CLV w e-commerce: jak liczyć, jak segmentować, jak działać na podstawie wyniku

Jeśli twój CAC (Customer Acquisition Cost) idzie w górę co kwartał — a w polskim e-commerce idzie w górę u praktycznie wszystkich od 2022 — to jedynym sensownym ratunkiem jest CLV. Customer Lifetime Value to wartość, którą jeden klient zostawi w twoim sklepie przez cały okres relacji. Im wyższe CLV, tym więcej możesz wydać na pozyskanie i tym bezpieczniejszy jesteś, kiedy ROAS spadnie.

W DrTusz od lat budujemy strategię wokół CLV, nie wokół jednorazowej transakcji. Toner kupiony raz to klient na 6-7 lat — jeśli go zatrzymasz. Toner z rabatem 50% u konkurencji to porażka, którą zauważysz dopiero po trzech latach. Poniżej praktyczny przewodnik: jak CLV liczyć, jak segmentować klientów i co konkretnie robić z wynikiem.

1. Trzy wzory CLV — od pivota w Excelu po model probabilistyczny

Wzór 1 — proste CLV historyczne. Liczysz średnią wartość zamówienia (AOV) razy średnią liczbę zamówień na klienta razy średnią długość relacji (w latach).

CLV = AOV × częstotliwość zakupów rocznie × długość życia klienta

W naszym sklepie z portfolio: AOV 180 zł, klient kupuje średnio 2,8 razy rocznie, przez 3,4 roku. CLV = 180 × 2,8 × 3,4 = 1714 zł. Daje to konkretną liczbę, którą można podzielić przez CAC i sprawdzić, czy biznes ma sens.

Wzór 2 — CLV z marżą i kosztem retencji. Czyste przychody to fikcja — liczy się marża minus koszt utrzymania klienta (newslettery, retargeting, programy lojalnościowe).

CLV = (AOV × częstotliwość × długość życia × marża%) - koszty retencji

Jeśli marża to 22%, a koszty retencji na klienta rocznie wynoszą 30 zł, prawdziwe CLV w przykładzie wyżej spada do 274 zł. Inna decyzja inwestycyjna.

Wzór 3 — probabilistyczny CLV (BG/NBD + Gamma-Gamma). Zaawansowany model statystyczny, który dla każdego klienta przewiduje prawdopodobieństwo kolejnego zakupu i jego wartość. To, czego używają duzi gracze — Amazon, Allegro. Wdrażalne w Pythonie (biblioteka lifetimes) albo w gotowych narzędziach typu Klaviyo Predictive Analytics.

W praktyce: jeśli twój sklep ma poniżej 5000 transakcji rocznie, zostań przy wzorze 2. Próba wdrażania modeli probabilistycznych na małej próbce daje wyniki z większym szumem niż sygnałem.

2. AOV i częstotliwość — gdzie szukać tych liczb w GA4 i ERP

Najczęstszy błąd: liczy się CLV na danych z GA4, gdzie część zamówień ginie przez consent mode i blokery. GA4 to dobre źródło zachowań, ale nie transakcji. Liczby transakcyjne ciągnij z back-endu — ERP, BaseLinker, PrestaShop, Magento, własna baza.

Co konkretnie wyciągnąć:

• AOV — suma przychodu netto / liczba zamówień, za okres ostatnich 12 miesięcy
• Częstotliwość — liczba zamówień / liczba unikalnych klientów, za 12 miesięcy
• Długość życia klienta — bardziej zaawansowana metryka, najczęściej liczona jako 1 / współczynnik churn (jeśli 30% klientów nie wraca w ciągu roku, średnia długość życia to 1/0,3 = 3,3 roku)

W jednym ze sklepów z naszego portfolio przejście z liczenia AOV "wszystko razem" na rozbicie per segment (B2C vs B2B) zmieniło decyzję inwestycyjną o 180°. Średnia AOV ukrywała, że B2B miał 4x wyższe wartości i 5x wyższą częstotliwość.

3. Segmentacja RFM — najlepszy stosunek wysiłku do efektu

RFM to skrót od Recency (jak dawno klient kupił), Frequency (jak często) i Monetary (za ile łącznie). Każdemu klientowi przypisujesz ocenę od 1 do 5 w każdym z trzech wymiarów. Wynik: 125 możliwych segmentów, w praktyce sklejasz to do 8-10 grup biznesowych.

Klasyczne grupy, które polecam:

• Champions (R5 F5 M5) — kupują często, ostatnio, dużo. Najwyżej 5-10% bazy, robią 30-50% przychodu.
• Loyal customers (R4-5, F4-5, M3-4) — wracają, ale wydają mniej.
• Potential loyalists (R5, F2-3, M2-3) — niedawno zaczęli kupować, mają potencjał.
• At risk (R2-3, F4-5, M3-5) — kiedyś byli ważni, ale przestali wracać. Najwartościowsza grupa do reaktywacji.
• Hibernating / Lost (R1, F1-2, M1-2) — ostatni zakup dawno, mało, tanio. Praktycznie martwa baza.

W DrTusz mamy ten podział wbudowany w system od lat. Komunikujemy do każdej grupy zupełnie inaczej, co poniżej.

4. Akcje per segment — co konkretnie wysyłać i kiedy

Champions: Daj im poczuć, że są ważni. Wcześniejszy dostęp do nowości, dedykowane oferty B2B, zaproszenia na webinary. Nie zniżki — oni i tak kupią. Zniżka dla Championa to spalanie marży.

Loyal: Programy lojalnościowe, system punktów, "+1 darmowa dostawa po piątym zakupie". Cel: podnieść wartość AOV i częstotliwość. W naszym kliencie z branży DIY dodanie programu punktowego dla Loyal podniosło średnią częstotliwość z 1,8 do 2,4 zakupu rocznie.

Potential loyalists: Onboarding mailowy 4-5 wiadomości w pierwszych 60 dniach. Edukacja produktowa, social proof, krótkie wideo "jak korzystać". Cel: doprowadzić do drugiego zakupu, który statystycznie kasuje 70% problemu retencji.

At risk: Klasyczna kampania win-back. Sekwencja 3 maili w odstępach 7-14 dni: "Tęsknimy" → "Co się stało?" (możliwość feedbacku) → konkretna oferta. W jednym z naszych sklepów taka sekwencja odzyskała 11% bazy "at risk" w pierwszym miesiącu wdrożenia.

Hibernating: Tutaj uczciwie — większości nie odzyskasz. Wyślij jedną ostatnią próbę z mocną ofertą. Jeśli nie zadziała, wyczyść bazę. Płacisz Klaviyo za każdy kontakt; trzymanie martwych adresów to spalanie budżetu i psucie deliverability.

5. Narzędzia — co realnie używamy w praktyce

Klaviyo — najbardziej kompletne narzędzie do CLV-driven e-mail marketingu w polskim e-commerce. Predykcyjne CLV out-of-the-box, segmentacja RFM, dynamiczne segmenty. Płatne wg wielkości bazy, ale ROI w sensownie prowadzonym sklepie zwraca się w 3-4 miesiące.

Custom dashboards w Looker Studio (dawny Data Studio) — kiedy chcesz mieć CLV jako live KPI dla zarządu. Łączysz dane z ERP, GA4 i ad-spend platform. Wymaga pracy analityka, ale daje sterowność.

Polskie narzędzia (SALESmanago, Edrone) — solidna alternatywa dla Klaviyo, integracja z polskimi platformami sklepowymi (PrestaShop, Shoper) zwykle prostsza. Predykcje CLV mniej rozbudowane, ale podstawową segmentację RFM ogarniają.

Excel + Python (lifetimes) — dla większych sklepów, które chcą własny model probabilistyczny. Niski koszt, duża kontrola, wymaga kompetencji analitycznych w zespole.

6. Case z naszego portfolio: jak CLV zmieniło budżet mediowy

Sklep z naszego portfolio (kategoria home & decor, anonimowy) liczył ROAS na poziomie 4,2 i był zadowolony. Po rozbiciu kohort wg CLV okazało się, że klienci pozyskani z kampanii Google Shopping mieli CLV 380 zł, a z kampanii Meta Ads — 720 zł. Meta wyglądała gorzej w short-term ROAS, ale przynosiła klientów wartych prawie 2x więcej w 24-miesięcznym oknie.

Rebalance budżetu na rzecz Meta (przy świadomości CLV per kanał) podniósł roczny przychód o 18% bez zwiększania łącznego budżetu mediowego. To jest sens patrzenia na CLV — nie żeby ładnie wyglądało w prezentacji, tylko żeby zmieniło decyzję.

7. Co dalej — od jednej liczby do kultury danych

CLV nie jest projektem na kwartał. To zmiana w sposobie myślenia o klientach: z "transakcji" na "relację". Konkretne kroki, od których możesz zacząć:

1. Policz CLV proste (wzór 1) jeszcze w tym tygodniu — masz wszystkie dane w ERP
2. Rozbij CLV per kanał pozyskania i per kategoria produktu
3. Wdroż segmentację RFM (5 minimalnych grup wystarczy na start)
4. Stwórz po jednej kampanii e-mail/SMS per segment
5. Mierz CLV co kwartał i porównuj kohorty miesięczne

Jeśli twój sklep robi powyżej 2 mln zł rocznie i nie liczysz CLV per kanał — zostawiasz pieniądze na stole. Porozmawiaj z nami o swoim sklepie. W Pro1 zaczynamy od policzenia CLV w obecnych danych, a dopiero potem rozmawiamy, co z tym zrobić. Bez liczb to są tylko opinie.