Prediktivt livstidsvärde & varför de flesta marknadsföringsteam mäter fel relation

”När mamman kommer genom vår dörr och barnet är fött, då är det hej då, och så är det egentligen inte, eftersom människor får två barn, de får tre barn”, säger Birney. 

Vi har verkligen haft svårt att förstå hur vårt LTV ser ut eftersom vi inte kan följa det på ett bra sätt.

-Mike Birney, marknadschef på 1 Natural Way

Ditt LTV-tal är förmodligen fel

För familjer handlar det om en andra graviditet, en tredje, den växande produktlinjen som nu omfattar stödjande ländryggsband, påsar för förvaring av bröstmjölk och digitala amningskurser. Och den missade Sposey helt och hållet, systervarumärket som tar hand om kunden igen när barnen börjar närma sig potträning.

One Natural Way tillhandahåller bröstpumpar och graviditetsprodukter som täcks av försäkringen. Så som verksamheten hade mätt det skulle en kund komma in under graviditeten, få det hon behövde och gå därifrån. I teorin är det slutet på relationen.. 

Men detta perspektiv missade allt som kommer därefter. År av potentiella intäkter, osynliga i det mått som verksamheten navigerade efter.

Om vi inte verkligen förstår vad det innebär för vårt företag, hur kan vi då fatta välgrundade beslut framåt?

Det är inte en retorisk fråga, och problemet är inte unikt för mödrahälsovård. Forskning som publicerades i Decision Analytics Journal (2025) tillämpade prediktiv CLV-modellering på en portfölj av hälsotjänster och fann att 50 % av kunderna hade ett förutspått värde på $363 eller mindre över tolv månader, medan den högsta nivån nådde $10,375. 

Det innebär en spridning på nästan 30 gånger inom samma kundbas. När du plattar till ett så brett intervall till ett enda genomsnitt och använder det för att fastställa din kundanskaffningsbudget använder du inte data för att driva beslut på ett meningsfullt sätt. 

Som marknadsforskaren Peter Fader och hans kollegor har hävdat undervärderar företag rutinmässigt kunder genom att förankra sig i kortsiktiga mått som kundanskaffningskostnad, vilket optimerar för kostnadsminskning snarare än investeringar i värdefulla relationer. 

Ditt LTV-tal är inte fel för att din matematik är dålig. Det är fel eftersom det byggdes för att mäta något enklare än din faktiska kundrelation.

CREATE AN ACCOUNT

Create a CMO Club Account for access to exclusive content, practical templates, member-only events, and weekly leadership insights—it’s free to join.

Create Free Account

Have an account? Log In

Vad en prediktiv modell förändrar

Birney bygger nu ett prediktivt LTV-verktyg med hjälp av AI, utformat för att modellera hur en hel kundresa genom One Natural Way ser ut — genom flera graviditeter, över båda varumärkena och under åren däremellan. Indata består av historiskt köpbeteende, genomsnittlig familjestorlek och den produktlinje som finns idag och fortsätter att växa.

Skillnaden mellan historiskt och prediktivt LTV är viktigare än den kanske verkar. Historiskt LTV berättar vad kunder har varit värda. Prediktivt LTV berättar vad en kund som du skaffar idag sannolikt kommer att vara värd — och det förändrar hur mycket du bör vara villig att spendera för att få kunden.

Om ditt genomsnittliga ordervärde är $200 men en kund som förvärvas under sin första graviditet är värd $1,400 över fyra år och två barn, kan kanaler som tidigare verkade marginella plötsligt motivera sina kostnader. Även ekonomin kring kundbevarande förändras. Du börjar se mellanrummet mellan köpen som en relation att underhålla, inte som ett avbrott att ignorera.

Innehåll som ett instrument för kundbevarande

Det är här innehållsstrategin slutar vara en stödfunktion och börjar utföra verkligt arbete. När du väl förstår att kundens värde sträcker sig långt bortom den första transaktionen blir vad du publicerar och när du gör det ett medvetet beslut för att behålla kunden.

Birney beskriver One Natural Ways ledstjärna som ”mammas första, alltid” — att finnas där och vara användbar under hela föräldraskapsresan, inte bara vid behovstillfället. Den positioneringen fungerar bara om du faktiskt finns där mellan köpen. 

En nybliven mamma som beställer en bröstpump har en mängd produkter som kan vara värdefulla för henne. Hon kan behöva stöd med amningen, vägledning om sömn eller få veta att det finns ländryggsstöd för ryggsmärtan som har besvärat henne sedan förlossningen.

Och senare kommer hon att vara intresserad av det Sposey erbjuder. Frågan är om hon tänker på dig när det är dags, och det beror helt på om du förblir en del av hennes närhet.

"Allt detta är ytterligare intäktsdrivare", säger Birney om det utökade produktutbudet, "men vi har inte riktigt kunnat koppla det till LTV."

Den prediktiva modellen är det som sluter den loopen. Den berättar vilka kunder som sannolikt kommer tillbaka, när och för vad,  och det ger dig en innehållskalender med en verklig kommersiell logik bakom sig. 

Du publicerar inte för att pumpa ut innehåll. Du delar innehåll för att förbli relevant för en kund vars nästa köp du redan har förutsett.

För de flesta marknadsföringsteam kräver detta ett förändrat tankesätt. Innehåll som produceras under förvärvsfasen har en tydlig uppgift. Innehåll som produceras mellan köp behandlas ofta som varumärkeskännedom. Det kan vara vagt, svårt att attribuera och lätt att skära ned på.

Prediktivt LTV omformulerar det som något som är avgörande för affärsflödet. Du vårdar en framtida transaktion med en kund du redan har, vilket nästan alltid är billigare än att skaffa en ny.

Dataproblemet som ligger bakom allt detta

Att bygga en prediktiv modell låter enklare än det är. Birney är öppen med att det har varit svårare att integrera analys i den bredare AI-ekvationen än att arbeta med innehåll och kampanjer. Äldre system är inbäddade i människors arbetsflöden. 

Team skapar vanor kring välbekanta verktyg, och att migrera bort från dem är ett projekt med verkliga kostnader och störningar.

I stället för att vänta på det perfekta infrastrukturläget bygger han stegvis — med början i tillgängliga data och genom att ansluta fler källor i takt med att arbetet utvecklas. Detta tillvägagångssätt speglar en bredare princip som han tillämpar på AI-användning i allmänhet: identifiera en specifik smärtpunkt, lös den och bygg vidare därifrån. 

En prediktiv LTV-modell som fungerar i praktiken och är 70 % korrekt är mer värdefull än en perfekt modell som fortfarande är under utveckling. 

Sannolikhetsbaserade modeller överträffade mer komplexa maskininlärningsmetoder, till stor del eftersom de grundläggande datainmatningarna var tillförlitliga. Att få datan rätt är viktigare än att göra metoden sofistikerad.

Genomför diagnostiken på ditt eget tal

Ta fram din aktuella LTV-siffra och stresstesta den mot dessa frågor: Tar den hänsyn till expansionen av produktutbudet sedan du senast beräknade den? Modellerar den återkommande köpcykler som är specifika för din kunds livsfas, inte bara din genomsnittliga köpfrekvens? Är den kopplad till din innehållskalender på något meningsfullt sätt, eller verkar de två systemen i separata sammanhang?

Om svaren för det mesta är nej är du inte ensam. De flesta LTV-beräkningar byggdes för enkelhet, inte noggrannhet. Ditt mål är inte att bygga något perfekt. Det är att utveckla en modell som är mer ärlig och informativ än den du har nu. Och att låta den här siffran börja påverka beslut som den för närvarande inte har någon del i.

Börja med en datakälla du redan har, kör en grundläggande modell och se hur intervallet ser ut. Sannolikt är det bredare än du förväntade dig,  och detta gap är precis där du behöver arbeta.

Vad händer nu?

För de senaste insikterna, gå med i vår gemenskap på CMO Club för intervjuer med marknadsföringsledare och resurser som kan hjälpa dig att driva tillväxt i din verksamhet.