیم. کتاب آزاد «اصول بازاریابی» (OpenStax، فصل ۲) CLV را برآورد ارزش یک مشتری برای شرکت در کل دوره‌ی عمر مشتری می‌داند و تأکید می‌کند رقمی «آینده‌نگر» است نه تضمین‌شده. ریشه‌ی اصطلاح (کتاب «بازاریابی پایگاه داده»، شاو و استون، ۱۹۸۸) را فقط از ویکی‌پدیا داریم و تأیید نکرده‌ایم؛ مرور ۲۰۰۶ گوپتا و دیگران در Journal of Service Research را هم نخواندیم.

یک تفاوت نمادگذاری که باید بدانید: OpenStax فرمول را «سود سالانه‌ی هر مشتری × میانگین سال‌های ماندن − CAC» می‌نویسد و هزینه‌ی جذب را داخل CLV کم می‌کند، همان‌جا هم یادآوری می‌کند هزینه‌ی کالا و خدمت‌دهی باید در سود لحاظ شود. ما برعکس CLV را از حاشیه‌ی خالص (بی‌نیاز از CAC) می‌سازیم و CAC را جدا در نسبت می‌آوریم؛ هر دو منطق یکی است، ولی باید فقط یکی را به کار ببرید.

«ارزش دارایی مشتری» (customer equity) مجموع CLV همه‌ی مشتریان است (OpenStax)؛ در مثال ما همان تعداد مشتری ضرب میانگین ارزش هر مشتری است. سه محرک آن، ارزش ادراک‌شده، برند و تمایل ماندن است.

مثال اقامتگاهی: فرض کنید یک ویلا در سال ۱۰۰ مهمان تازه می‌گیرد. اگر بدانید هر مهمان به طور میانگین ۴٫۱ میلیون تومان حاشیه‌ی تنزیل‌شده می‌آورد، ارزش دارایی مشتریان همان سال ۱۰۰ × ۴٫۱ = ۴۱۰ میلیون تومان است. این عدد با درآمد سالانه فرق دارد؛ حاشیه‌ی آینده را هم می‌شمارد.

خطای رایج

CLV را درآمد کل گرفتن. ویکی‌پدیا انتقاد می‌کند که استفاده از درآمد یا حاشیه‌ی ناخالص به‌جای سود خالص می‌تواند CLV را چند برابر بیش از واقع نشان دهد. در اقامتگاه باید نظافت، کارمزد کانال و مصرفی از درآمد کم شود.

فرمول ساده و فرمول با نگهداشت

حاشیه‌ی هر رزرو (m): درآمد رزرو منهای هزینه‌های متغیر (نظافت، رختشویی، مصرفی، انرژی مصرفی، کارمزد کانال). هزینه‌ی ثابت ساختمان را جدا نگه دارید.

نرخ نگهداشت (r): احتمال اینکه مهمان در دوره‌ی بعد دوباره رزرو کند. نرخ ریزش (churn) = ۱ − r. ویکی‌پدیا ریزش را نسبت مشتریان از دست‌رفته به کل در یک دوره تعریف می‌کند و می‌گوید عمر متوسط مشتری تقریباً معکوس ریزش است؛ ریزش ۲۵٪ سالانه حدود چهار سال، ۳۳٪ حدود سه سال (ویکی‌پدیا: Churn rate).

سه فرمول:

1. ساده (بدون تنزیل): تعداد مورد انتظار رزرو = ۱ ÷ (۱ − r)؛ CLV = m ÷ (۱ − r) (شامل رزرو اول).

2. با تنزیل (ارزش رزروهای آینده): CLV آینده = m × r ÷ (۱ + d − r)، که d نرخ تنزیل سالانه است. ویکی‌پدیا همین شکل را برای حاشیه و نگهداشت ثابت آورده است (ویکی‌پدیا: Customer lifetime value).

3. ارزش کل مهمان = حاشیه‌ی رزرو اول + CLV آینده.

فرمول (۲) همان مجموع تنزیل‌شده‌ی بی‌نهایت جمله‌ی گوپتا و همکاران (۲۰۰۴، معادله‌ی ۲) است: در آن مقاله مجموع از دوره‌ی صفر شروع می‌شود و هر جمله به‌صورت حاشیه ضرب (r ÷ (۱ + d)) به توان t است، که مجموعش می‌شود m × (۱ + d) ÷ (۱ + d − r). اگر جمله‌ی صفر (رزرو اول) را جدا کنیم، باقی همان m × r ÷ (۱ + d − r) ماست. نویسندگان دلیل افق نامحدود را هم می‌گویند: لازم نیست تعداد سال ماندن را دلخواه تعیین کنیم، و تبدیل نرخ نگهداشت به «عمر متوسط» و سپس تنزیل روی آن بازه‌ی ثابت، ارزش را بیش‌برآورد می‌کند (مثال خودشان با حاشیه‌ی ۱۰۰ دلار، نگهداشت ۸۰٪ و تنزیل ۱۲٪: حدود ۳۶۰ دلار در برابر ۲۵۰ دلار، یعنی حدود ۴۴٪ بیش‌برآورد). پس «عمر مورد انتظار ۱ ÷ (۱ − r)» در مثال ما فقط برای فهم شهودی است و پایه‌ی محاسبه‌ی ارزش نیست. خودشان نرخ نگهداشت ثابت را فرض ساده‌کننده می‌نامند.

تنزیل بر این ایده است که پول آینده امروز کمتر می‌ارزد: ارزش فعلی = مبلغ آینده ÷ (۱ + d)^n (ویکی‌پدیا: Discounted cash flow). نرخ تنزیل جبران زمان و ریسک است و انتخابش به شرایط خود شماست. گوپتا و همکاران می‌نویسند متون مالی معمولاً بازه‌ی ۸ تا ۱۶ درصد سالانه را پیشنهاد می‌کنند و خودشان ۱۲٪ را برای شرکت‌های آمریکایی به کار برده‌اند؛ برای ایران نرخ رسمی توصیه‌شده‌ای ندیدیم و ۲۰٪ در مثال‌ها صرفاً فرضی است.

مثال اقامتگاهی: فرض کنید مهمان ویلا هر سال حداکثر یک بار رزرو می‌کند: دو شب × شبی ۴ میلیون = ۸ میلیون درآمد. هزینه‌های متغیر و کارمزد ۷۰٪ از آن را می‌برد، پس m = ۲٫۴ میلیون. r = ۰٫۵ و d = ۰٫۲.

- عمر مورد انتظار: ۱ ÷ (۱ − ۰٫۵) = ۲ رزرو. - بدون تنزیل: ۲٫۴ ÷ ۰٫۵ = ۴٫۸ میلیون. - ارزش آینده با تنزیل: ۲٫۴ × ۰٫۵ ÷ (۱ + ۰٫۲ − ۰٫۵) = ۱٫۲ ÷ ۰٫۷ ≈ ۱٫۷۱۴ میلیون. - ارزش کل: ۲٫۴ + ۱٫۷۱۴ = ۴٫۱۱۴ میلیون.

برای دیدن مفهوم روی ۱۰۰ مهمان، جدول زیر را ببینید (میلیون تومان، تنزیل ۲۰٪):

۱۷۱٫۴ میلیون برای ۱۰۰ مهمان یعنی ۱٫۷۱۴ میلیون برای هر نفر؛ با فرمول بسته یکی است. جدول نشان می‌دهد بیشترِ ارزش آینده در سال اول می‌آید (۱۰۰ از ۱۷۱٫۴، حدود ۵۸٪).

خطای رایج

شمردن رزرو اول در دو جا. در فرمول (۲) رزرو اول حساب نمی‌شود؛ آن را جدا اضافه کنید یا در CAC در نظر بگیرید، نه هر دو.

هزینه‌ی جذب مشتری (CAC) و نسبت CLV به CAC

OpenStax CAC را مبلغی می‌داند که شرکت برای جذب هر مشتری تازه خرج می‌کند و می‌گوید CLV باید از CAC بیشتر باشد وگرنه برای جذب مشتری بیش از ارزش او هزینه می‌کنیم. تعریف و تفکیک روش ساده و کامل زیر از ویکی‌پدیاست. روش ساده: کل هزینه‌ی بازاریابی برای مشتریان تازه تقسیم بر تعداد مشتریان جذب‌شده؛ روش کامل‌تر حقوق و نرم‌افزار و هزینه‌های جانبی را هم اضافه می‌کند. همان منبع می‌گوید نسبت LTV به CAC کارایی بازاریابی را می‌سنجد: ۱ به ۱ یعنی با احتساب هزینه‌ی خدمت ضرر؛ زیر ۱ مشکل مالی؛ ۳ به ۱ بسیار خوب؛ و بالای ۳ فضای رشد با جذب بیشتر (ویکی‌پدیا: Customer acquisition cost). این آستانه‌ها قاعده‌ی تجربی‌اند نه قانون، و منبع آن‌ها را به تحقیق مشخصی ارجاع نمی‌دهد.

مثال اقامتگاهی: فرض کنید برای جذب یک مهمان تازه: ۸۰۰ هزار تومان تخفیف رزرو اول و ۴۰۰ هزار تومان هزینه‌ی تبلیغ و عکاسی سرشکن‌شده خرج می‌شود؛ CAC = ۱٫۲ میلیون. نسبت CLV به CAC: ۴٫۱۱۴ ÷ ۱٫۲ ≈ ۳٫۴۳، یعنی بالاتر از آستانه‌ی ۳. بازگشت سرمایه (payback): حاشیه‌ی رزرو اول ۲٫۴ میلیون بیشتر از ۱٫۲ است؛ هزینه‌ی جذب در همان رزرو اول جبران می‌شود. اگر فقط ارزش رزرو اول را می‌دیدید، نسبت ۲٫۴ ÷ ۱٫۲ = ۲٫۰ می‌شد و گمراه‌کننده بود.

خطای رایج

CAC را فقط تبلیغ دیدن. تخفیف رزرو اول، زمان پاسخ و کارمزد پلتفرم هم بخشی از هزینه‌ی جذب‌اند. کارمزد را یا در m یا در CAC بشمارید، نه هر دو.

نگهداشت چقدر اهرم دارد؟

نرخ نگهداشت در مخرج فرمول است و اثرش غیرخطی است. ریچهلد و ساسر (۱۹۹۰، HBR) ادعا کرده‌اند افزایش ۵٪ نگهداشت می‌تواند سود را نزدیک دو برابر کند (به روایت خلاصه‌ی Bain). شواهد دانشگاهی باز در جهت همین است ولی با عدد و احتیاط: گوپتا و همکاران (۲۰۰۴) روی پنج شرکت (یک شرکت کارت اعتباری و چهار شرکت اینترنتی) دیدند بهبود ۱٪ نگهداشت ارزش مشتریان را حدود ۲٫۴۵ تا ۶٫۷۵٪ بالا می‌برد، در حالی که بهبود ۱٪ حاشیه حدود ۱٪ و کاهش ۱٪ هزینه‌ی جذب فقط ۰٫۰۲ تا ۰٫۳۲٪ اثر دارد. خودشان دو هشدار می‌دهند: هزینه‌ی بهبود نگهداشت را نشمرده‌اند، پس نمی‌شود نتیجه گرفت همیشه باید نگهداشت را بالا برد؛ و حذف کامل ریزش لزوماً مطلوب نیست چون ممکن است قیمت را پایین نگه داشته باشید. این پنج شرکت مالی و اینترنتی‌اند، نه اقامتگاه. برای اقامتگاه بهتر است عدد خودتان را از جدول زیر بسازید.

مثال اقامتگاهی: m = ۲٫۴ میلیون، d = ۰٫۲، CAC = ۱٫۲ میلیون و نرخ‌های نگهداشت مختلف:

با رفتن r از ۰٫۵ به ۰٫۷، ارزش آینده ۳٫۳۶ ÷ ۱٫۷۱۴ ≈ ۱٫۹۶ برابر می‌شود، یعنی تقریباً دو برابر. یعنی افزایش ۲۰ واحدی نگهداشت (۴۰٪ نسبی) ارزش آینده را نزدیک به دو برابر کرده است. برای راه‌های عملی بالابردن نگهداشت وفاداری مهمان و رزرو تکراری و طراحی باشگاه و CRM را ببینید.

نقطه‌ی سربه‌سر تخفیف وفاداری

فرض کنید به مهمان تکراری ۵٪ تخفیف می‌دهید: ۸ میلیون × ۰٫۰۵ = ۰٫۴ میلیون کمتر؛ حاشیه‌ی رزروهای تکراری ۲٫۴ − ۰٫۴ = ۲٫۰ می‌شود. تخفیف وقتی ارزش دارد که ارزش آینده‌ی جدید از ۱٫۷۱۴ بیشتر شود:

۲٫۰ × r ÷ (۱٫۲ − r) > ۱٫۷۱۴ ⇒ ۲r > ۲٫۰۵۷ − ۱٫۷۱۴r ⇒ r > ۲٫۰۵۷ ÷ ۳٫۷۱۴ ≈ ۰٫۵۵۴.

یعنی اگر تخفیف نگهداشت را از ۵۰٪ به بیش از حدود ۵۵٫۴٪ نرساند، ضرر می‌کنید. اگر r به ۰٫۶ برسد: ۲٫۰ × ۰٫۶ ÷ ۰٫۶ = ۲٫۰ میلیون (بهتر از ۱٫۷۱۴)؛ اگر به ۰٫۷: ۱٫۴ ÷ ۰٫۵ = ۲٫۸ میلیون. در قیمت‌گذاری پویا هم همین منطق حاشیه به کار می‌رود.

خطای رایج

تخفیف دادن بدون اندازه‌گیری نگهداشت. اگر نرخ بازگشت را ثبت نکنید، نمی‌دانید تخفیف بالاتر از نقطه‌ی سربه‌سر رسیده یا نه.

تفاوت گروه‌ها؛ میانگین فریب می‌دهد

ناهمگونی مشتریان را بسیاری از مدل‌های CLV نادیده می‌گیرند. فیدر و هاردی (۲۰۱۰، Marketing Science؛ PDF بازشد) نشان می‌دهند محاسبه‌ی «کتاب درسی» با یک نرخ نگهداشت تجمعی، وقتی نگهداشت گروه‌های هم‌زمان با گذشت زمان بالا می‌رود، ارزش باقی‌مانده‌ی پایگاه مشتری را کمتر از واقع می‌نماید؛ دلیلشان اثر «غربال شدن» در جمعیتی ناهمگون است: مشتریان کم‌وفا زودتر می‌روند و باقی‌مانده‌ها وفادارترند. در مثال فرضی خودشان خطا ۳۸٪ بود و هرچه ناهمگونی بیشتر، خطا بزرگ‌تر. این پژوهش درباره‌ی قراردادهای اشتراکی است (ریزش دیده می‌شود)، و رزرو اقامتگاه به «حالت بدون قرارداد» نزدیک‌تر است که در آن ریزش دیده نمی‌شود؛ پس درس‌اش را باید با احتیاط گرفت: یک r واحد برای همه‌ی مهمانان خطا دارد. اگر همه‌ی مهمانان را با یک r بسنجید، گروه‌های ارزشمند و کم‌ارزش را قاطی کرده‌اید.

مثال اقامتگاهی: فرض کنید دو گروه داریم: خانواده‌هایی که هر تابستان برمی‌گردند (r = ۰٫۷) و مسافران یک‌باره‌ی پلتفرم (r = ۰٫۲). با m = ۲٫۴ و d = ۰٫۲:

- خانواده: ۲٫۴ × ۰٫۷ ÷ (۱٫۲ − ۰٫۷) = ۳٫۳۶؛ ارزش کل ۵٫۷۶؛ نسبت به CAC=۱٫۲ ← ۴٫۸. - یک‌باره: ۲٫۴ × ۰٫۲ ÷ (۱٫۲ − ۰٫۲) = ۰٫۴۸؛ ارزش کل ۲٫۸۸؛ نسبت ← ۲٫۴.

اگر ۳۰٪ مهمان‌ها از گروه خانواده و ۷۰٪ یک‌باره باشند، ارزش کل میانگین = ۰٫۳ × ۵٫۷۶ + ۰٫۷ × ۲٫۸۸ = ۱٫۷۲۸ + ۲٫۰۱۶ = ۳٫۷۴۴ میلیون. این عدد برای هیچ‌کدام از دو گروه درست نیست.

داده‌ی لازم برای این تفکیک در نرم‌افزار مشتری‌محور ثبت می‌شود؛ نگاه کنید به نظرسنجی و CRM در شاه‌کلید.

خطای رایج

استفاده از میانگین کل برای تصمیم‌های گروهی. هر تصمیم جذب یا نگهداشت را برای همان گروه حساب کنید.

محدودیت‌های مدل

• نرخ نگهداشت و حاشیه‌ی ثابت در عمل ثابت نیستند؛ قیمت‌ها و هزینه‌ها تغییر می‌کنند. گوپتا و همکاران خودشان ثابت‌بودن نگهداشت را فرض ساده‌کننده می‌نامند و ریتس و کومار (۲۰۰۰) به نقل از همان مقاله در محیط‌های بدون قرارداد دیدند سود مشتری با گذشت زمان لزوماً بالا نمی‌رود (ما مقاله‌ی ریتس و کومار را نخواندیم).

• نرخ تنزیل ذهنی است و در اقتصاد با تورم بالا، انتخابش ارزش را بسیار تغییر می‌دهد. نمونه‌ی حساسیت (r = ۰٫۵، m = ۲٫۴): d = ۱۰٪ ← ۱٫۲ ÷ ۰٫۶ = ۲٫۰؛ d = ۲۰٪ ← ۱٫۷۱۴؛ d = ۴۰٪ ← ۱٫۲ ÷ ۰٫۹ ≈ ۱٫۳۳.

• ریزش و بازگشت: برای اقامتگاه، «بازگشت» به نوع مقصد وابسته است؛ مسافر کاری با مسافر تعطیلات فرق دارد.

• مدل دیگر عوامل را نمی‌بیند: توصیه به دیگران، نقد خوب و اثر شبکه‌ای. OpenStax هم یادآوری می‌کند CLV برآوردی آینده‌نگر است نه رقمی قطعی.

• هزینه‌ی ثابت را جدا نگه دارید و به m تخصیص ندهید (نگاه کنید به سود واقعی اقامتگاه).

مطالعه‌ی موردی (فرضی): ویلا با ۲۰۰ مهمان در سال

فرض کنید ویلایی سالانه ۲۰۰ مهمان دارد: ۱۲۰ تازه و ۸۰ بازگشته.

گام ۱ ـ تعریف m: ۲٫۴ میلیون برای هر رزرو دوشبه‌ی ۸ میلیونی (۳۰٪ درآمد).

گام ۲ ـ تخمین r: از ثبت‌ها، نرخ بازگشت ۸۰ ÷ (تعداد کل مهمانان سال قبل). فرض کنید سال قبل ۱۶۰ مهمان بوده‌اند: r = ۸۰ ÷ ۱۶۰ = ۰٫۵.

گام ۳ ـ CAC: ۱٫۲ میلیون (تخفیف ۸۰۰ هزار + تبلیغ ۴۰۰ هزار).

گام ۴ ـ CLV کل: ۴٫۱۱۴ میلیون؛ نسبت ۳٫۴۳.

گام ۵ ـ بودجه‌ی جذب مجاز: با هدف نسبت ۳ به ۱، CAC حداکثر ۴٫۱۱۴ ÷ ۳ ≈ ۱٫۳۷ میلیون. هزینه‌ی فعلی ۱٫۲ زیر آن است.

گام ۶ ـ پیشنهاد وفاداری: ۵٪ تخفیف برای مهمان تکراری (۰٫۴ میلیون کمتر برای هر رزرو، یعنی حاشیه‌ی تکراری ۲٫۰). بررسی سال اول با ۱۶۰ مهمان سال قبل: اگر r از ۰٫۵ به ۰٫۶ برسد، ۹۶ مهمان برمی‌گردند (۱۶۰ × ۰٫۶) به‌جای ۸۰. حاشیه‌ی رزروهای تکراری: ۹۶ × ۲٫۰ = ۱۹۲ میلیون در برابر ۸۰ × ۲٫۴ = ۱۹۲ میلیون؛ دقیقاً برابر. پس برای سال اول، نقطه‌ی سربه‌سر r = ۰٫۶ است. با نگاه چندساله و تنزیل (محاسبه‌ی بخش قبل) این نقطه به حدود ۰٫۵۵۴ می‌رسد، چون مهمانی که امسال نگه داشته شد در سال‌های بعد هم احتمال بازگشت دارد.

گام ۷ ـ تصمیم: پیشنهاد را اگر فقط برای مهمان‌هایی با r بالا (خانواده‌ها) اجرا کنید، هزینه‌ی تخفیف به گروهی می‌رسد که بدون تخفیف هم برمی‌گردند؛ پس هدف‌گیری مهم است. پیشنهاد ما: با یک نظرسنجی کوتاه و آزمایش روی نصف مهمانان اثر واقعی را بسنجید.

تمرین برای شما

1. m را حساب کنید: برای آخرین رزروتان درآمد، نظافت، رختشویی، مصرفی، انرژی مصرفی و کارمزد را بنویسید. راهنما: m = درآمد − هزینه‌های متغیر.

2. CLV: m = ۳ میلیون، r = ۰٫۶، d = ۰٫۲؛ ارزش آینده و کل؟ راهنما: ۳×۰٫۶÷(۱٫۲−۰٫۶)=۱٫۸÷۰٫۶=۳٫۰؛ کل ۶٫۰.

3. نسبت: اگر CAC = ۲ میلیون باشد نسبت چقدر است؟ راهنما: ۶ ÷ ۲ = ۳٫۰؛ در آستانه.

4. تخفیف: با m تکراری ۲٫۵ (بعد تخفیف) و d=۰٫۲، سربه‌سر r چقدر است اگر ارزش قبلی ۳٫۰ باشد؟ راهنما: ۲٫۵r ÷ (۱٫۲−r)=۳ ⇒ ۲٫۵r=۳٫۶−۳r ⇒ ۵٫۵r=۳٫۶ ⇒ r≈۰٫۶۵۵.

5. نرخ بازگشت خودتان: از ثبت رزروهای دو سال، نسبت مهمانان بازگشته را حساب کنید. راهنما: مخرج را مهمانان سال قبل بگیرید، نه کل رزروها.

جمع‌بندی درس

• CLV حاشیه‌ی تنزیل‌شده‌ی کل رابطه با مهمان است، نه درآمد.

• فرمول: m × r ÷ (۱ + d − r) برای رزروهای آینده، به‌علاوه‌ی رزرو اول.

• عمر متوسط تقریباً معکوس ریزش است (۱ ÷ (۱ − r)).

• CAC را کامل بشمارید و نسبت CLV به CAC را مبنای سقف خرج جذب قرار دهید (آستانه‌ی ۳ قاعده‌ی تجربی است).

• نگهداشت اهرم غیرخطی دارد؛ تخفیف وفاداری فقط بالای نقطه‌ی سربه‌سر سودآور است.

• میانگین گروه‌ها را قاطی می‌کند؛ بخش‌بندی کنید.

• مدل ساده‌سازی است: نرخ‌ها ثابت و تنزیل ذهنی‌اند و اثر توصیه و نقد را نمی‌بیند.

درس بعدی

درس بعدی اقتصاد رفتاری در قیمت‌گذاری اجاره اقامتگاه است: بعد از اینکه ارزش مهمان را دانستیم، می‌پرسیم قیمت چگونه در ذهن او ارزیابی می‌شود. درس قبلی طراحی خدمت و نقشه سفر مشتری بود. نقشه‌ی کل سری در مدیریت علمی کسب‌وکار اجاره اقامتگاه آمده است.

آنچه نتوانستیم تأیید کنیم

• نسخه‌ی منتشرشده‌ی گوپتا و همکاران (۲۰۰۴) را نخواندیم؛ نسخه‌ی پیش از انتشار (۲۰۰۳) را خواندیم و ممکن است در متن نهایی تفاوت‌هایی باشد. مرور ۲۰۰۶ آن‌ها در Journal of Service Research و کتاب کومار (۲۰۰۸) را باز نکردیم.

• معادله‌ی فرمول: در مقاله جمع از t=۰ شروع می‌شود، اما عدد مثال پاورقی‌اش (۲۵۰ دلار) با مجموع از t=۰ نمی‌خواند و با جمع آینده‌ی r÷(۱+i−r) می‌خواند؛ این ناهمخوانی نمادگذاری را در خود مقاله دیدیم و نظر نمی‌دهیم.

• خاستگاه اصطلاح CLV (شاو و استون ۱۹۸۸)، تعریف «ریزش»، «عمر متوسط ≈ معکوس ریزش» و فرمول CAC ساده/کامل را فقط از ویکی‌پدیا داریم.

• آستانه‌ی ۳ به ۱ نسبت CLV به CAC را فقط ویکی‌پدیا بدون ارجاع تحقیقی آورده؛ OpenStax فقط می‌گوید CLV باید از CAC بیشتر باشد. آستانه را قاعده‌ی تجربی بدانید.

• ادعای ریچهلد و ساسر درباره‌ی نزدیک دو برابر شدن سود را فقط از خلاصه‌ی Bain داریم و نقد آن را نخواندیم. مقاله‌ی فیدر و هاردی درباره‌ی قراردادهای اشتراکی است و تعمیمش به اقامتگاه را بررسی نکردیم.

• نرخ تنزیل مناسب برای ایران و آمار نگهداشت مهمان ایرانی: منبع رسمی ندیدیم.

سؤال‌های پرتکرار

CLV را چطور با مهمان‌هایی حساب کنم که فقط یک بار آمده‌اند؟

r را از داده‌های گذشته بگیرید؛ اگر هنوز داده ندارید، دو سناریو (خوش‌بینانه و بدبینانه) بسازید، مثل جدول r در همین درس. بعد از یک سال ثبت، عدد واقعی جایگزین می‌شود.

نسبت ۳ به ۱ برای اقامتگاه هم صدق می‌کند؟

آستانه از ادبیات عمومی CAC آمده و برای اقامتگاه تحقیق مستقلی ندیدیم. ببینید حاشیه‌ی شما چقدر نوسان دارد؛ فصلی بودن ممکن است آستانه‌ی بالاتری بطلبد.

کارمزد پلتفرم جزو CAC است یا کم‌کردنی از m؟

هر دو درست است، به شرط اینکه یک بار حساب شود. ما کارمزد را در m گذاشتیم و تخفیف و تبلیغ را در CAC.

مهمان را چطور از پلتفرم به کانال مستقیم بیاورم؟

قوانین پلتفرم‌ها درباره‌ی تماس بیرون از سامانه را از خود پلتفرم بپرسید؛ ما اینجا منبع رسمی بازنکردیم. باشگاه مشتریان و ثبت پیشنهاد بازگشت در باشگاه وفاداری و CRM آمده است.

منابع

• Gupta, S., Lehmann, D. R. & Stuart, J. A. (2004). Valuing Customers. Journal of Marketing Research 41(1), 7–18 — نسخه‌ی پیش از انتشار (۲۰۰۳)، Columbia Business School (PDF بازشد)

• Fader, P. S. & Hardie, B. G. S. (2010). Customer-Base Valuation in a Contractual Setting: The Perils of Ignoring Heterogeneity. Marketing Science 29(1), 85–93 (PDF بازشد)

• Principles of Marketing، بخش 2.4 (CLV، CAC و نگهداشت) — OpenStax

• Reichheld, F. & Sasser, W. E. (1990). Zero Defections: Quality Comes to Services, HBR — خلاصه‌ی Bain

• Customer lifetime value (تاریخچه، انتقادها) — Wikipedia (فقط اشاره‌گر)

• Customer acquisition cost (روش‌های محاسبه و نسبت LTV:CAC) — Wikipedia (فقط اشاره‌گر)

• Churn rate — Wikipedia (فقط اشاره‌گر)

• Discounted cash flow — Wikipedia (فقط اشاره‌گر)

• مرجع‌های بازنشده: Gupta et al. (2006), Modeling Customer Lifetime Value, Journal of Service Research 9(2); Kumar, V. (2008), Managing Customers for Profit