Σήμερα θα αναφερθώ στο Lifetime Value (LTV) report του analytics που αγνοεί δυστυχώς πλήρως το μεγαλύτερο ποσοστό των agency που ασχολούνται με τα έσοδα και χαράζουν στρατηγική πωλήσεων .
Το Lifetime Value (LTV) report ένα από τα πιο χρήσιμα report του Google Analytics ( αν όχι το πιο χρήσιμο προσωπικά για εμένα ) .Ας δούμε πως αυτό το report μπορεί να μας δώσει πληροφορίες , να μας βοηθήσει στην στρατηγική μας και να μας καθοδηγήσει ανάλογα με τους στόχους μας.
Παράδειγμα για να καταλάβουμε την αξία του LTV : Ας υποθέσουμε ότι έχουμε τα εξής δεδομένα
Δαπάνη Πελατών ανά Επίσκεψη (CEV) | ||||||
Πελάτης1 | Πελάτης2 | Πελάτης3 | Πελάτης4 | Πελάτης5 | Μ.Ο | |
4 | 3,5 | 10 | 8,5 | 6 | 6,4 | |
Μέσος όρος επισκέψεων ανά βδομάδα (NVW) | ||||||
4 | 6 | 2 | 5 | 7 | 4,8 | |
Μέση αξία πελάτη ανά εβδομάδα = CEV X NVW (ACVW) | ||||||
16 | 21 | 20 | 42,5 | 42 | 28,3 | |
Υπολογισμoί ( ισχυουν στην επιχείρηση του παραδείγματος ) που θα μας βοηθήσουν στον υπολογισμό του Lifetime Value (LTV)
Μέση Διάρκεια ζωής πελάτη 1 (ACL) |
Ποσοστό διατήρησης πελατών 75 % (CRR) |
Περιθώριο κέρδους ανά πελάτη 21.3% (PMPC) |
Το ποσοστό έκπτωσης 10% (ROD) |
Το μέσο ακαθάριστο περιθώριο ανά διάρκεια ζωής πελάτη 23,52 (AGM) |
Για να υπολογίσουμε το average LTV υπολογίζουμε :
(1) 52 x (ΜΑΠΑΒ) x (ACL) = 1.471,6
(2) ACL x (52 x CEV x NVW x CRR ) = 340,25
(3) AGM x (CRR / ( 1 + ROD – CRR)) = 50, 40
Επομένως Average LTV (M.O [ (1)(2)(3)] ) = 620,75
Σημείωση : Είναι χρήσιμο να αναλύσουμε περισσότερο τον ΜΟ και να εκτελέσουμε ξεχωριστούς υπολογισμούς LTV για διαφορετικά είδη πελατών μας. Επομένως θα πρέπει να τμηματοποιήσουμε την βάση των πελατών μας να παρακολουθήσουμε και να αναλύσουμε τα δεδομένα αυτά ώστε να καταλήξουμε στον προσδιορισμό του “καλού” , του “μέσου” και του “κακού” πελάτη μας. Με τον τρόπο αυτόν και την ανάλυση που θα κάνουμε θα προσδιορίσουμε επίσης και τα χρήματα που θα πρέπει να πληρώσουμε ( να σπαταλήσουμε στην διαφήμιση ) για να αποκτήσουμε τον κάθε πελάτη μας.
Πληροφορία πολύ χρήσιμη που εξάγαμε από το case study που ακολουθεί :
HTAN πολύ πιο επικερδές να σπαταλήσουμε χρήματα για να αποκτήσουμε ένα “μέσο ” πελάτη ,
παρά να σπαταλήσουμε πολύ περισσότερα χρήματα για να αποκτήσουμε ένα καλό πελάτη .
ΕΠΕΝΔΥΣΑΜΕ λοιπόν στην απόκτηση μέσων πελατών ( χωρίς προφανώς να απορρίπταμε τους καλούς όταν το πετυχαίναμε.)
Ο μέσος πελάτης μας έδινε ΜΟ εσόδων 60 euro με κόστος απόκτησης όπως θα δείτε 2,79 ενώ ένας καλός είχε ΜΟ εσόδων 180 euro αλλά κόστος απόκτησης 55 euro.
Επομένως ζητήστε να σας κάνουν ανάλυση LTV( revenue per user ) και θα καταλάβετε πάρα πολλά από την ποιότητα των υπηρεσιών που λαμβάνεται . Είμαι σίγουρος ( απλά μαθηματικά είναι ) ότι θα εκπλαγείτε με το αποτέλεσμα σας. Ειδικά στον χώρο του τουρισμού τα πράγματα είναι απογοητευτικά. Καλύπτονται όμως από το μεγάλο revenue που έχουν οι κρατήσεις ( Υψηλές τιμές δωματίων). Επίσης το ίδιο συμβαίνει και για τα rent a car.
Συμβουλή προς όλους τους διαφημιζόμενους. Μην κοιτάτε την απόδοση εσόδων και δαπανών μόνο. Υπολογίστε το κόστος απόκτησης πελάτη , τον χρόνο διατήρησής του και την ανταποδοτικότητα του προς εσάς.
Οι ξενοδόχοι ειδικά θα πρέπει να υπολογίζουν όχι το ADR ( Average Daily Rate ) αλλά το RevPar. Το RevPar υπολογίζεται πολλαπλασιάζοντας τη μέση ημερήσια τιμή δωματίου (ADR) ενός ξενοδοχείου με το ποσοστό πληρότητας . Μπορεί επίσης να υπολογιστεί διαιρώντας τα συνολικά έσοδα του ξενοδοχείου με τον συνολικό αριθμό των διαθέσιμων δωματίων κατά την περίοδο που μετράται
RevPAR = Μέση ημερήσια τιμή δωματίου(ADR) x Ποσοστό πληρότητας (Occupancy Rate)
- Οι επιτυχημένοι αριθμοί RevPAR διαφέρουν από αγορά σε αγορά με βάση τη ζήτηση και άλλους παράγοντες.
- Καλύτερη σύγκριση έχουμε όταν αναφερόμαστε σε παρόμοιες χρονικές περιόδους.
- Καλύτερη σύγκριση έχουμε όταν αναφερόμαστε σε παρόμοιες εποχιακές χρονικές περιόδους.
- Για παράδειγμα, η σύγκριση των αποτελεσμάτων από την 1η εβδομάδα του Αυγούστου με την ίδια του προηγούμενου έτους είναι πιο αξιόπιστη.
Ζητήστε μας μια ανάλυση και εμείς θα σας οδηγήσουμε στην μεγιστοποίηση των στόχων σας.
