Die Kundenakquisitionskosten (CAC) gehören zu den am häufigsten analysierten Kennzahlen in der Online-Werbebranche, sind aber nicht das einzige Erfolgsmaß. Eine Kampagne mit Kundenakquisitionskosten von 30 US-Dollar erscheint auf den ersten Blick erfolgreicher als eine mit 60 US-Dollar. Dennoch kann die teurere Kampagne bessere Ergebnisse erzielen, wenn die gewonnenen Kunden mehr kaufen, länger treu bleiben oder insgesamt deutlich mehr ausgeben. Bewerten Unternehmen die Effektivität ihrer Werbung ausschließlich anhand der CAC, investieren sie möglicherweise in kurzfristige Erfolge anstatt in nachhaltiges, langfristiges Wachstum.
Die Gebotsstrategie „Vorhersage des Kundenlebenszeitwerts“ (pCLV) ist ein weiterer Ansatz für Marketer. Anstatt alle Neukunden als gleichwertige Konversionen zu betrachten, prognostizieren Marketer den erwarteten Beitrag jedes Kunden zum Unternehmenserfolg über einen bestimmten zukünftigen Zeitraum und nutzen diese Information, um die Werbewirksamkeit zu optimieren. Ziel ist es nicht nur, mehr Kunden zu gewinnen oder die Akquisitionskosten zu senken, sondern vielmehr Kunden zu gewinnen, die hohe Gewinne ermöglichen.
Werbeplattformen wie Google Ads und Meta Ads setzen zunehmend auf automatisierte Gebotsmechanismen, um der Marktsättigung entgegenzuwirken. Obwohl diese Systeme auf Konversionswerte, Kundensignale und Kampagnenziele reagieren können, hängt die Effektivität solcher Gebotsstrategien maßgeblich von der Genauigkeit der von Unternehmen bereitgestellten Daten ab. Beispielsweise kann ein Unternehmen, das die Bedeutung jedes Kaufs falsch einschätzt, obwohl die wirtschaftliche Situation der Kunden variiert, seine Gebotsstrategie auf Basis falscher Annahmen optimieren.
Predictive Customer Lifetime Value Bidding verknüpft Kundenanalysen mit der Nutzung von First-Party-Daten, Conversion-Tracking-Techniken und automatisiertem Mediaeinkauf. Unternehmen sollen den zukünftigen Kundenwert prognostizieren, die richtigen Signale an die Werbeplattform senden und bewerten, ob die getroffenen Akquisitionsentscheidungen die Performance verbessern und nicht nur den Return on Advertising Spend (ROAS) verändern.
Dieser Leitfaden erläutert die Funktionsweise von Predictive CLV Bidding und dessen Abgrenzung zu traditionellen Optimierungsmethoden auf Basis des CAC sowie dessen Anwendung auf Kampagnen bei Google und Meta. Abschließend wird auch die Entwicklung eines Messrahmens beschrieben, der die Werbemaßnahmen mit deren tatsächlichen Auswirkungen auf das Geschäft verknüpft.
Was ist Predictive CLV Bidding?
Predictive Customer Lifetime Value Bidding (PCLV) ist eine Technik zur Optimierung von Werbekampagnen auf Basis der Schätzung des zukünftigen monetären Werts eines Kunden. Anstatt lediglich die Kosten der Kundengewinnung – also den Abschluss eines Kaufs, einer Bestellung oder eines Abonnements – zu berücksichtigen, wird der langfristige Wert jedes einzelnen Kunden einbezogen.
Der Begriff Customer Lifetime Value (CLV), auch bekannt als Lifetime Revenue (LTV), gibt an, welchen Beitrag ein Kunde während der Geschäftsbeziehung mit dem Unternehmen zum Umsatz leistet. Der prädiktive CLV ermöglicht es, solche Beiträge abzuschätzen, bevor alle Prozesse der Kundenbeziehung mit dem Unternehmen abgeschlossen sind.
Ein Beispiel wäre ein E-Commerce-Unternehmen, das feststellt, dass Kunden, die ein bestimmtes Produkt wiederholt kaufen, insgesamt mehr Gewinn generieren als andere. Ein Abonnementanbieter könnte beobachten, dass seine Stammkunden und Kunden mit Jahresabonnements eine höhere Wahrscheinlichkeit für eine Vertragsverlängerung aufweisen. Ein B2B-Unternehmen könnte feststellen, dass bestimmte Leads häufig zu lukrativen Verträgen führen und Kunden langfristig binden.
Predictive CLV Bidding berücksichtigt diese Diskrepanzen, um Werbeentscheidungen zu treffen, die über den reinen Konversionsprozess hinausgehen.
Wie funktioniert Predictive CLV Bidding?
Das oben beschriebene Verfahren umfasst im Allgemeinen fünf aufeinanderfolgende Schritte.
- Sammeln Sie Kundeninformationen: Kombinieren Sie Kaufhistorie, Abonnementaktivitäten, Kundendatensätze, Produktinformationen und andere benötigte Informationen aus erster Hand.
- Prognose des zukünftigen Wertes: Nutzen Sie die bisherigen Erfahrungen und Kundenmerkmale, um zukünftige Umsätze, Bruttogewinne, Deckungsbeiträge oder andere festgelegte Wertkennzahlen zu prognostizieren.
- Verknüpfen Sie das Wertsignal: Verbinden Sie die Prognose mit einem Kunden-, Konversions- oder zulässigen Zielgruppendatensatz.
- Verknüpfen Sie das Wertsignal mit der Werbung: Übertragen Sie den entsprechenden Konversionswert oder Kundenwert.
Der entscheidende Unterschied besteht darin, dass Predictive CLV selbst keine Google- oder Meta-Bidding-Strategie ist. Es handelt sich um ein Geschäftsmodell, das je nach Plattformmerkmalen, Kampagnentyp, Kontostatus und Datenaufbereitung für verschiedene Marketingstrategien eingesetzt werden kann.
Prognostizierter CLV vs. tatsächlicher CLV
Der tatsächliche CLV (Customer Lifetime Value) ist der Wert des Kunden, der während eines bestimmten Zeitraums oder während der bestehenden Kundenbeziehung generiert wurde. Der prognostizierte CLV ist der erwartete Wert des Kunden in Bezug auf zukünftige Transaktionen.
Dieser Unterschied ist wesentlich, da es schwierig ist, den Wert bei Neukunden zu bestimmen, da diese keine vollständige Kaufhistorie haben.
Ein Prognosemodell erstellt Vorhersagen über zukünftige Ergebnisse auf Basis der zum Prognosezeitpunkt verfügbaren Informationen. Die Genauigkeit dieser Vorhersagen wird anhand des tatsächlichen Kundenverhaltens überprüft und nicht einfach aufgrund eines korrekten Ergebnisses angenommen.
Eine Werbeprognose sollte einen konkreten Zeitrahmen beinhalten, beispielsweise den erwarteten Beitrag über ein Jahr. Ein Zeithorizont ermöglicht einen angemessenen Vergleich der Kundenwerte und minimiert das Risiko, ein und demselben Indikator unterschiedliche Bedeutungen zuzuordnen.
Warum die alleinige Verwendung von CAC zu schlechten Marketingentscheidungen führen kann?
Die Kosten der Kundengewinnung stellen die Summe aller Ausgaben eines Unternehmens für die Gewinnung eines Kunden dar. Sie sind wichtig, da sie das Unternehmenswachstum beeinflussen.
Der Nachteil der Kundenakquisitionskosten (CAC) besteht darin, dass sie keine Informationen über den Geschäftsbetrieb nach der Kundengewinnung liefert. Daher können zwei Kunden, deren Akquise gleich viel kostet, zu völlig unterschiedlichen finanziellen Ergebnissen führen.
Das Problem bei der Optimierung für den billigsten Kunden
Stellen Sie sich einen hypothetischen Fall vor, in dem ein Einzelhändler zwei Marketingkampagnen durchführt. Kampagne A bringt Kunden, die mit Rabatt kaufen und nicht wiederkommen, während Kampagne B Kunden anzieht, die zunächst mehr ausgeben, aber für weitere Käufe zurückkehren.
Kampagne A weist möglicherweise niedrigere Kundenakquisitionskosten (CAC) auf, da das Angebot eine einfachere Konversion ermöglicht. Bewertet der Händler die Performance ausschließlich anhand der Kosten des ersten Kaufs, könnte dies dazu führen, dass die Investitionen in Kampagne A erhöht und gleichzeitig in Kampagne B gekürzt werden. Diese Entscheidung würde die Kundengruppe bevorzugen, die letztendlich geringere Gewinne generiert.
Das Problem ist nicht, dass CAC eine schlechte Kennzahl ist. Das Problem ist, dass es falsch ist, CAC allein als Indikator für die Effektivität von Akquisitionen zu verwenden.
Ein sinnvollerer Ansatz berücksichtigt neben den Akquisitionskosten auch den Kundenwert über die gesamte Kundenbeziehung, die Amortisationszeit, die Kundenbindungsrate und die Gewinnspanne. Dadurch erhalten Marketingfachleute ein besseres Verständnis dafür, ob die Akquisition einen angemessenen Ertrag generieren kann.
Warum der ROAS bei Erstkäufen oft irreführend ist?
Der ROAS (Return on Ad Sales) misst den Umsatz einer Werbekampagne im Verhältnis zu deren Kosten. Dieser Indikator eignet sich gut zur kurzfristigen Leistungsbeurteilung, bildet aber möglicherweise nicht den vollen Wert von Unternehmen ab, die auf wiederholte Käufe oder langfristige Abonnements angewiesen sind.
Nehmen wir beispielsweise ein Abonnementunternehmen, das 100 Dollar investiert, um einen Kunden zu gewinnen, der anfänglich 80 Dollar einbringt. Obwohl der ROAS für die erste Transaktion nur 0.8 beträgt, wird der Kunde das Abonnement im folgenden Jahr wahrscheinlich mehrmals verlängern.
Wenn ein Unternehmen lediglich die erste Transaktion bewertet, könnte es eine erfolgreiche Akquisition fälschlicherweise als Fehlschlag einstufen. Umgekehrt könnte ein Unternehmen zwar für den ersten Auftrag eine beträchtliche Kapitalrendite erzielen, aber dennoch Verluste durch Rabatte, Retouren, Abwicklungskosten usw. erleiden.
Der prognostizierte Kundenlebenszeitwert (CLV) ermöglicht zwar einen Blick in die Zukunft, macht die Messung tatsächlicher Ergebnisse aber nicht überflüssig. Er generiert Daten, die mit den tatsächlichen Daten zum Umsatz pro Kunde verglichen werden sollten.
Wann ist eine CAC-basierte Optimierung trotzdem vorteilhaft?
Die auf dem CAC basierende Gebotsstrategie ist dann relevant, wenn ein Unternehmen eine bestimmte Anzahl von Konversionen erreichen muss, nur über eine geringe Kundenhistorie verfügt, mit einem kurzen Kaufzyklus arbeitet und die Kundensegmente nicht genau unterscheiden kann.
In Situationen, in denen Unternehmen feste Akquisitionskosten haben, die im Voraus erreicht werden sollen, kann die Prognose des Kundenlebenszeitwerts (CLV) sinnvoll sein. Beispielsweise kann ein Unternehmen mit geringem Betriebskapital nicht monatelang warten, bis Kunden profitabel werden, ungeachtet der zahlreichen Vorteile des geplanten Kundenlebenszeitwerts.
Der Bedarf an prognostiziertem CLV variiert je nach Art des Unternehmens, Cashflow-Mustern und berücksichtigten Konversionsraten. Die Vorteile von prognostiziertem CLV zeigen sich, wenn Kunden signifikante Wertunterschiede aufweisen und die Daten für die Berechnung verfügbar sind.
Wie funktioniert die Vorhersage des Kundenlebenszeitwerts?
Prädiktive CLV-Modelle ermitteln den Kundenwert durch die Analyse vergangener Aktionen sowie prognostizierter zukünftiger Käufe, Kundenbindungsrate, Umsätze und Ausgaben. Die genaue Vorgehensweise hängt natürlich von der Art des Unternehmens, der Datenverfügbarkeit und dem Prognosezeitraum ab.
Das einfachste Vorhersagemodell basiert auf der Verwendung des durchschnittlichen Bestellwerts, der Kaufhäufigkeit und der Kundenbindungsrate, während das fortgeschrittene Modell statistische Analysen und/oder maschinelles Lernen anwendet, um das zukünftige Verhalten des Kunden vorherzusagen.
Umsatzbasierter CLV und gewinnbasierter CLV
Der umsatzbasierte CLV schätzt den Umsatz, den ein Kunde voraussichtlich über einen definierten Zeitraum generieren wird. Der gewinnbasierte CLV schätzt den Deckungsbeitrag, der nach Abzug der relevanten Kosten verbleibt.
Für Werbeentscheidungen ist dieser Unterschied sehr wichtig. Ein Kunde, der mit Produkten mit geringen Gewinnspannen 1,000 US-Dollar Umsatz generiert, kann daher weniger wertvoll sein als ein Kunde, der mit Produkten mit höheren Gewinnspannen und reduzierten Servicekosten 700 US-Dollar Umsatz generiert.
Eine vereinfachte Version der Umsatzformel lautet:
- Prognostizierter CLV = Erwarteter zukünftiger Umsatz im ausgewählten Zeitraum
Eine vereinfachte, auf Beiträgen basierende Formel lautet:
- CLV = Erwartete zukünftige Einnahmen − Erwartete variable Kosten
Die variablen Kosten können sich aus Produktkosten, Lieferkosten, Transaktionsgebühren, Rückerstattungen, Servicekosten und allen anderen Kosten zusammensetzen, die dem Kunden pro Transaktion entstehen. Das Finanzmodell des Unternehmens berücksichtigt bei der Berechnung der Schwankungen des Kundenlebenszeitwerts auch die Kundenbindungskosten, Rabatte und den Zeitwert des Geldes.
Das Unternehmen sollte eine einheitliche Wertdefinition festlegen und diese schriftlich festhalten. Die Vermischung von Umsatzprognosen mit Gewinnergebnissen könnte zu inkonsistenten Kampagnenvergleichen führen.
Ein praktisches Beispiel für die CLV-Vorhersage
Angenommen, ein Abonnementunternehmen prognostiziert die folgende wirtschaftliche Entwicklung für einen neu gewonnenen Kunden über einen Zeitraum von 12 Monaten:
Erwarteter Umsatz: 600 US-Dollar
Voraussichtliche Service- und Lieferkosten: 180 $
Erwartete Zahlung, Unterstützung und sonstige variable Kosten: 60 $
Der erwartete Deckungsbeitrag vor Akquisitions- und sonstigen ausgeschlossenen Kosten beträgt:
600 $ − 180 $ − 60 $ = 360 $
Wenn das Unternehmen 120 Dollar für die Kundengewinnung ausgibt, beträgt der erwartete Deckungsbeitrag nach den Akquisitionskosten 240 Dollar, vor Abzug etwaiger weiterer Kosten, die nicht im Modell berücksichtigt sind.
Das bedeutet nicht, dass das Unternehmen automatisch bis zu 360 US-Dollar für den Kunden bieten sollte. Die 360 US-Dollar stellen einen geschätzten Deckungsbeitrag vor Akquisitionskosten dar, jedoch nicht das Werbebudget. Das Unternehmen muss außerdem seine Gemeinkosten, seinen Gewinn, Unsicherheiten und den Zeitwert des Geldes berücksichtigen.
Ein gutes Akquisitionsmodell sollte daher einen maximalen CAC festlegen, der unter dem geschätzten Deckungsbeitrag liegt. Letztendlich hängt alles von den Margen des Unternehmens und seiner finanziellen Situation ab.
Häufig verwendete Eingangsgrößen zur CLV-Vorhersage
Die nützlichen Modelleingaben variieren je nach Unternehmen, können aber Folgendes umfassen:
- Kaufhäufigkeit und durchschnittlicher Bestellwert
- Produktkategorie- und Produktmarge
- Abonnementplan und Verlängerungshistorie
- Zeit zwischen den Käufen
- Rückerstattung, Stornierung und Rückgabeverhalten
- Kundenbindung und -engagement
- Informationen zur Akquisitionsquelle und zur Kampagne
- Lead-Qualifizierung und Vertriebsergebnisse
- Historische Bindung nach Kohorte
- Kundendienstkosten und Rabattnutzung
Nicht jeder verfügbare Datenpunkt sollte in das Modell einfließen. Die Eingangsdaten müssen eine nachvollziehbare betriebswirtschaftliche Begründung liefern, rechtmäßig erhoben und verwendet werden können und zum Zeitpunkt der Prognose verfügbar sein.
Warum ist die Vorhersagegenauigkeit wichtiger als die Komplexität des Modells?
Ein komplexes Modell ist nicht zwangsläufig nützlicher als ein einfaches. Wenn ein einfaches Kohortenmodell präzise Vorhersagen liefert, die mit den zukünftigen Kundenerwartungen übereinstimmen, kann es effektiver sein als ein komplexes Modell des maschinellen Lernens.
Die zentralen Fragen sind, ob das Modell die Kunden effektiv einordnet, den Wert mit angemessener Genauigkeit vorhersagt, über verschiedene Kundensegmente hinweg ausreichend robust ist und ob die Werte schnell genug für Werbezwecke generiert werden können.
Die Leistungsfähigkeit des Modells muss durch Validierung außerhalb des betrachteten Zeitraums, Vergleich der vorhergesagten und tatsächlichen Werte sowie Kohortenanalysen überprüft werden. Die Vorhersage für im Januar gewonnene Kunden sollte anhand ihres zukünftigen Verhaltens und nicht nur anhand der Trainingsdaten des Modells validiert werden.
Nutzung von Kundenwertsignalen in Google Ads
Google Ads ermöglicht die Anwendung wertbasierter Gebotsstrategien wie „Conversion-Wert maximieren“ und „ROAS anvisieren“ im Rahmen von Smart Bidding. Dabei spielen Signale wie gemeldete Conversion-Werte eine Rolle bei der Entscheidung, welche Auktionen im Hinblick auf das gewählte Geschäftsziel verfolgt werden sollen.
Die Kennzahl „Predictive CLV“ spielt in dieser Strategie eine Rolle, sofern das Unternehmen über angemessene Mechanismen zur Conversion-Optimierung, Messung und Signalübermittlung verfügt. Google leitet jedoch nicht automatisch aus herkömmlichen Kaufdaten die gesamte zukünftige Kundenökonomie eines Unternehmens ab.
Wählen Sie die richtige wertorientierte Gebotsstrategie
Die Maximierung des Konversionswerts dient dazu, den Fokus auf den gesamten Konversionswert innerhalb des festgelegten Budgets zu richten. Der Ziel-ROAS beinhaltet ein Effizienzziel, das dem System ein klar definiertes Wert-Kosten-Verhältnis ermöglicht.
Letztendlich kommt es darauf an, ob das Unternehmen den Gesamtwert oder die Effizienz maximieren möchte. Ein wachsendes Unternehmen wird zunächst den Konversionswert maximieren, während ein etabliertes Unternehmen den Ziel-ROAS nutzt, um die Ausgaben mit dem ausgewiesenen Wert in Einklang zu bringen.
Ein ROAS-Ziel sollte auf der zugrunde gelegten Wertdefinition basieren. Ein Zielwert, der auf Umsatzerlösen erster Ordnung beruht, ist nicht vergleichbar mit einem Zielwert, der auf prognostizierten 12-Monats-Umsätzen oder erwarteten Deckungsbeiträgen basiert.
Conversion-Tracking vor wertbasierter Gebotsabgabe
Bevor Organisationen den wertbasierten Gebotsmechanismus implementieren, müssen sie sicherstellen, dass ihre Kaufereignisse oder sonstige Konversionsereignisse korrekt, dedupliziert und mit einem Wert versehen sind.
Für E-Commerce-Unternehmen umfasst dies die Validierung von Kaufvorgängen, Transaktions-ID, Währung, Bestellwert, Rückerstattungen und mit der Einwilligung verbundenen Verhaltensweisen. Bei Lead-Generierungskampagnen bedeutet dies die Verknüpfung von CRM-Phasen wie qualifizierten Leads oder Verkaufschancen mit der ersten Anzeigenschaltung.
Die erweiterten Conversion- und Lead-Conversion-Funktionen von Google können bei korrekter Implementierung die Conversion-Zuordnung verbessern. Offline-Conversion-Importe und CRM-Anbindungen ermöglichen es Unternehmen zudem, auch spätere Ergebnisse zu erfassen, die nach der ursprünglichen Website-Conversion eintreten.
Die entsprechende Dokumentation finden Sie in der Google Ads-Hilfe.
Nutzen Sie Kundenlebenszyklusziele, wo dies angebracht ist.
In Google Ads stehen Kundenlebenszyklusziele zur Verfügung, mit denen sich geeignete Kampagnen zwischen Neukunden und Bestandskunden unterscheiden und bestimmten Neukunden einen höheren Wert zuweisen können. Kampagnentyp und -einstellungen ermöglichen es Werbetreibenden, entweder Neukunden oder neue, besonders wertvolle Kunden gezielt anzusprechen.
Die beiden oben genannten Merkmalsarten stehen zwar im Zusammenhang mit Predictive CLV Bidding, sind aber nicht mit diesem identisch. Eine Anpassung des Neukundenwerts impliziert keine kundenspezifische CLV-Prognose für die nächsten zwölf Monate. Werbetreibende müssen die verfügbaren Zieloptionen analysieren und prüfen, ob sie den Geschäftszielen entsprechen.
Weitere Details finden Sie unter Google Ads-Kundenlebenszyklusziele.
Konvertierungsverzögerungen berücksichtigen
Der Kundennutzen wird oft erst mit der Zeit sichtbar. Ein Kunde kauft zwar heute, generiert den Großteil seines Umsatzes aber erst in den folgenden Monaten. B2B-Unternehmen benötigen unter Umständen mehrere Wochen oder Monate, um herauszufinden, ob aus einem Lead ein Kunde wird und wie viel Geld dieser Kunde ausgeben wird.
Es ist sinnlos, die vollständige Realisierung der gesamten Lebensdauer abzuwarten, bevor ein Wertsignal an das Modell gesendet wird. Die prädiktive CLV-Methode löst das Zeitproblem; allerdings erfordert auch dieses Modell aufgrund der Verfügbarkeit neuer Daten kontinuierliche Aktualisierungen.
Google empfiehlt, vor der Aktivierung wertbasierter Gebotsstrategien die Anzahl der Conversions, die Verzögerung zwischen ihnen und die Genauigkeit der gemeldeten Zahlen zu analysieren. Die Richtlinien besagen außerdem, dass einige Conversion-Zyklen berücksichtigt werden sollten, um die Performance korrekt zu analysieren. Man sollte nicht davon ausgehen, dass es nur einen Schwellenwert gibt, der für alle Unternehmen gilt.
Prädiktiver CLV in Meta-Anzeigen
Es gibt mehrere Möglichkeiten, Kundenwertdaten mit Meta Ads zu nutzen, aber Marketer dürfen wertbasierte Zielgruppenansprache, Conversion-Wert-Optimierung und den für Gebote verwendeten prädiktiven Kundenwert nicht verwechseln.
Diese drei Techniken dienen zwar demselben Ziel, unterscheiden sich aber in ihrer Funktionsweise. Mithilfe einer wertbasierten Lookalike Audience findet Meta Nutzer, die wertvollen Kunden ähneln, während die Conversion-Wert-Optimierung dazu beiträgt, den Wert der durch Kampagnen generierten Conversions zu steigern.
Nutzen Sie wertbasierte Lookalike Audiences
Wertbasierte Lookalike Audiences werden auf Basis von Kundenlisten und entsprechenden Kundenwerten erstellt, um weitere Kunden zu finden, die den wertvolleren Kunden der Marke ähnlich sind.
Eine E-Commerce-Marke könnte beispielsweise eine Kundenliste mit entsprechenden Kennungen und deren Kundenwert hochladen. Anstatt alle bisherigen Kunden gleich zu betrachten, könnte sie den Kundenwert nutzen und eine Zielgruppe erstellen, die ihre wertvollsten Kunden repräsentiert.
Eine solche Strategie ist sinnvoll, wenn die Marke über genügend passende Kundenlisten verfügt und ein deutlicher Unterschied zwischen den Werten der wertvolleren Kunden und denen anderer Kunden besteht. Sind die Kundenwerte ungenau oder liegen nur wenige Käufe vor, ist sie wenig sinnvoll.
Die mit einer solchen Methode erzeugte Zielgruppe ist lediglich eine potenzielle Zielgruppe.
Umrechnungswerte und unterstützte Optimierungsoptionen verwenden
Meta unterstützt Werbeeinstellungen, die Conversion-Ereignisse und deren zugehörige Werte übermitteln. Bei geeigneten Kampagnen kann die Conversion-Wertoptimierung unter Umständen auf den Gesamtwert der Conversions fokussiert werden, anstatt lediglich deren Anzahl zu erhöhen.
Wenn ein Unternehmen den prädiktiven CLV in seiner Analyse einsetzen möchte, ist es wichtig zu bestätigen, ob die aktuellen Kampagnen, die das Unternehmen verwendet, den betreffenden Wertoptimierungsprozess unterstützen und ob sich der angegebene Wert auf Einnahmen aus Transaktionen, einen vom Unternehmen selbst zugewiesenen Wert oder den geschätzten zukünftigen Wert bezieht.
Dies ist relevant, da der Kaufwert des im Rahmen des Ereignisses übertragenen Produkts üblicherweise anhand des Kaufpreises gemessen wird. In solchen Fällen verändert die Ersetzung des Kaufpreises durch den prognostizierten Lebenszeitwert die Interpretation der ROAS-Ergebnisse.
Kann die Plattform den spezifischen Workflow für vorhersagebasierte Gebotsabgabe, den ein Unternehmen möglicherweise wünscht, nicht unterstützen, können die Informationen zum Kundenwert dennoch über andere unterstützte Optionen wie Kundenlisten-Targeting oder wertbasierte Lookalikes nützlich sein. Dies hängt von der Dokumentation und den Zugriffsmöglichkeiten ab.
Verbinden Sie First-Party-Daten über die Meta Conversions API
Die Meta Conversions API ermöglicht es Unternehmen, relevante Ereignisse von ihren Servern und anderen kompatiblen Datenquellen an Meta zu senden. Sie hilft dabei, Werbemaßnahmen mit Ereignissen zu verknüpfen, die mit browserbasiertem Tracking allein möglicherweise nicht korrekt erfasst werden.
Das CLV-Programm basiert auf Prognosen; die Gesamtdatenarchitektur kann eine E-Commerce-Plattform, ein CRM-System, eine Abonnementdatenbank oder ein Data Warehouse mit dem Kundenwertmodell verbinden. Das Unternehmen wählt mithilfe unterstützter Integrationen aus, welche Ereignisse und Werte gesendet werden sollen.
Für eine korrekte Verknüpfung benötigen Sie korrekte Ereignisnamen, Zeitstempel, gegebenenfalls Ereignis-IDs, Kriterien für die Kundenzuordnung sowie die korrekte Ereignisquelle. Wird dasselbe Ereignis sowohl über Meta Pixel als auch über die Conversions API gesendet, empfiehlt sich die Anwendung der Meta-Richtlinien zur Ereignisdeduplizierung.
Erstellung eines funktionierenden prädiktiven CLV-Modells
Diese Qualität hängt von der Art des Modells ab, das zur Erstellung des Wertsignals verwendet wird. Selbst wenn die Plattform angemessen auf die übermittelten Werte reagiert, kann sie keine fehlerhaften Annahmen des Unternehmens hinsichtlich Kundenbindungsraten oder Margen korrigieren.
Aus diesem Grund muss das Modell mit einer ökonomischen Frage beginnen: Welches wirtschaftliche Ergebnis in der Zukunft sollte durch die Werbung optimiert werden, und wie sicher ist sich das Unternehmen seiner Einschätzung zum Zeitpunkt der Akquisition?
Schritt 1: Geschäftsergebnis identifizieren
Wählen Sie eine Kennzahl, die den Anforderungen der Entscheidungsfindung entspricht. Der Umsatz kann in ersten Testphasen angemessen sein, der Deckungsbeitrag ist jedoch aussagekräftiger, wenn die Produktmargen und Servicekosten zwischen den Kunden stark variieren.
Für Abonnementunternehmen kann der erwartete Beitrag über einen definierten Zeitraum eine praktikable Kennzahl darstellen. Für B2B-Unternehmen ist der erwartete Bruttogewinn aus einem qualifizierten Lead möglicherweise wichtiger als die Anzahl der über Formulareinsendungen generierten Leads. Für E-Commerce-Unternehmen hilft der Wert von Stammkunden dabei, diejenigen Kunden zu identifizieren, die lediglich aufgrund von Rabatten kaufen.
Der gewählte KPI sollte sowohl dem Finanz- und Marketingteam als auch den Analyse- und Managementabteilungen bekannt sein. Wenn das Unternehmen den Wert von 250 US-Dollar nicht kennt, sollte es aufhören, 250 US-Dollar als Gebotskriterium zu verwenden.
Schritt 2: Auswahl eines Prognosehorizonts
Der „Prognosehorizont“ bezeichnet den Zeitraum, in dem der zukünftige Kundenwert prognostiziert wird. Üblicherweise beträgt der Prognosehorizont für Unternehmen 90 Tage, sechs Monate oder ein Jahr; es kann jedoch Fälle geben, in denen ein längerer Prognosehorizont besser zum Abonnement- oder B2B-Modell passt.
Ein kürzerer Prognosehorizont ermöglicht präzisere Vorhersagen, da weniger zukünftige Ereignisse prognostiziert werden müssen. Ein längerer Prognosehorizont hingegen berücksichtigt zwar die wirtschaftlichen Gegebenheiten des Unternehmens, birgt aber auch eine höhere Unsicherheit.
Schritt 3: Definieren Sie einen aussagekräftigen Benchmark
Um die Algorithmen des maschinellen Lernens zu implementieren, muss der historische Wert der Kunden anhand von Kohorten, Produktsegmenten, Abonnements oder anderen Segmenten ermittelt werden. Die Ergebnisse der Kohortenanalyse zeigen, ob sich Kunden verschiedener Epochen unterschiedlich verhalten und ob ausreichend Varianz für Vorhersagen auf individueller Ebene vorhanden ist.
Ein Einzelhändler kann beispielsweise feststellen, dass Kunden, die innerhalb von 45 Tagen einen zweiten Kauf tätigen, nach 12 Monaten einen höheren Umsatz generieren als Kunden, die dies nicht tun. Bei einem Abonnementdienst lässt sich durch die frühzeitige Nutzung der Produkte die Abonnementverlängerung vorhersagen. Solche Erkenntnisse können bei der Modellentwicklung genutzt werden; die in historischen Daten beobachtete Korrelation impliziert jedoch keinen Kausalzusammenhang.
Training und Validierung des Modells
Die Schritte bei der Modellerstellung müssen sicherstellen, dass die Trainingsdaten von den Validierungsdaten getrennt sind. Der Grund dafür ist, dass die zufällige Einbeziehung zukünftiger Daten in die Trainingsdaten zu irreführend guten Ergebnissen führen kann.
Das Modell sollte für jeden Kunden ausschließlich die zum Prognosestichtag verfügbaren Informationen verwenden. Die Prognosen können dann mit dem realisierten Wert des Kunden im gewählten Prognosezeitraum verglichen werden.
Zu den nützlichen Evaluierungsmethoden gehören:
- Kalibrierung: Erwirtschaften Gruppen, denen ein Schätzwert von 300 Dollar zugewiesen wird, im Durchschnitt über den gegebenen Zeitraum hinweg etwa 300 Dollar?
- Qualität des Rankings: Erkennt das Modell effektiv hochwertige Kundengruppen innerhalb des Kundenstamms?
- Genauigkeit der Vorhersage: Wie stark weicht die Vorhersage vom tatsächlichen Wert ab?
- Unabhängigkeit von der Kohorte: Hängt die Leistungsfähigkeit des Modells vom Zeitpunkt der Akquisition ab?
- Geschäftliche Auswirkungen: Führt die Verwendung der Prognose zu besseren Akquisitionen als der naivere Ansatz?
Bei der Gebotsabgabe spielt die Ranking-Qualität eine besonders wichtige Rolle, da sie es dem Modell ermöglicht, hochwertige Konversionen oder Leads zu schätzen. Andererseits ist eine Kalibrierung erforderlich, da eine systematische Überschätzung des Wertes dazu führt, dass das Unternehmen seinen zulässigen Akquisitionspreis überbewertet.
Schritt 5: Berücksichtigung von Unsicherheiten
Es ist wichtig zu beachten, dass Prognosen lediglich Schätzungen sind. Der Kunde, dem ein Verdienst von 500 $ prognostiziert wurde, könnte tatsächlich nur 100 $, 500 $ oder sogar 900 $ verdienen. Es wäre ratsam, die Effektivität des Modells anhand von Messungen auf Basis verschiedener Stichproben zu überprüfen, anstatt sich auf eine einzige Prognose als endgültige Vorhersage zu verlassen.
Es ist möglich, die mit den Prognosen verbundenen Unsicherheiten durch konservative Schätzungen, Konfidenzintervalle für verschiedene Kundengruppen oder Werte für unterschiedliche Szenarien zu berücksichtigen. Beispielsweise kann ein Unternehmen den erwarteten, den negativen und den positiven Beitrag vergleichen, bevor es festlegt, wie viel es für Akquisitionen ausgeben kann.
Dies ist besonders wichtig bei neuen Produkten, neuen Märkten und Kundensegmenten, für die nur wenige historische Daten vorliegen. Eine Prognose, die auf einer kleinen Stichprobe basiert, ist nicht so zuverlässig wie eine Prognose, die auf jahrelangem, beständigem Verhalten beruht.
Schritt 6: Modellüberwachung einrichten
Das Kundenverhalten ist dynamisch. Es kann unter anderem durch Preisgestaltung, Produktverfügbarkeit, Marktbedingungen, das Verhalten von Wettbewerbern und Akquisitionskampagnen beeinflusst werden.
Das im letzten Jahr bewährte Modell ist möglicherweise aufgrund von Preisänderungen, einer veränderten Kundenzusammensetzung und anderen Faktoren nicht mehr zuverlässig. Daher sollten Prognosefehler, Modellabweichungen, fehlende Daten und die wirtschaftliche Situation der Kunden überwacht werden.
Ein schrittweises Rahmenwerk für prädiktive CLV-Gebotsabgabe
Ein guter Rahmen sollte separate Phasen umfassen, anstatt zu versuchen, alle drei Dimensionen gleichzeitig zu verändern. Dies hilft dabei, die Auswirkungen jeder Änderung zu ermitteln und festzustellen, ob die Leistungsveränderungen auf Kundenwertsignale, verbesserte Gebotsstrategien oder andere Kampagnen zurückzuführen sind.
Phase 1: Bewertung Ihrer aktuellen Akquisitionseffektivität
Ermitteln Sie zunächst Ihre Kundenakquisitionskosten (CAC), den Umsatz beim ersten Kauf, die Bruttomarge, den Deckungsbeitrag und die Amortisationszeit. Führen Sie diese Berechnungen separat für jede Kundengruppe durch, basierend auf Produktlinie, Abonnementmodell, Leadquelle oder Kampagne.
Ziel ist es, festzustellen, ob es tatsächlich Unterschiede im Kundenwert gibt. Falls nicht, bietet die vorausschauende CLV-Gebotsstrategie kaum einen Mehrwert gegenüber verbessertem Tracking, Messaging, höheren Konversionsraten usw.
Phase 2: Basismodell
Entwickeln Sie ein grundlegendes Modell des Kundennutzens anhand historischer Daten. Legen Sie den Zeithorizont und die Finanzkennzahlen fest, um Prognosen mit tatsächlichen Ergebnissen bei nachfolgenden Kunden zu vergleichen.
Erstellen Sie nicht von Anfang an ein komplexes Lernmodell, da zunächst die Nützlichkeit des Basismodells hinsichtlich seiner Vorhersagekraft getestet werden muss. Das Basismodell selbst kann als Vergleichsmaßstab dienen und hilft dabei, den Nutzen des komplexen Modells zu bestimmen.
Schritt 3: Plattformbereitschaft bewerten
Prüfen Sie den Umfang des Conversion-Trackings, die Kundenübereinstimmung und die Conversion-Verzögerung. Stellen Sie bei Google Ads sicher, dass die relevanten Kampagnen- und Conversion-Typen den gewünschten wertorientierten Ansatz ermöglichen. Vergewissern Sie sich bei Meta, dass die beabsichtigte Anwendung der Technologie zulässig ist.
Phase 4: Einführung von Werten, ohne das Ziel gleichzeitig zu verändern
Sofern dies auf der gegebenen Plattform und in der gegebenen Konfiguration möglich ist, sollten Sie zunächst die neuen Wertsignale einführen, ohne den Bietprozess wesentlich zu verändern, bis die Werte validiert sind und für die Zuteilung verwendet werden können.
In Google Ads wird gemäß den offiziellen Empfehlungen empfohlen, zunächst eine solide Werthistorie aufzubauen, bevor wertbasiertes Bieten implementiert wird. Der dafür benötigte Zeitraum hängt von der gewählten Konfiguration und dem Conversion-Zyklus ab.
In Meta sollten Sie die Ereigniswerte und alle Daten zum Kundenwert validieren, bevor Sie die Ergebnisse der Kampagnen auslesen.
Phase 5: Durchführung eines kontrollierten Tests
Testen Sie die Methode zur Ermittlung des Vorhersagewerts anhand einer vergleichbaren Basislinie, beispielsweise einer aktuellen wertbasierten Gebotstechnik oder einer Methode mit Fokus auf Kundenakquisitionskosten (CAC). Führen Sie nach Möglichkeit Kampagnenexperimente oder eine kontrollierte Aufteilung durch, um Überschneidungen zu minimieren und nicht mehrere Variablen gleichzeitig zu testen.
Der Test sollte von Anfang an ein objektives Ziel definieren. Je nach Art des Geschäfts kann dies beispielsweise ein Beitrag abzüglich Werbekosten, ein zusätzlicher Kundennutzen, eine Amortisationszeit oder etwas anderes sein. Der von der Plattform ermittelte Konversionswert dient zwar weiterhin als Diagnoseinstrument, sollte aber nicht als alleiniger Erfolgsnachweis herangezogen werden, wenn er auf Prognosen statt auf tatsächlichen Erträgen basiert.
Häufig gestellte Fragen
Was ist Predictive CLV Bidding?
Das prädiktive CLV-Gebot nutzt einen prognostizierten Kundenwert für Entscheidungen zur Werbeakquise. Es ermöglicht Unternehmen, Kunden zu segmentieren, die zukünftig unterschiedliche Wertbeiträge leisten können, vorausgesetzt, die entsprechenden Wertinformationen sind in den Einstellungen der Werbeplattform vorhanden.
Worin unterscheidet sich die vorausschauende CLV-Gebotsstrategie von der Ziel-CPA?
Target CPA zielt nicht auf Conversions zu einem festgelegten durchschnittlichen Kostenwert ab, ohne dabei zwischen verschiedenen Kunden hinsichtlich ihres potenziellen zukünftigen Werts zu unterscheiden. CLV-Predictive Bidding hingegen berücksichtigt die unterschiedliche wirtschaftliche Leistungsfähigkeit verschiedener Kunden, wodurch sich das Unternehmen auf wertvollere Akquisitionen konzentrieren kann, anstatt die Conversion-Rate zu maximieren.
Gibt es in Google Ads Kampagnen, die den erwarteten Kundenlebenszeitwert zur Durchführung von Kampagnen verwenden?
Google Ads bietet wertorientierte Strategien wie „Conversion-Wert maximieren“ und „ROAS anvisieren“. Werbetreibende können den prognostizierten Kundenwert durch eine korrekte Einrichtung des Conversion-Werts nutzen, vorausgesetzt, die Anforderungen und die Definition des Wertes entsprechen den aktuellen Plattformvorgaben. Kundenlebenszyklusziele ermöglichen es zudem, bestimmten Kampagnen Priorität einzuräumen, auch wenn es sich dabei nicht um exakte CLV-Prognosen für einzelne Kunden handelt.
Können Meta-Anzeigen den prognostizierten Kundenlebenszeitwert nutzen?
Meta bietet zahlreiche wertbasierte Anzeigenfunktionen, wie beispielsweise wertbasierte Lookalike Audiences und Conversion-Value-Optimierung. Die geeignete Methode hängt von der jeweiligen Kampagne, den verfügbaren Kontofunktionen, den Kundendaten und der Bereitstellung von Werten ab. Unternehmen müssen prüfen, ob ihr geplanter Prozess eine vorhersagebasierte Optimierung ermöglicht, anstatt anzunehmen, dass alle CLV-Werte als Gebotssignale genutzt werden können.
Benötige ich maschinelles Lernen zur CLV-Vorhersage?
Nicht unbedingt. Ein Unternehmen kann beispielsweise damit beginnen, Durchschnittswerte in jeder Kohorte, Wiederkaufsraten, Kundenbindungsraten und Margen zu berechnen. Maschinelles Lernen ist hilfreich, wenn der Kundenstamm groß und heterogen ist und die Komplexität gegenüber einem einfacheren Modell spürbare Vorteile bietet.




