Cálculo del CLV: las fórmulas que mueven inversión.
El mismo cliente puede tener tres CLV distintos según qué fórmula se use. Elegir mal la fórmula para el contexto produce decisiones de inversión que parecen fundamentadas pero operan sobre premisas que la realidad no sostiene.
- Definición rápida
- Los inputs que necesitas
- Fórmula histórica paso a paso
- Fórmula simple (promedio)
- Fórmula predictiva: Pareto/NBD y Gamma-Gamma
- Tres casos con números reales
- Anti-consenso: las fórmulas de SaaS no sirven para ecommerce
- Cómo conecta con el sistema
- Errores y FAQs
- Cuándo elegir cada fórmula
Cálculo del CLV.
Calcular el CLV significa aplicar una fórmula específica a los inputs del negocio para obtener el valor económico esperado de un cliente durante su relación comercial. El spoke anterior del subhub (¿Qué es el CLV?) cubrió el concepto y las tres variantes principales; este spoke desarrolla el cálculo paso a paso. La distinción crítica es que existen tres fórmulas distintas — histórica, simple y predictiva — y no todas miden el mismo objeto: una resume valor realizado y las otras proyectan valor futuro bajo distintos supuestos. El CLV histórico mide lo que pasó. El CLV simple proyecta que lo que pasa hoy seguirá pasando. El CLV predictivo modela probabilidades de continuar comprando. Elegir la fórmula correcta para el tipo de decisión es tan importante como calcularla bien, y se conecta directamente con el ciclo de vida del cliente dentro del cluster de Fidelización.
02 — InputsLos inputs que necesitas.
Antes de aplicar cualquier fórmula, hay cuatro inputs que el cálculo requiere y que la mayoría de empresas no mide con la precisión necesaria. La calidad del CLV depende directamente de la calidad de estos cuatro números.
Ticket promedio o ARPU. En ecommerce, el promedio de valor de cada transacción. En SaaS, el ARPU (Average Revenue Per User) es el ingreso periódico promedio por usuario, típicamente mensual. Error común: promediar sin separar por tier o plan, lo que mezcla segmentos con comportamiento muy distinto. La solución es calcular ticket promedio por segmento de base, no globalmente. El uso de análisis RFM permite separar clientes en grupos con comportamiento homogéneo.
Frecuencia de compra o ciclo de facturación. En ecommerce, número de transacciones por cliente en una ventana definida (típicamente 12 meses). En SaaS, es usualmente 12 (ciclo mensual) o 1 (ciclo anual). Error común: incluir solo clientes que compraron más de una vez, lo que sesga hacia arriba. La frecuencia correcta incluye a todos los clientes, incluyendo los que compraron una sola vez.
Duración esperada de relación. Con churn contractual constante c por período y primer período incluido, la duración esperada es 1/c: con 2% mensual, 50 meses. Si el riesgo cambia por cohorte o antigüedad, se necesita una curva de supervivencia. En ecommerce no contractual, no recomprar no equivale a una baja observada.
Margen bruto. El porcentaje de ingreso que queda después de costos directos de servir al cliente: costo de bienes vendidos en ecommerce, infraestructura y soporte en SaaS, costos variables en servicios. Error común: usar margen reportado a nivel empresa, que incluye costos fijos no atribuibles al cliente. El margen para CLV debe ser margen de contribución, no margen operativo. Errores de atribución aquí afectan todo el cálculo posterior.
03 — HistóricaFórmula histórica paso a paso.
El CLV histórico mira hacia atrás: suma los ingresos reales que un cliente generó durante su relación, aplica margen y reporta. Es la fórmula más simple y la que usa la mayoría de empresas.
La fórmula básica: CLV histórico = Σ (ingresos del cliente a lo largo de su relación) × margen bruto. Para un ecommerce donde un cliente compró tres veces en dos años por montos de $150, $220 y $180 con margen 40%: CLV histórico = (150 + 220 + 180) × 0.40 = $220.
La fórmula histórica es útil para auditar segmentos y comparar cohortes con ventanas de observación equivalentes. Describe valor realizado, no valor futuro. No excluye por construcción a quienes churnearon: el sesgo de supervivencia aparece si la muestra conserva solo clientes activos. Incluir bajas tempranas y distinguir relaciones completas de las que siguen abiertas permite usar el histórico como insumo de una proyección, sin confundirlo con esa proyección.
El histórico puede parecer robusto porque usa datos reales, pero la selección de la muestra y la duración observada condicionan su interpretación. Antes de extrapolarlo, revisar quiénes quedaron incluidos y qué parte de su relación todavía no se observó.
04 — SimpleFórmula simple (promedio).
La fórmula simple proyecta el comportamiento promedio actual hacia el futuro. Es más útil que el histórico para benchmark de viabilidad económica, y más simple de aplicar que el predictivo.
La aproximación para negocios transaccionales es: CLV simple = Ticket promedio × Frecuencia anual × Duración esperada (años) × Margen. Con ticket $180, frecuencia 3 veces/año, duración supuesta de 4 años y margen 40%: 180 × 3 × 4 × 0.40 = $864, sin descuento. En ecommerce esos cuatro años requieren una estimación de duración; no se deducen automáticamente de una tasa de clientes que no recompraron.
Para SaaS se simplifica: CLV simple SaaS = ARPU / Churn mensual × Margen bruto. Con ARPU $100/mes, churn mensual 2%, margen 75%: CLV simple = 100 / 0.02 × 0.75 = $3.750.
Para descontar hay que definir cuándo llega cada flujo y con qué probabilidad. Con cuatro flujos ciertos de $216 al cierre de cada año y descuento 10%, la anualidad da 216 × [1 − (1.10)^−4] / 0.10 = $684,69. Es otro supuesto que una vida aleatoria de media cuatro años. Con primer flujo anual cierto al cierre del año 1, churn contractual constante 25% al renovar y horizonte ilimitado, el valor es 216 / (0.10 + 0.25) = $617,14. Restar costos de retención solo si todavía no están incluidos en el flujo: no duplicar soporte, customer success u otros costos. El payback period del cliente está directamente relacionado con la calidad del margen ajustado. Supuestos de flujos y descuento.
05 — PredictivaFórmula predictiva: Pareto/NBD y Gamma-Gamma.
El CLV predictivo usa modelos para estimar valor futuro por cliente. Pareto/NBD fue propuesto por Schmittlein, Morrison y Colombo (1987); Fader, Hardie y Lee (2005) desarrollaron BG/NBD como alternativa más sencilla de implementar. Gamma-Gamma modela el valor monetario por transacción.
En BG/NBD, lambda es la tasa de compra mientras el cliente está activo y p es la probabilidad de abandono después de una compra, no la probabilidad de seguir activo. Pareto/NBD usa una tasa de abandono en tiempo continuo. La probabilidad de estar activo se infiere del historial. Al combinar frecuencia con Gamma-Gamma hay que comprobar sus supuestos, incluida la independencia entre el proceso de transacciones y el valor monetario medio; descontar luego los flujos esperados.
La ventaja crítica frente a las otras fórmulas: el modelo predictivo reconoce que clientes con igual cantidad y ticket de compras, pero distinta recencia o antigüedad, pueden tener CLV futuro muy distinto dependiendo de sus parámetros latentes. Dos clientes que compraron tres veces con mismo ticket pueden ser radicalmente distintos: uno puede ser cliente activo con alta probabilidad de continuar, el otro puede haber churneado silenciosamente y no se ha dado cuenta. La fórmula simple no distingue; la predictiva sí. Esta capacidad de diferenciación es lo que permite customer scoring riguroso y la base de predicción de churn por cliente.
Fader y Hardie han demostrado que los modelos predictivos superan consistentemente a los enfoques de ML complejos cuando se aplican bien. Su observación es contraintuitiva: “la precisión no viene de sofisticación técnica sino de modelar las características estadísticas reales del comportamiento de compra: heterogeneidad entre clientes, procesos de churn latente, y distribución gamma del valor por transacción”.
06 — CasosTres casos con números reales.
El ejercicio más esclarecedor es aplicar las tres fórmulas al mismo negocio y observar la divergencia. Tres casos típicos — ecommerce, SaaS B2B, servicios recurrentes — ilustran cuánto puede variar el CLV según la fórmula usada.
Tienda de indumentaria online con 3 años de madurez y base de 50k clientes.
Suma de compras reales × margen. Puede sesgar si se excluyen las bajas.
180 × 3 × 4 × 0.40 sin descuento. Optimista.
Con descuento 10% y retención variable por cliente.
Plataforma de gestión con plan mid-market, crecimiento sostenido y 2 años de madurez.
Pagos reales acumulados sin proyección futura.
400 / 0.02 × 0.75 sin expansión ni descuento.
Con expansión neta 15% y descuento 12%.
Consultoría con retainer mensual, alta variabilidad de ticket entre clientes.
Promedio de clientes actuales con relación >2 años.
3500 × 12 × (1/0.30) × 0.55 sin costos de retención.
Con descuento, costo de retención y probabilidad.
Observa el patrón: la fórmula simple puede sobreestimar al ignorar descuento y costos de retención, pero no siempre es la más alta: en el caso SaaS, la proyección con expansión ($17.400) supera a la simple ($15.000). La histórica produce números inestables según la antigüedad de la base. La predictiva tiende al valor más cercano a la realidad económica.
En una pizarra, la fórmula simple de CLV parece suficiente. Multiplicas cuatro números y listo. Pero hacer eso para decidir un CAC objetivo es como calcular el valor de una casa sumando el precio por metro cuadrado sin ver el barrio, la antigüedad o la estructura. El número que obtenés se siente sólido porque es producto de una ecuación, pero toda la información importante quedó fuera. He visto empresas justificar CAC de miles de dólares con CLV simples que, al aplicar descuento temporal y restar costos reales de retención, caían a la mitad. El problema no era matemático: era que la fórmula elegida no respondia la pregunta que estaban tratando de contestar.
Lisandro IserteAnti-consenso: las fórmulas de SaaS no sirven para ecommerce.
Copiar la fórmula de SaaS al ecommerce transaccional produce CLV engañoso
La fórmula CLV = ARPU / Churn × Margen es canónica en SaaS y está en todos los manuales. El error extendido es aplicarla al ecommerce o a negocios transaccionales no suscripcionales donde produce números optimistas sistemáticamente.
La diferencia estructural es crítica. En SaaS, el churn es binario y observable: el cliente paga o no paga en el siguiente ciclo de facturación. La cuenta se cancela explícitamente. Eso hace que medir churn sea directo y que la fórmula simple tenga fundamento estadístico razonable.
En ecommerce, el churn es probabilístico y latente. Un cliente que no compra durante 6 meses puede volver, o puede haber churneado silenciosamente sin haberlo declarado. No existe un evento claro de cancelación. Aplicar la fórmula SaaS requiere definir arbitrariamente qué período de inactividad cuenta como churn, y esa decisión cambia dramáticamente el cálculo. Peter Fader ha señalado: “la distinción entre contractual business (SaaS) y non-contractual business (ecommerce, retail, restaurantes) es la más importante del cálculo de CLV. Usar fórmulas de uno para el otro es error estructural”.
Para negocios no-contractuales, la fórmula correcta es la predictiva con modelos tipo BG/NBD que manejan explícitamente la incertidumbre sobre si el cliente sigue activo. La fórmula simple puede usarse como aproximación gruesa pero requiere calibración específica del horizonte temporal, no copia directa de la lógica de SaaS.
La implicación práctica: antes de elegir una fórmula, identificar si el negocio es contractual o no-contractual. La mayoría de fórmulas públicas de CLV fueron desarrolladas en contexto SaaS. Aplicarlas a negocios transaccionales sin ajuste produce números que suenan fundamentados pero no reflejan la realidad económica.
Cómo conecta con el sistema.
Fidelización: el cálculo depende de cálculo de churn
El churn contractual es un input de algunas proyecciones; el valor histórico no lo necesita y los modelos no contractuales infieren abandono latente. Si está mal calculado, el CLV también. La retención por cohorte afina la precisión.
Rendimiento: CLV es input de unit economics
El ratio LTV/CAC combina CLV con CAC para medir viabilidad. La experimentación permite validar inputs.
Crecimiento: CLV acota CAC máximo
La regla básica LTV/CAC > 3 solo tiene sentido con CLV bien calculado. Con CLV inflado, se justifica CAC que el negocio no puede pagar.
Estrategia: el cálculo gobierna priorización
Dónde invertir, qué segmentos servir, qué productos desarrollar. Todas esas decisiones son trade-offs que CLV bien calculado hace visibles.
Marca: alto CLV correlaciona con brand equity
Clientes con CLV elevado son típicamente los que tienen vínculo emocional más fuerte con la marca, no solo los heavy users.
Errores frecuentes y preguntas frecuentes.
Usar margen operativo en lugar de margen de contribución
El margen operativo incluye costos fijos no atribuibles al cliente. Para CLV solo deben restarse costos directos de servir (COGS, infraestructura, soporte variable).
Ignorar la tasa de descuento
Un dólar que el cliente genera dentro de 4 años no vale un dólar hoy. Para valorar flujos futuros a valor presente, explicita la tasa y el momento de descuento; el valor histórico y una aproximación sin descuento responden a otros propósitos.
Calcular churn solo sobre cohortes maduras
El churn temprano en cohortes nuevas suele ser más alto. Promediar solo con maduras subestima churn real y sobreestima CLV futuro.
No segmentar el cálculo
Un solo CLV global puede esconder diferencias importantes entre segmentos. Comparar percentiles, concentración del valor y costos de servir antes de asignar inversión.
¿Cuál es la fórmula más simple?
Para SaaS, ARPU/churn mensual × margen es una aproximación sin descuento bajo churn constante. Para ecommerce, ticket × frecuencia × duración × margen requiere estimar la duración. Si el flujo m llega al cierre de cada período, el primero es cierto y el churn contractual constante es c, el horizonte ilimitado da CLV = m/(d+c), con descuento d por el mismo período. Cambiar el momento del primer cobro cambia la fórmula. Restar costos de retención no incluidos en m.
¿Qué datos necesito?
Mínimo: ticket o ARPU, frecuencia o ciclo, duración estimada y margen definido. Usar 1/churn solo bajo los supuestos de churn contractual constante. Para proyecciones por cliente, agregar historial de transacciones, horizonte, descuento y costos atribuibles. La ventana necesaria depende de la frecuencia de compra y del modelo; 12-18 meses no es un mínimo universal.
¿Por qué el mismo cliente puede tener CLV diferente?
El histórico describe valor ya realizado y no presupone por sí solo que se repita. La aproximación simple proyecta un comportamiento medio; la predictiva estima resultados futuros condicionados al historial y al modelo. Antes de comparar, igualar horizonte, punto de valoración, margen y costos. No son necesariamente tres estimaciones del mismo objeto.
Cuándo elegir cada fórmula.
La elección de fórmula no es una decisión técnica abstracta. Depende del tipo de decisión que el CLV va a gobernar.
Usa histórica cuando quieras auditar qué pasó en segmentos maduros, comparar el rendimiento de cohortes pasadas, o calibrar benchmarks internos. No la uses para decidir inversión futura en adquisición o pricing.
Usa simple cuando necesites un benchmark rápido de viabilidad económica de un nuevo producto, canal o segmento. Es suficiente para decisiones agregadas de negocio donde la precisión por cliente no importa. Para expresar flujos futuros a valor presente, define la tasa y el momento de descuento; resta costos de retención solo si aún no están incluidos en el margen.
Usa predictiva cuando necesites decidir por cliente o segmento: dónde invertir en retención, a quiénes priorizar en reactivación, cuánto pagar por adquirir en cada canal. Requiere equipo de datos y gobernanza del modelo, pero es la única válida para decisiones granulares.
Fader y Hardie articularon la regla práctica que sigue siendo vigente: “no todos los negocios necesitan CLV predictivo, pero todos los negocios que toman decisiones significativas basadas en CLV sí”. Si el CLV va a influenciar dónde se invierten millones, invertir en calcularlo bien es rentable siempre.
11 — ReferenciasReferencias y bibliografía.
Fader, P. S., Hardie, B. G. S., & Lee, K. L. (2005). “‘Counting Your Customers’ the Easy Way: An Alternative to the Pareto/NBD Model.” Marketing Science, 24(2). Google Scholar
Fader, P. S., & Hardie, B. G. S. (2013). “The Gamma-Gamma Model of Monetary Value.” Wharton Working Paper.
Fader, P. (2020). Customer Centricity: Focus on the Right Customers for Strategic Advantage. 2nd ed. Wharton Digital Press.
Gupta, S., & Lehmann, D. (2005). Managing Customers as Investments. Wharton School Publishing.
Kumar, V. (2008). Managing Customers for Profit. Wharton School Publishing.
Reichheld, F. (1996). The Loyalty Effect. Harvard Business Review Press.
Términos del glosario