El lifetime value es, desde mi punto de vista, una métrica algo sobrevalorada. Y lo digo porque es muy compleja de calcular para la utilidad final que tiene. Luego veremos una alternativa que yo creo que es mucho más práctica y realista para un pequeño e-commerce que no tiene acceso a tantísima información.

¿Qué es el lifetime value?

Lo primero es lo primero: definición. Lifetime value, cuyas siglas en inglés son LTV, en español viene a ser algo así como valor de vida de cliente.

Es útil porque nos permite saber cuánto aporta un cliente cuando lo captamos en tu negocio a lo largo de un periodo de tiempo determinado. Y además, cuando se contrapone o se compara contra lo que llamamos el CAC — que sería el coste de adquisición de clientes — nos permite determinar si realmente hay una relación entre lo que invierto para captar clientes nuevos y lo que estos me aportan.

Se dice siempre que el lifetime value debería multiplicar por tres el coste de adquisición de clientes. Si me cuesta captar un cliente 10 euros, el lifetime value al menos debería ser 30. Es verdad que en determinados sectores se pide que el lifetime value pueda ser un poquito menos — un 2,5 — dependiendo de los costes operativos y los costes asociados. Pero por lo general mantenemos esta relación: el lifetime value debe ser tres veces superior al coste de adquisición de clientes.

Eso sí, hay que tener cuidado: el lifetime value no incorpora tu margen de beneficio ni nada por el estilo. Es como ganancia bruta, lo que aporta en total un usuario. Así que yo lo mantendría incluso en un 3,5 o un 4, dependiendo de los costes fijos del negocio y del margen que tenga.

La fórmula del LTV desglosada

Vamos a desgustar la fórmula y así entendemos mucho mejor de dónde viene la dificultad.

Ticket medio

El ticket medio es una métrica que todo e-commerce calcula. Es súper útil para saber en qué rangos de precios te estás moviendo y también para ver dónde se mueve la competencia. Nos permite saber cuánto se gasta de media un cliente cuando lo conseguimos captar o cuando llega a mi negocio.

Se calcula como ingresos totales entre total de pedidos. Muy sencillo, una información accesible para todo el mundo. Si quiero calcular el ticket medio de un año, lo calculo con esa información anual; si es mensual, pues tendré que conocer los pedidos y los ingresos de ese mes.

Frecuencia de compra

La frecuencia de compra es también una métrica relativamente sencilla de calcular, accesible en casi todas las herramientas de analítica que podemos manejar habitualmente: Shopify, PrestaShop, WordPress a través de plugins, Analytics…

Viene a significar cuántas veces de media me compra un cliente cuando lo capto. Si la frecuencia de compra es cuatro, diríamos que un cliente de media cuando lo capto en mi tienda online me compra cuatro veces.

Se calcula como pedidos totales entre clientes únicos. Lo vais a encontrar de las dos maneras, pero yo por lo general lo calculo así. Es tan fácil como decir: si quiero calcular la frecuencia de compra en un mes, cojo todos los pedidos de ese mes y lo divido entre los clientes únicos de ese mes. Si tengo dos pedidos y me ha comprado un solo cliente, ese cliente ha realizado dos compras, por lo tanto mi frecuencia de compra es dos.

Aquí ya vamos viendo por dónde va la fórmula: está multiplicando ticket medio por frecuencia de compra. Porque si la frecuencia de compra es muy alta — como puede pasar en un Shein, donde el ticket medio es muy bajo pero la frecuencia de compra es altísima — ese valor se multiplica desde luego.

El término conflictivo: el valor de vida del cliente (churn rate)

Y vamos con el último término, que ya es el conflictivo. El valor de vida del cliente se calcula como uno entre lo que se conoce como churn rate o tasa de abandono.

A lo mejor te viene a la cabeza la tasa de abandono de Analytics, esa que indica cuánta gente entra en tu web y no realiza ningún tipo de interacción. Aparece en prácticamente el 100% de los paneles cuando consultas Google Analytics, así que es muy familiar para todo el mundo. En cambio, no es esa tasa de abandono.

Esta tasa de abandono se calcula como total de clientes perdidos en un periodo de tiempo determinado entre clientes totales. Y ahí está el gran problema: ¿cuándo consideramos que un cliente está perdido?

En un modelo de suscripción como Netflix, sabemos cuándo un cliente ha abandonado — es cuando da de baja su suscripción. En ese momento lo consideramos un cliente abandonado. Pero en un e-commerce, que no te das de baja de ningún sitio y simplemente manifiestas tu efecto de abandonar un negocio dejando de comprar, hay que determinar, hay que establecer cuándo consideramos que un cliente ya está abandonado. ¿Cuando deja de comprarme en un año? ¿En seis meses? ¿Cuándo debe ser esa métrica?

Ahí radica la primera dificultad. Es un criterio relativamente subjetivo. Ahora con la inteligencia artificial podemos hacer verdaderas trig***** a nivel de cálculo, lo que pasa es que sigue siendo un criterio subjetivo. Y no está claro determinar cuándo hemos perdido a un cliente, porque si justo al día siguiente me compra, bueno, pues pasará a formar parte de las métricas de cliente recuperado el mes siguiente.

No es nada sencillo. Imagínate que tienes un listado de clientes en un mes — pongamos que tienes cien clientes ese mes. ¿Cómo sabes cuántos has perdido? Tienes que analizar esos correos electrónicos o esos IDs de clientes, ver quiénes me han comprado antes y ver si me han vuelto a comprar o no. Tienes que retrotraerte al pasado y analizar todo el histórico.

Como os digo, con la inteligencia artificial le puedes pasar todo el histórico de tus pedidos con un identificador de cliente y, dándole bien la solicitud de cálculo, te lo va a dar. Pero hay que darle bien la definición, hay que establecer muy bien el criterio de cuándo se va a considerar que un cliente ha sido abandonado.

Un ejemplo para que quede claro

Vamos a poner un ejemplo para terminar de entender qué es el lifetime value al final.

Teníamos un ticket medio de 50 euros, una frecuencia de compra de 2 e imaginemos que la tasa de abandono es del 30% — es decir, el 30% de mis clientes me han abandonado este año, de los que me habían comprado no me han vuelto a comprar.

1 entre 0,3 es algo así como 3,3. Entonces: 50 × 2 × 3,3 = 300 euros de lifetime value.

Eso quiere decir que a lo largo de la vida útil de un cliente antes de que me abandone, un cliente me va a aportar 300 euros. Mucho más de esos 50 euros iniciales que me aporta cuando lo capto por primera vez.

¿Es útil el LTV? Sí, pero…

Es una métrica muy bondadosa con lo que a marketing se refiere. Es decir, nos va a inflar el dato. Si imaginas que quieres que el LTV sea tres veces el coste de adquisición de clientes, muchas veces no lo vas a conseguir solo con el ticket medio dentro del marketing. En cambio, el lifetime value siempre añade un valor extra, un valor adicional a lo que sería lo que me aporta un cliente cuando llega a mi sitio web.

¿Es una métrica útil? Sí. Pero es muy engorrosa para lo que aporta. Lo que sí recomiendo siempre es calcular el ticket medio y la frecuencia de compra. En el próximo post veremos cómo solucionar esa dificultad del dato y qué alternativa más práctica y realista podemos usar.

La entrada Lifetime value (LTV): qué es, cómo se calcula y por qué es tan difícil de usar en un pequeño e-commerce se publicó primero en Adigitalgo.

Llevo muchos años hablando de esto y, a lo mejor, el título suena un poco clickbait, pero el tema de la atribución en marketing digital surge sí o sí cuando estás en discusiones con jefes sobre qué canal trae más ventas. Al ser autónoma y prestar servicios a diferentes empresas, me he encontrado muchas veces con este debate. Así que hay que conocerlo, hay que entender qué limitaciones nos trae, porque nos va a permitir interpretar mucho mejor los informes y las analíticas y tomar mejores decisiones.

–> PUEDES ESCUCHAR ESTE POST AL COMPLETO PODCAST ADIGITALGO

¿Qué es la atribución?

La definición técnica sería algo así: el criterio de decisión por el cual las diferentes herramientas responsables de traer tráfico a una página web se atribuyen —consideran que les pertenece— una conversión determinada. Dicho así suena un poco raro, pero se entiende perfectamente con un ejemplo.

Cuando miras en Google Analytics el informe de canales de tráfico —en GA4 creo que ahora se llama adquisición de clientes o algo así— tienes en las filas las diferentes fuentes de tráfico: directo, orgánico, social media, newsletter… Y al final de la tabla aparecen las conversiones. Puedes ver cómo cada canal tiene asignadas unas conversiones. Por ejemplo, si un usuario busca la marca en Google, llega a la web y compra, Analytics entiende que tráfico orgánico se ha llevado esa conversión.

Pero aquí viene la pregunta de verdad: ¿y si un usuario descubre una marca a través de redes sociales, unos días después se suscribe a la newsletter, y dos días después llega por tráfico directo y compra? ¿De quién es esa conversión? ¿A qué canal debería atribuirse?

Ese comportamiento multicanal que acabo de describir es mucho más habitual que el de un cliente que descubre tu marca por un único canal y te compra en ese instante. Y precisamente eso genera la problemática: ¿quién debería asignarse esa venta en los informes?

Porque sin las redes sociales, que fueron el canal de descubrimiento, nunca se hubiera conocido la marca. Sin la newsletter, quizás no se hubiera convencido al usuario de que finalmente comprara —como canal intermedio donde el usuario ya está un poco más caliente—. Y sin el posicionamiento orgánico correcto, tampoco se hubiera generado la conversión. Todos los canales tuvieron su papel.

El ejemplo del fútbol

Siempre pongo este ejemplo en el máster de comercio electrónico porque se entiende muy bien. Cuando se marca un gol, ¿a quién se le atribuye? Muchos dicen: a quien marca el gol. Vale, pero ¿y el que hizo la asistencia? Sin esa asistencia, seguramente el gol no hubiera tenido lugar. Sin embargo, no se hace 0,5 de atribución al asistente y 0,5 al delantero. Se le atribuye el gol a quien mete el balón en la portería y punto.

Y esto es exactamente lo mismo que pasa en digital: no hay un criterio correcto. Podríamos perfectamente haber decidido, tanto en el fútbol como en las métricas digitales, atribuirle la mitad de la conversión a un canal y la mitad a otro. No hay una respuesta clara.

Los modelos de atribución más extendidos

Para responder a esta problemática existen diferentes criterios de atribución:

• Last click: se atribuye la conversión al último canal antes de la venta. Es el más extendido, aunque ahora veremos que quizás no es el mejor.
• First click: se atribuye la conversión al primer canal de contacto, el de descubrimiento.
• Lineal: todos los canales que intervienen se reparten la conversión a partes iguales. Si son cuatro canales, un 25% cada uno; si son dos, un 50% cada uno.
• Creciente o decreciente: los primeros o los últimos puntos de contacto son los que más puntuación se llevan para esa conversión, dependiendo del modelo.

El problema real: cada herramienta usa su propio criterio

Hasta aquí, esto es simplemente una limitación que quizás no tendría tantas implicaciones. Pero el problema gordo llega cuando empiezas a invertir en diferentes canales a la vez. Lo más habitual, con las empresas con las que he trabajado, suele ser tener esta estructura: tráfico directo, tráfico orgánico, social media, email marketing y referidos. Esos son el top 5 de fuentes de tráfico de cualquier e-commerce tradicional.

Y cada una de esas herramientas tiene sus propios informes para mostrarte lo efectiva que es a la hora de traerte ventas. Meta hace lo mismo. Google Analytics barre hacia su casa, por supuesto. Google Ads también.

El ejemplo más claro: Meta, si no me equivoco, tiene por defecto algo así como 28 días de atribución post clic y 7 días post view. Es decir, si alguien hace clic en un anuncio, pasan 28 días y compra, Meta se atribuye esa venta. Y si alguien ve el anuncio —sin hacer clic— y en 7 días compra, Meta también se atribuye esa venta.

Como podéis imaginar, eso entra en conflicto con el criterio de atribución de Analytics. Por eso es de lo más común mirar las ventas que Analytics atribuye a Meta y ver que no cuadran con lo que te dice Meta. Y nunca van a cuadrar, porque utilizan criterios de atribución distintos. ¿Y cuál es el bueno? Buena pregunta.

Y esto no es algo exclusivo de Meta. Pasa con todas las herramientas que utilicéis.

Entonces, ¿qué hago? ¿De qué me fío?

Voy a poner un ejemplo con una jefa de una startup española que todas las semanas decía: «es que Klaviyo tiene que traer más ventas de las que trae». Nos fijábamos en el informe de Klaviyo y veíamos cómo evolucionaba. Y ella decía: «es que Klaviyo el año pasado nos trajo 50.000 euros». Bueno, bueno. Miremos Analytics, a ver si estamos seguros de que trajo 50.000 euros. Yo no lo estaba en absoluto.

Pero sí que es verdad esto: si siempre mides la efectividad de tus newsletters a través de Klaviyo, lo normal es que lo sigas haciendo a través de Klaviyo. Porque de esa manera estás midiendo siempre con la misma regla. Esas son mis recomendaciones:

• Si estás valorando cómo funciona la publicidad de Meta, mira siempre Meta.
• Si estás valorando cómo funciona tu email marketing, mira siempre Klaviyo, Mailchimp, Acumbamail o la que uses.
• Si estás analizando cualquier otra acción, mírala en la herramienta en la que se ejecuta esa acción concretamente.

Siendo muy conscientes de este criterio de atribución. Porque si haces un informe desagregado cogiendo las ventas que te vienen de un sitio y de otro y las sumas, vas a ver muchas más ventas de las que tienes en realidad, porque algunas de esas ventas están solapadas entre sí.

Y también: no decidas qué canales son buenos o malos en función de lo que ocurre en Google Analytics, porque al fin y al cabo está premiando los canales que convierten bien en el bottom of the funnel y está perjudicando a los canales de descubrimiento —como Google orgánico o redes sociales— que quizás son los que más tienen que decir en la captación de tráfico, aunque no sean tan efectivos en la conversión directa.

El criterio last click va a penalizar siempre a esos canales de descubrimiento. Por ejemplo, Klaviyo va a funcionar muy bien con ese criterio cuando mandas una newsletter del tipo «solo hoy, 2×1», porque esa acción lleva directamente a la conversión. Pero eso no significa que los canales de arriba del funnel no estén haciendo su trabajo.

La conclusión final

Al fin y al cabo, todos los canales se complementan y se apoyan entre sí. La clave no es encender o apagar canales en función de lo que te diga un criterio de atribución determinado, sino analizar cómo conviven esos canales en su conjunto. Porque seguramente, al desactivar uno de ellos, la ecuación se rompe ligeramente.

No es una cuestión de quedarte solo con el canal que mejor convierte según el last click, sino quedarte con ese ecosistema de canales que conviven entre sí y potencian las conversiones al máximo.

Eso es todo. Para cualquier duda o debate, comentarios o mi formulario de contacto, siempre disponibles. Gracias por leerme.

La entrada El problema de la atribución en marketing digital se publicó primero en Adigitalgo.