Customer Lifetime Value: qué es, cómo calcularlo y qué te dice sobre cada cliente

Dos clientes, el mismo riesgo, decisiones opuestas

Imagina que tu modelo de detección te avisa de que dos clientes tienen la misma probabilidad de abandono: ambos al 70 %. El primero es un comprador esporádico que gasta poco y lleva poco tiempo contigo. El segundo es un cliente recurrente, de ticket alto, con años de relación por delante. Tienen idéntico riesgo, pero dedicarles el mismo esfuerzo de retención sería un error de asignación de recursos de manual.

La probabilidad de churn te dice quién se va. El CLV te dice a quién te puedes permitir perder. Solo cuando cruzas ambas dimensiones tienes una decisión completa, y esa es la razón por la que el valor de vida del cliente es la pieza que articula toda estrategia de retención seria.

Qué es el CLV y qué no es

El customer lifetime value —valor de vida del cliente, o LTV en su forma abreviada— es el valor económico total que un cliente genera a lo largo de toda su relación con la marca. No es lo que ha gastado hasta hoy: es lo que se espera que aporte durante todo el tiempo que siga siendo cliente, descontado a su margen real.

La distinción que más importa no es de cálculo, sino de uso. La mayoría de empresas que conocen el CLV lo tratan como un KPI: una cifra agregada que aparece en el informe trimestral, se mira y se olvida. Pero el CLV agregado no sirve para decidir nada. Su verdadero valor aparece cuando se calcula por cliente o por segmento y se usa como función de decisión: ¿cuánto puedo gastar en retener a este cliente sin destruir su rentabilidad?

La fórmula básica y cuándo es suficiente

Existen modelos de CLV de enorme sofisticación —probabilísticos, de supervivencia, de simulación multi-anual— y los veremos más adelante en la serie. Pero para la mayoría de marcas que empiezan a trabajar con este termino, una fórmula sencilla captura el 80 % del valor con el 20 % del esfuerzo. En su forma más operativa, el CLV se calcula multiplicando cuatro factores.

Retomemos el cliente del artículo anterior: ticket medio de 80 €, una compra al mes, vida útil esperada de 18 meses y margen del 30 %. Su CLV sería 80 × 1 × 18 × 0,30 = 432 € de margen a lo largo de la relación. Si le restas el coste de adquisición de 120 €, el valor neto que aporta es de 312 €. Esa cifra —no el ingreso bruto— es la que debe gobernar cuánto inviertes en él.

Los tres factores que más mueven el CLV

No todos los factores de la fórmula se mueven con la misma facilidad ni tienen el mismo efecto. Entender que palanca rinde más evita malgastar energía optimizando lo que menos importa.

El factor con mayor efecto y mayor capacidad de mejora es la retención, que se traduce en la vida útil. Alargar la relación no suma de forma lineal: cada periodo adicional se acumula sobre una base ya rentable, sin coste de adquisición que amortizar. Por eso un punto de mejora en retención multiplica el CLV más que un punto de mejora en cualquier otro factor y es el motivo por el cual el CLV está tan estrechamente relacionado con el churn.

La frecuencia es el segundo: lograr que el cliente compre más a menudo aumenta el valor sin necesidad de subir precios, y suele ser más fácil de mover que el ticket. El margen es el tercero, y aunque subir precios o reducir costes mejora el CLV directamente, es también el factor más sensible: tocarlo mal puede acelerar el propio churn que intentas evitar.

El CLV como techo de inversión en retención

Aquí es donde el CLV deja de ser una métrica y se convierte en una regla de decisión. Si un cliente tiene un CLV neto de 312 €, ese número fija el techo de lo que tiene sentido gastar en retenerlo. Un descuento de 30 € para evitar su marcha es una inversión razonable; uno de 250 € destruiría casi todo el valor que pretendías proteger.

Esta lógica permite algo que la retención indiscriminada no puede: asignar presupuestos proporcionales al valor. A los clientes de CLV alto se les puede dedicar incentivos costosos porque hay margen para ello; a los de CLV bajo, intervenciones baratas y automatizadas o, directamente, ninguna. La consecuencia es que el mismo presupuesto de retención protege mucho más valor cuando se reparte según el CLV que cuando se reparte por igual.

Cuándo el CLV simple no es suficiente

La fórmula sencilla funciona bien cuando el comportamiento de los clientes es relativamente homogéneo y estable. Pero hay contextos donde se queda corta. En negocios con alta varianza entre clientes, donde unos pocos concentran la mayor parte del valor, la media engaña. En clientes de producto múltiple —típico en banca— el valor no viene de una sola línea de ingreso sino de una cartera que evoluciona. Y en sectores con fuerte estacionalidad, la frecuencia media oculta patrones que importan.

En todos esos casos, la señal de que necesitas algo más elaborado es la misma: cuando la dispersión de valor entre clientes es tan grande que la media deja de ser representativa, conviene pasar a modelos probabilísticos o de simulación. Veremos uno de esos casos —el de un banco que mejoró su predicción de CLV un 43 % con simulación multi-anual— más adelante en la serie. Para empezar a decidir, sin embargo, la fórmula básica es más que suficiente.

Apéndice práctico: aproximar el valor con RFM cuando no tienes el CLV

Calcular el CLV requiere estimar la vida útil esperada, y eso no siempre está al alcance si acabas de empezar a ordenar tus datos. Existe un atajo que usa solo información que ya tienes en tu tabla de pedidos y que sirve como proxy razonable del valor mientras construyes algo más fino: el análisis RFM.

RFM puntúa a cada cliente según tres dimensiones: Recencia (cuántos días han pasado desde su última compra), Frecuencia (cuántas veces ha comprado) y Valor monetario (cuánto ha gastado en total). No es el CLV —no proyecta hacia el futuro— pero correlaciona bien con él y, además, la dimensión de recencia funciona como señal temprana de riesgo: un cliente que antes compraba mucho y lleva tiempo sin aparecer es, a la vez, valioso y en peligro.

Sobre una tabla de pedidos estándar con columnas customer_id, order_date y order_value, el cálculo se resuelve en una sola consulta. El siguiente SQL calcula las tres métricas base y asigna a cada cliente una puntuación de 1 a 5 en cada dimensión usando quintiles.

-- Paso 1: métricas RFM base por cliente
WITH rfm_base AS (
  SELECT
    customer_id,
    -- Recencia: días desde la última compra hasta hoy
    DATE_PART('day', CURRENT_DATE - MAX(order_date)) AS recency,
    -- Frecuencia: número total de pedidos
    COUNT(*) AS frequency,
    -- Valor monetario: gasto acumulado
    SUM(order_value) AS monetary
  FROM orders
  GROUP BY customer_id
),

-- Paso 2: puntuación 1-5 por quintiles en cada dimensión
rfm_scores AS (
  SELECT
    customer_id,
    recency,
    frequency,
    monetary,
    -- Recencia invertida: menos días = mejor puntuación
    6 - NTILE(5) OVER (ORDER BY recency) AS r_score,
    NTILE(5) OVER (ORDER BY frequency) AS f_score,
    NTILE(5) OVER (ORDER BY monetary) AS m_score
  FROM rfm_base
)

-- Paso 3: score combinado y lectura del segmento
SELECT
  customer_id,
  recency,
  frequency,
  monetary,
  r_score,
  f_score,
  m_score,
  -- Score concatenado, p. ej. '534'
  CONCAT(r_score, f_score, m_score) AS rfm_cell
FROM rfm_scores
ORDER BY m_score DESC, f_score DESC;

El truco está en la recencia: como menos días sin comprar es mejor, se invierte la puntuación con 6 - NTILE(5) para que el cliente más reciente reciba un 5 y el más inactivo un 1. Las otras dos dimensiones puntúan de forma directa. El resultado es una celda RFM de tres dígitos por cliente —un 555 es el cliente ideal, un 511 uno valioso pero en riesgo de fuga— sobre la que se construyen los segmentos accionables.

El CLV te da el criterio que faltaba: cuánto vale cada cliente y, por tanto, cuánto tiene sentido gastar en retenerlo. Con RFM puedes aproximarlo hoy mismo usando solo tu tabla de pedidos. Pero ambos comparten una limitación: te dicen quién es valioso, no quién está a punto de irse ni cuándo. Para eso hace falta detectar el abandono antes de que ocurra, y ahí es donde entra el primer caso concreto de sector. ¿Cómo se manifiesta el churn cuando el cliente puede desaparecer sin cancelar absolutamente nada, como pasa en el ecommerce?