Voorspellende klantlevenswaarde & waarom de meeste marketingteams de verkeerde relatie meten
![[OPT 3] IMG CMO – Editorial – predictive lifetime value and what to measure_-18130](https://thecmo.com/wp-content/uploads/sites/8/2026/06/OPT-3-IMG-CMO-–-Editorial-–-predictive-lifetime-value-and-what-to-measure_-18130-792x446.jpg)
Misvatting over klant-LTV: Veel CMO's berekenen de klantlevenswaarde verkeerd, wat leidt tot slechte marketing- en budgetbeslissingen.
Belang van een voorspellend model: De invoering van een voorspellend LTV-model verandert het inzicht in klantrelaties en bestedingspotentieel.
Verschuiving in contentstrategie: Het besef van een hogere klantwaarde vereist een geëvolueerde contentstrategie die gericht is op klantbehoud, niet alleen op klantenwerving.
Uitdaging bij het benutten van data: Het bouwen van een voorspellend LTV-model brengt uitdagingen met zich mee rond bestaande systemen en vereist stapsgewijze data-integratie.
Checklist voor een LTV-diagnose: Beoordeel je huidige LTV-model aan de hand van kritieke vragen om hiaten en mogelijkheden voor verbetering te identificeren.
Vraag de meeste CMO's wat hun levenslange klantwaarde is en ze geven je een getal. Vraag ze hoe ze dat hebben berekend en je krijgt meestal een variant van gemiddelde orderwaarde vermenigvuldigd met aankoopfrequentie. Het is een redelijke benadering en een die gemakkelijk te verdedigen is.
Mike Birney, CMO van One Natural Way en Sposey, gebruikte die ook.
Hij bouwde ook een marketingstrategie op basis daarvan, voerde acquisitiecampagnes ermee uit en nam er budgetbeslissingen mee. Pas toen hij de werkelijke cijfers uit elkaar begon te halen, besefte hij dat het getal waarop hij had gewerkt nooit echt had vastgelegd wat zijn klanten waard waren.
Create a Free Account to Read More
You need to sign up for a free membership to complete reading this article:
Have an account? Log In
"Wanneer moeder bij ons binnenkomt en de baby is geboren, is het tot ziens, en dat is eigenlijk niet het geval, want mensen krijgen twee kinderen, ze krijgen drie kinderen," zegt Birney.
We hebben echt moeite gehad om te begrijpen hoe onze LTV eruitziet, omdat we dat niet goed kunnen volgen.
-Mike Birney, CMO bij 1 Natural Way
Je LTV-getal klopt waarschijnlijk niet
Voor gezinnen: een tweede zwangerschap, een derde, de groeiende productlijn die nu ook lendesteunbanden, bewaarzakjes voor moedermelk en lactatielessen op afstand omvat. En het miste Sposey volledig, het zustermerk dat de klant opnieuw bedient wanneer kinderen richting zindelijkheidstraining gaan.
One Natural Way levert borstkolven en zwangerschapsbenodigdheden die door de verzekering worden vergoed. Volgens de manier waarop het bedrijf dit had gemeten, kwam een klant tijdens de zwangerschap binnen, kreeg wat ze nodig had en vertrok. In theorie is dat het einde van de relatie.
Behalve dat dit perspectief alles miste wat daarna komt. Jaren aan potentiële omzet, onzichtbaar in de metriek waarop het bedrijf zijn koers bepaalde.
Als we niet echt begrijpen wat dat voor ons bedrijf betekent, hoe kunnen we dan weloverwogen beslissingen nemen voor de toekomst?
Het is geen retorische vraag en het probleem is niet uniek voor de kraamzorg. Onderzoek dat is gepubliceerd in het Tijdschrift voor beslissingsanalyse (2025) paste voorspellende CLV-modellering toe op een portfolio van gezondheidsdiensten en stelde vast dat 50% van de klanten over twaalf maanden een voorspelde waarde van $363 of minder had, terwijl de hoogste categorie $10,375 bereikte.
Dat is binnen hetzelfde klantenbestand een verschil van bijna 30 keer. Wanneer je zo'n brede spreiding terugbrengt tot één gemiddelde en die gebruikt om je acquisitiebudget vast te stellen, gebruik je data niet om beslissingen op een betekenisvolle manier te onderbouwen.
Zoals marketingonderzoeker Peter Fader en collega's hebben betoogd, onderwaarderen bedrijven klanten routinematig door zich vast te klampen aan kortetermijnmetingen zoals klantacquisitiekosten, die optimaliseren voor kostenreductie in plaats van voor investeringen in waardevolle relaties.
Je LTV-getal klopt niet omdat je berekening slecht is. Het klopt niet omdat het is opgebouwd om iets te meten dat eenvoudiger is dan je werkelijke klantrelatie.
Wat een voorspellend model verandert
Birney bouwt nu met behulp van AI aan een voorspellende LTV-tool, ontworpen om te modelleren hoe een volledige klantreis door One Natural Way eruitziet — over meerdere zwangerschappen heen, voor beide merken en over de jaren daartussen. De input bestaat uit historisch aankoopgedrag, de gemiddelde gezinsgrootte en de productlijn zoals die er nu uitziet en blijft groeien.
Het onderscheid tussen historische en voorspellende LTV is belangrijker dan het misschien lijkt. Historische LTV vertelt je wat klanten waard zijn geweest. Voorspellende LTV vertelt je wat een klant die je vandaag werft waarschijnlijk waard zal zijn — en dat verandert hoeveel je bereid zou moeten zijn uit te geven om die klant binnen te halen.
Als je gemiddelde orderwaarde $200 is, maar een klant die tijdens een eerste zwangerschap is geworven over vier jaar en twee kinderen $1,400 waard is, rechtvaardigen kanalen die eerst marginaal leken plotseling hun kosten. Ook de economie van klantbehoud verschuift. Je begint de periode tussen aankopen te zien als een relatie die je moet onderhouden, niet als een onderbreking die je kunt negeren.
Inhoud als instrument voor klantbehoud
Hier houdt de inhoudsstrategie op een ondersteunende functie te zijn en begint ze echt werk te doen. Zodra je begrijpt dat de waarde van je klant veel verder reikt dan de eerste transactie, worden wat je publiceert en wanneer je dat doet bewuste beslissingen over klantbehoud.
Birney beschrijft de noordster van One Natural Way als "mama altijd op de eerste plaats" — aanwezig en nuttig zijn tijdens de volledige reis van het ouderschap, niet alleen op het moment dat er behoefte is. Die positionering werkt alleen als je daadwerkelijk tussen aankopen door aanwezig bent.
Een nieuwe moeder die een borstkolf bestelt, krijgt een scala aan producten aangeboden die voor haar waardevol kunnen zijn. Misschien heeft ze ondersteuning bij het geven van borstvoeding nodig, begeleiding bij het slapen, of wil ze weten dat er lendengordels bestaan voor de rugpijn die haar sinds de bevalling plaagt.
En later zal ze op zoek gaan naar wat Sposey aanbiedt. De vraag is of ze aan jou denkt wanneer het zover is, en dat hangt volledig af van de vraag of je binnen haar blikveld blijft.
"Dit zijn allemaal aanvullende inkomstenbronnen", zegt Birney over de uitgebreide productlijn, "maar we hebben dit nog niet echt aan LTV kunnen koppelen."
Het voorspellende model sluit die kring. Het vertelt je welke klanten waarschijnlijk terugkomen, wanneer en waarvoor, en dat geeft je een contentkalender met een echte commerciële logica erachter.
Je publiceert niet om content te produceren. Je deelt content om relevant te blijven voor een klant van wie je de volgende aankoop al hebt voorzien.
Voor de meeste marketingteams vereist dit een mentaliteitsverandering. Content die tijdens de acquisitiefase wordt geproduceerd, heeft een duidelijke taak. Content die tussen aankopen door wordt geproduceerd, wordt vaak gezien als merkbekendheid. Die content kan vaag zijn, moeilijk toe te schrijven en gemakkelijk te schrappen.
Voorspellende LTV herkadert dit als iets wat essentieel is voor de verkooppijplijn. Je koestert een toekomstige transactie met een klant die je al hebt, wat bijna altijd goedkoper is dan een nieuwe klant werven.
Het dataprobleem dat hieraan ten grondslag ligt
Een voorspellend model bouwen klinkt eenvoudiger dan het is. Birney geeft eerlijk toe dat het integreren van analytics in het bredere AI-vraagstuk moeilijker is geweest dan het werk aan content en campagnes. Verouderde systemen zijn verweven met de werkprocessen van mensen.
Teams ontwikkelen gewoonten rond vertrouwde tools, en daarvan overstappen is een project dat echte kosten en verstoring met zich meebrengt.
In plaats van te wachten op het perfecte moment voor de infrastructuur, bouwt hij stapsgewijs verder — hij begint met de beschikbare gegevens en koppelt meer bronnen naarmate het werk vordert. Deze aanpak weerspiegelt een breder principe dat hij doorgaans toepast bij de invoering van AI: je zoekt één specifiek pijnpunt, lost dat op en bouwt van daaruit verder.
Een voorspellend LTV-model dat operationeel is en voor 70% nauwkeurig, is meer waard dan een perfect model dat nog steeds in ontwikkeling is.
Modellen op basis van waarschijnlijkheid presteerden beter dan complexere benaderingen voor machinaal leren, grotendeels omdat de onderliggende gegevensinvoer betrouwbaar was. De gegevens goed krijgen is belangrijker dan de methode geavanceerd maken.
Voer de diagnose uit op je eigen getal
Neem je huidige LTV-cijfer erbij en test het kritisch aan de hand van deze vragen: houdt het rekening met de uitbreiding van je productlijn sinds je de berekening voor het laatst hebt uitgevoerd? Modelleert het herhaalaankoopcycli die specifiek zijn voor de levensfase van je klant, en niet alleen je gemiddelde bestelritme? Is het op een zinvolle manier gekoppeld aan je contentkalender, of functioneren die twee systemen los van elkaar?
Als de antwoorden meestal nee zijn, ben je niet de enige. De meeste LTV-berekeningen zijn gemaakt voor eenvoud, niet voor nauwkeurigheid. Je doel is niet om iets perfects te bouwen. Het is om een model te ontwikkelen dat eerlijker en informatiever is dan wat je nu hebt. En om dit getal beslissingen te laten beïnvloeden waar het nu nog geen rol in speelt.
Begin met één gegevensbron die je al hebt, voer een basismodel uit en kijk hoe het bereik eruitziet. De kans is groot dat het breder is dan je verwachtte, en precies in dat verschil ligt het werk dat je nog moet doen.
Wat komt hierna?
Voor de nieuwste inzichten kun je lid worden van de CMO Club, waar je interviews met marketingleiders en hulpmiddelen vindt die je kunnen helpen groei in je bedrijf te realiseren.