Steigerung des Customer Lifetime Value

Customer Lifetime Value bei unregelmäßigen Kaufzyklen berechnen

Veröffentlicht am July 19, 2026 von

Wenn Ihre Kundschaft nicht nach einem vorhersehbaren Rhythmus nachbestellt, lassen Sie die saubere Formel weg und berechnen Sie den Lifetime Value stattdessen über Kohorten. Die klassische Gleichung – durchschnittlicher Bestellwert mal Kauffrequenz mal Lebensdauer – setzt einen Rhythmus voraus, den Sie nicht haben. Wenn jemand in drei Wochen oder erst in drei Jahren wieder kauft, wird die „Kauffrequenz” zu einem Durchschnitt, der auf fast niemanden zutrifft. Die verlässliche Methode für einen Shop mit unregelmäßigen Zyklen besteht darin, echte Kundengruppen über einen echten Zeitraum zu verfolgen und zu messen, was sie tatsächlich ausgegeben haben. Dieser Leitfaden zeigt, wie das geht, warum die Abkürzungsformel in die Irre führt und wie Sie ohne Datenteam zu einer brauchbaren Zahl kommen.

Warum die klassische LTV-Formel bei unregelmäßigen Zyklen versagt

Die klassische Formel funktioniert, wenn sich die Kaufzeitpunkte um einen Normwert gruppieren – ein Kaffee-Abo, monatliche Verbrauchsgüter, alles mit einem natürlichen Takt. Dort können Sie einem Durchschnitt vertrauen, weil die meisten Kundinnen und Kunden nah daran liegen.

Shops mit unregelmäßigen Zyklen brechen diese Annahme. Denken Sie an Möbel, hochpreisige Elektronik, Hobbyausrüstung, gelegentliche Geschenke, Ersatzteile, Saisonartikel. Manche kaufen einmal und verschwinden. Ein paar kommen jährlich wieder. Eine seltene Handvoll bestellt ständig nach. Die durchschnittliche Kauffrequenz über diese Gruppe landet in einer Lücke, in der kaum ein echter Kunde lebt – sie ist die statistische Mitte einer Hantel, nicht ihre Spitze. Multiplizieren Sie einen Bestellwert mit dieser Phantomfrequenz, erhalten Sie eine Zahl, die präzise und falsch ist.

Der Faktor Lebensdauer macht es noch schlimmer. Bei einem unregelmäßigen Zyklus lässt sich oft nicht sagen, ob ein Kunde „fertig” ist oder nur zwischen zwei Käufen steckt. Wer zuletzt vor 14 Monaten bestellt hat, könnte abgewandert sein – oder genau im normalen Zwei-Jahres-Rhythmus liegen. Die Formel zwingt Sie, eine Lebensdauer zu raten; und dieser Schätzwert bestimmt das gesamte Ergebnis.

Wo Sie das stillschweigend Geld kostet

Ein LTV-Wert, dem Sie nicht trauen, bleibt nicht einfach untätig. Er fließt in Entscheidungen ein.

Wenn Sie Akquisebudgets, Retention-Ausgaben oder Schwellenwerte für kostenlosen Versand an einem formelbasierten LTV ausgerichtet haben, wandert der Fehler eines unregelmäßigen Zyklus direkt in Ihre Gewinn- und Verlustrechnung. Überschätzen Sie die Lebensdauer, zahlen Sie zu viel für Neukunden. Unterschätzen Sie sie, hungern Sie die Retention bei Kunden aus, die von selbst zurückgekommen wären. So oder so ist das Leck nicht in der LTV-Zelle sichtbar – es zeigt sich Monate später als Kanal, der „nicht mehr funktioniert”, oder als Aktion, die sich nie amortisiert hat.

Es gibt noch einen subtileren Preis. Weil die einzelne gemittelte Zahl instabil wirkt, geben viele Betreiber unregelmäßiger Zyklen den LTV ganz auf und beurteilen jede Kampagne nur noch am sofortigen Ertrag. Das ist genau die Falle aus Warum der Customer Lifetime Value nützlicher ist als ein einmaliger ROAS – wer den LTV aufgibt, kann einen günstigen, aber flachen Kunden nicht mehr von einem teuren, aber treuen unterscheiden.

Die Methode, die wirklich funktioniert: kohortenbasierter historischer LTV

Statt die Frequenz vorherzusagen, beobachten Sie die Historie. Gruppieren Sie Kunden nach dem Zeitpunkt ihres Erstkaufs und summieren Sie dann, was jede Gruppe im Lauf der Zeit ausgegeben hat. Das umgeht das Frequenzproblem vollständig, weil Sie echte Bestellungen messen und nicht einen unterstellten Rhythmus.

So geht die Reihenfolge.

Wählen Sie ein Kohortenfenster. Gruppieren Sie Erstkäufer nach dem Monat oder Quartal ihres ersten Kaufs. Quartalskohorten sind für unregelmäßige Shops meist richtig – monatliche Töpfe werden verrauscht, wenn die Mengen schwanken.
Verfolgen Sie den kumulierten Umsatz pro Kunde, pro Kohorte, über die Monate seit der ersten Bestellung. Wie hoch ist bei den Kunden, die im Q1 des letzten Jahres zum ersten Mal gekauft haben, der durchschnittliche Gesamtumsatz pro Kunde nach 3 Monaten? Nach 6? Nach 12? Nach 18? Sie bauen eine Kurve auf, keinen einzelnen Punkt.
Lesen Sie die Kurve, nicht eine einzelne Kennzahl. Die Kurve des kumulierten Umsatzes eines unregelmäßigen Shops steigt anfangs meist steil an (die erste Bestellung plus schnelle Ergänzungskäufe), flacht dann ab und zieht wieder an, wenn die langsamen Wiederkäufer zurückkehren. Diese Form ist die eigentliche Geschichte, die eine einzelne LTV-Zahl verbirgt.
Nehmen Sie eine ältere, ausgereifte Kohorte als Ihren Basis-LTV. Eine Kohorte, die 24 Monate alt ist, hat den größten Teil ihres Werts offengelegt. Ihr durchschnittlicher kumulierter Umsatz pro Kunde ist eine belastbare Zahl im Sinne von „so viel ist uns ein Kunde über zwei Jahre wert” – gegründet auf dem, was passiert ist, nicht auf dem, was Sie angenommen haben.
Legen Sie Ihren Horizont ehrlich fest. Nennen Sie den LTV für einen unregelmäßigen Shop über ein festes Fenster („24-Monats-Kundenwert”) statt über eine offene „Lebenszeit”. Eine begrenzte Zahl, die Sie überprüfen können, schlägt eine unendliche, die Sie nicht überprüfen können.

Die Arbeit mit Kohorten schützt Sie auch vor einem häufigen Fehler: einen frischen Kunden so zu behandeln, als wäre er bereits so viel wert wie ein alter. Neue Käufer hatten noch keine Zeit, ihren Zyklus abzuschließen, und Warum Sie Ihre neuesten Kunden nicht genauso bewerten sollten wie ältere Kohorten erklärt, warum ein Verschmelzen zu einem Durchschnitt Ihre jüngsten Zahlen beschönigt. Wenn Sie speziell die Mechanik von Kohortentabellen wollen, geht Kohortenanalyse zum Verständnis des Kundenwerts nutzen tiefer, als ich es hier kann.

Ein durchgerechnetes Beispiel

Nehmen wir an, Sie verkaufen Kameraausrüstung im mittleren Preissegment. Die Kaufzyklen sind völlig unterschiedlich – heute ein Objektiv, nächste Woche eine Tasche, ein Jahr nichts, dann ein Body.

Sie nehmen Ihre Erstkäufer aus dem Q2 2024: 400 Kunden. Sie verfolgen den kumulierten Umsatz pro Kunde:

Monat 1: 180 € im Schnitt (Erstbestellung plus bei manchen ein schnelles Zubehörteil)
Monat 6: 240 €
Monat 12: 310 €
Monat 18: 360 €
Monat 24: 395 €

Diese Kurve sagt Ihnen etwas, das eine Formel nie könnte. Der größte Teil des Werts landet in der ersten Bestellung, eine zweite Welle kommt zwischen Monat 6 und 12, und langsame Wiederkäufer legen bis Monat 24 weiter nach. Ihr belastbarer LTV für dieses Geschäft liegt bei etwa 395 € über zwei Jahre (illustrative Zahlen – nutzen Sie Ihre eigenen). Beachten Sie: Sie haben nie eine „Kauffrequenz” geschätzt. Sie haben einfach gezählt.

Vergleichen Sie das mit der Abkürzung: Liegt Ihr durchschnittlicher Bestellwert bei 150 € und Ihre ausgewiesene Durchschnittsfrequenz bei 2,1 Bestellungen mit einer angenommenen Lebensdauer von 3 Jahren, spuckt die Formel 315 € aus – hier einigermaßen nah dran, aber nur durch Zufall, und sie gibt Ihnen kein Gefühl dafür, wann das Geld eintrifft. Die Kurve verrät Ihnen, dass die Retention-Arbeit zwischen Monat 3 und 9 der Punkt ist, an dem die zweite Welle gewonnen wird.

Was Sie automatisieren sollten, sobald Sie die Kurve haben

Die Kurve des kumulierten Umsatzes tut mehr, als in einem Report zu liegen. Ihre Form sagt Ihnen, wann Sie handeln müssen – und das ist bei einem unregelmäßigen Zyklus der schwierige Teil.

Lösen Sie aus der zweiten Welle der Kurve aus. Zeigen Ihre Daten, dass sich Wiederholungsbestellungen um Monat 6 bis 12 häufen, richten Sie eine Reaktivierungsstrecke ein, die in diesem Fenster feuert – nicht an einem festen „30 Tage nach dem Kauf”, das einen Takt unterstellt, den Sie nicht haben. Segment: Kunden, deren erste Bestellung 5 bis 6 Monate zurückliegt und die noch keinen Zweitkauf getätigt haben. Kanal: zuerst E-Mail, SMS bei höherwertigen Erstbestellungen. Ziel: die wahrscheinlichen Zweitwellen-Käufer zurückholen, bevor sie abdriften.
Kategoriebewusstes Timing. Haben verschiedene Produkte unterschiedliche natürliche Abstände (ein 900-€-Body gegenüber einem 30-€-Filter), teilen Sie den Auslöser nach der Kategorie des ersten Produkts auf, statt eine shopweite Verzögerung zu nutzen. Was jemand gekauft hat mit dem Wie-oft zu kombinieren, ist die Logik in Kauffrequenz und Bestellwert gemeinsam nutzen.
Dynamische Empfehlungen auf Basis des Erstkaufs, sodass die Reaktivierungs-E-Mail das Zubehör oder die Ergänzung zeigt, die am wahrscheinlichsten Bestellung zwei auslöst.
Ausstiegs- und Wiedereintrittsregeln, damit ein Kunde, der auf seinem eigenen langen Zyklus tatsächlich kauft, nicht bedrängt wird, als wäre er abgewandert.

Welche Kennzahlen Sie weiter beobachten sollten

Für einen unregelmäßigen Shop zählen ein paar Zahlen mehr als der plakative LTV:

Kumulierter Umsatz pro Kunde an festen Kontrollpunkten (Monat 6, 12, 24). Diese über Kohorten hinweg zu beobachten zeigt, ob neuere Kunden besser oder schlechter abschneiden als ältere.
Verteilung der Zeit bis zur zweiten Bestellung, nicht der Durchschnitt. Sie wollen sehen, wo sich die Wiederholungsbestellungen tatsächlich häufen, damit Ihr Automatisierungs-Timing zur Realität passt.
Kohortenkurven nebeneinander. Steigen Ihre letzten drei Quartalskohorten schneller als die davor, greift Ihre Retention-Arbeit. Flachen sie früher ab, hat sich weiter oben etwas verändert.
Umsatz pro Kunde gegenüber echtem LTV. Diese driften auseinander, sobald Rückerstattungen, Kosten oder Rabatte ins Spiel kommen; der Unterschied zwischen Umsatz pro Kunde und Customer Lifetime Value hält beide sauber getrennt.

Eine ehrliche Einschränkung: Der Kohorten-LTV braucht Historie. Ist Ihr Shop jünger als ein Jahr, haben Sie noch keine ausgereifte Kohorte, und jede Zahl mit langem Horizont ist eine Prognose, die Sie als solche kennzeichnen und nicht als gegeben nehmen sollten. Beobachten Sie Ihre frühen Kontrollpunkte und lassen Sie die echte Kurve den Schätzwert ersetzen, sobald sie hereinkommt.

Wie Omnisend hilft

Die Kurve zu berechnen ist Datenarbeit – die Exporte Ihrer Plattform oder eine Tabelle, die Bestellungen nach dem Quartal des Erstkaufs pivotiert. Kein E-Mail-Tool erledigt diesen Teil für Sie, und wer etwas anderes behauptet, verspricht zu viel.

Wo Omnisend seinen Platz verdient, ist die Automatisierung, auf die die Kurve hinweist. Sobald ich aus den Kohortendaten weiß, dass meine zweite Welle um Monat 6 bis 9 landet, baue ich das Segment und die getaktete Strecke in Omnisend – Kunden jenseits dieser Erstbestellungs-Lücke, ohne Zweitbestellung, ausgelöst in dem Fenster, das die Daten gezeigt haben, statt mit einer generischen Verzögerung. Ich bin von Klaviyo zu Omnisend gewechselt, wegen der intuitiveren Segmentlogik und weil E-Mail und SMS an einem Ort liegen – was zählt, wenn unterschiedliche Erstbestellwerte unterschiedliche Kanäle verdienen. Omnisend ist ein Affiliate-Partner von Shopimation, und ich empfehle es aus echter Nutzung in meinem eigenen Shop mit unregelmäßigem Zyklus. Die Messung bleibt Ihre; das Tool handelt danach.

Ihr nächster Schritt

Exportieren Sie Ihre Bestellungen, versehen Sie jeden Kunden mit dem Quartal seines Erstkaufs und bauen Sie eine einzige Kurve des kumulierten Umsatzes pro Kunde für eine Kohorte, die mindestens 18 Monate alt ist. Diese eine Kurve ist ein ehrlicherer LTV, als jede Formel ihn liefert. Sobald Sie sehen, wo die zweite Welle landet, entscheiden Sie, ob Ihr aktuelles Reaktivierungs-Timing dazu passt – und falls Ihre Durchschnitte je verdächtig gesund aussehen, prüfen Sie in Warum rabattgetriebene Kunden Ihre Lifetime-Value-Berichte aufblähen können, ob Rabatte sie stützen.

Povečanje življenjske vrednosti kupca

Kako izračunati življenjsko vrednost pri nerednih nakupnih ciklih

Veröffentlicht am July 18, 2026 von

Če vaši kupci ne naročajo znova po predvidljivem urniku, preskočite lično formulo in življenjsko vrednost izračunajte iz kohort. Standardna enačba — povprečna vrednost naročila krat pogostost nakupov krat življenjska doba — predpostavlja ritem, ki ga nimate. Ko nekdo morda znova kupi čez tri tedne ali tri leta, “pogostost nakupov” postane povprečje, ki ne opisuje skoraj nikogar. Zanesljiva metoda za trgovino z nerednimi cikli je slediti resničnim skupinam kupcev skozi resničen čas in izmeriti, koliko so dejansko porabili. Ta vodnik pokaže, kako to storiti, zakaj vas bližnjica s formulo zavaja in kako priti do uporabne številke brez podatkovne ekipe.

Zakaj se standardna formula LTV pri nerednih ciklih zlomi

Klasična formula deluje, ko se čas nakupov gruča okoli norme — kavna naročnina, mesečni potrošni izdelki, karkoli z naravnim ritmom. Tam lahko zaupate povprečju, ker večina kupcev sedi blizu njega.

Trgovine z nerednimi cikli to predpostavko zlomijo. Pomislite na pohištvo, dražjo elektroniko, opremo za hobije, občasna darila, nadomestne dele, sezonsko opremo. Nekateri kupci kupijo enkrat in izginejo. Nekaj se jih vrne vsako leto. Redki naročajo neprestano. Povprečna pogostost nakupov v tej skupini pristane v vrzeli, kjer skoraj noben resničen kupec ne živi — je statistična sredina uteži, ne vrh. Pomnožite AOV s to fantomsko pogostostjo in dobite številko, ki je natančna in napačna.

Člen življenjske dobe stanje samo poslabša. Pri nerednem ciklu pogosto ne morete povedati, ali je kupec “končal” ali je le med nakupi. Kupec, ki je nazadnje naročil pred 14 meseci, je morda odšel — ali pa je točno na svojem običajnem dvoletnem ritmu. Formula vas prisili, da ugibate življenjsko dobo; ugibanje poganja celoten rezultat.

Kje vas to potiho stane

Številka LTV, ki ji ne zaupate, ne ostane samo tam. Napaja odločitve.

Če ste proračune za pridobivanje, porabo za zadržanje ali pragove za brezplačno dostavo postavili glede na LTV, ki temelji na formuli, se napaka nerednega cikla razširi naravnost v vašo bilanco. Precenite življenjsko dobo in preveč boste plačali za kupce. Podcenite jo in boste stradali zadržanje kupcev, ki bi se vrnili sami od sebe. V vsakem primeru puščanje ni vidno v celici LTV — pokaže se mesece pozneje kot kanal, ki je “prenehal delovati”, ali akcija, ki se ni nikoli povrnila.

Obstaja tudi bolj prikrit strošek. Ker se ena povprečena številka zdi nestabilna, veliko lastnikov z nerednimi cikli LTV povsem opusti in se vrne k presojanju vsake kampanje po takojšnjem donosu. To je past, obravnavana v zakaj je življenjska vrednost kupca uporabnejša od enkratne ROAS — opustitev LTV pomeni, da ne morete ločiti poceni, a plitkega kupca od dragega, a zvestega.

Metoda, ki dejansko deluje: zgodovinska LTV na podlagi kohort

Namesto napovedovanja pogostosti opazujte zgodovino. Kupce združite po tem, kdaj so prvič kupili, nato seštejte, koliko je vsaka skupina porabila skozi čas. To povsem obide problem pogostosti, ker merite resnična naročila, ne predpostavljenega ritma.

Takole poteka zaporedje.

Izberite okno kohorte. Kupce ob prvem nakupu združite po mesecu ali četrtletju, v katerem so opravili prvi nakup. Četrtletne kohorte so za neredne trgovine običajno prave — mesečna vedra postanejo hrupna, ko so količine neenakomerne.
Spremljajte kumulativni prihodek na kupca, po kohortah, skozi mesece od prvega naročila. Za kupce, ki so prvič kupili v prvem četrtletju lani, kolikšen je povprečni skupni prihodek na kupca po 3 mesecih? Po 6? Po 12? Po 18? Gradite krivuljo, ne točke.
Berite krivuljo, ne ene same številke. Krivulja kumulativnega prihodka neredne trgovine običajno na začetku strmo naraste (prvo naročilo plus hitri dodatki), se sploščí, nato spet malo naraste, ko se počasni ponovni kupci vrnejo. Ta oblika je resnična zgodba, ki jo ena sama številka LTV skrije.
Za osnovno LTV uporabite starejšo, dozorelo kohorto. Kohorta, ki je stara 24 mesecev, je razkrila večino svoje vrednosti. Njen povprečni kumulativni prihodek na kupca je zagovorljiva številka “toliko nam kupec vreden v dveh letih” — utemeljena na tem, kar se je zgodilo, ne na tem, kar ste predpostavili.
Pošteno določite svoje obzorje. Za neredno trgovino navajajte LTV čez fiksno okno (“24-mesečna vrednost kupca”) in ne odprto “življenjsko”. Omejena številka, ki jo lahko preverite, premaga neskončno, ki je ne morete.

Delo v kohortah vas tudi zavaruje pred pogosto napako: obravnavanjem svežega kupca, kot da je že vreden toliko kot star. Nedavni kupci niso imeli časa dokončati svojega cikla in zakaj vaših najnovejših kupcev ne bi smeli vrednotiti enako kot starejše kohorte pojasnjuje, zakaj njihovo mešanje v eno povprečje polepša vaše najnovejše številke. Če želite mehaniko kohortnih tabel posebej, gre uporaba kohortne analize za razumevanje vrednosti kupca globlje, kot lahko tukaj.

Razdelan primer

Recimo, da prodajate srednjerazredno fotografsko opremo. Nakupni cikli so povsem razpršeni — danes objektiv, prihodnji teden torba, leto dni nič, nato ohišje.

Vzamete kupce, ki so prvič kupili v drugem četrtletju 2024: 400 kupcev. Spremljate kumulativni prihodek na kupca:

1. mesec: povprečno 180 EUR (prvo naročilo plus hiter dodatek za nekatere)
1. mesec: 240 EUR
1. mesec: 310 EUR
1. mesec: 360 EUR
1. mesec: 395 EUR

Ta krivulja vam pove, česar formula nikoli ne bi mogla. Večina vrednosti pristane pri prvem naročilu, drugi val prispe med 6. in 12. mesecem, počasni ponovni kupci pa dodajajo vse do 24. meseca. Vaša zagovorljiva LTV za to podjetje je približno 395 EUR čez dve leti (ponazoritvene številke — uporabite svoje). Bodite pozorni, da niste nikoli ocenili “pogostosti nakupov”. Samo šteli ste.

Primerjajte to z bližnjico: če je vaš povprečni AOV 150 EUR in je vaša poročana povprečna pogostost 2,1 naročila z domnevno 3-letno življenjsko dobo, formula izpljune 315 EUR — tu približno, a le po sreči, in vam ne da nobenega občutka, kdaj denar prispe. Krivulja vam pove, da je trud za zadržanje med 3. in 9. mesecem tam, kjer se pridobi drugi val.

Kaj avtomatizirati, ko imate krivuljo

Krivulja kumulativnega prihodka naredi več, kot le sedi v poročilu. Njena oblika vam pove, kdaj ukrepati, kar je težji del pri nerednem ciklu.

Sprožilec iz drugega vala krivulje. Če vaši podatki kažejo, da se ponovna naročila gručijo okoli 6.–12. meseca, nastavite tok za ponovno vključitev, da se sproži v tem oknu — ne pri fiksnem “30 dni po nakupu”, ki predpostavlja ritem, ki ga nimate. Segment: kupci, katerih prvo naročilo je bilo pred 5–6 meseci brez drugega nakupa. Kanal: najprej e-pošta, SMS za prva naročila višje vrednosti. Cilj: verjetne kupce drugega vala pritegniti nazaj, preden odplavajo.
Časovna razporeditev glede na kategorijo. Če imajo različni izdelki različne naravne razmike (ohišje za 900 EUR proti filtru za 30 EUR), sprožilec razdelite po kategoriji prvega izdelka, namesto da uporabite en zamik za vso trgovino. Združevanje tega, kaj so kupili, s tem, kako pogosto kupujejo, je logika v kako skupaj uporabiti pogostost nakupov in vrednost naročila.
Dinamična priporočila na podlagi prvega nakupa, tako da e-pošta za ponovno vključitev prikaže dodatek ali dopolnilo, ki bo najverjetneje sprožilo drugo naročilo.
Pravila izhoda in ponovnega vstopa, tako da kupec, ki dejansko kupuje po svojem dolgem ciklu, ni nadlegovan, kot da bi odšel.

Katere metrike spremljati naprej

Za neredno trgovino nekaj številk šteje bolj kot glavna LTV:

Kumulativni prihodek na kupca ob fiksnih kontrolnih točkah (6., 12., 24. mesec). Spremljanje teh po kohortah vam pove, ali gre novejšim kupcem bolje ali slabše kot starejšim.
Porazdelitev časa do drugega naročila, ne povprečja. Želite videti, kje se ponovna naročila dejansko gručijo, da se časovna razporeditev vaše avtomatizacije ujema z resničnostjo.
Kohortne krivulje druga ob drugi. Če vaše zadnje tri četrtletne kohorte naraščajo hitreje kot prejšnje, vaše delo pri zadržanju obrodi. Če se sploščijo prej, se je nekaj zgoraj spremenilo.
Prihodek na kupca proti resnični LTV. Ta se razideta, ko vstopijo vračila, stroški ali popusti; razlika med prihodkom na kupca in življenjsko vrednostjo kupca ju drži narazen.

Ena poštena omejitev: kohortna LTV potrebuje zgodovino. Če je vaša trgovina mlajša od enega leta, še ne boste imeli dozorele kohorte in vsaka številka z dolgim obzorjem je projekcija, ki jo morate označiti kot tako, ne pa ji zaupati. Spremljajte svoje zgodnje kontrolne točke in pustite, da resnična krivulja nadomesti oceno, ko prihaja.

Kako Omnisend pomaga

Izračun krivulje je podatkovno delo — izvozi vaše platforme ali preglednica, ki naročila razvrsti po četrtletju prvega nakupa. Noben orodij za e-pošto tega dela ne opravi namesto vas, kdor trdi drugače, pretirava.

Kjer si Omnisend zasluži svoje mesto, je avtomatizacija, h kateri vas krivulja usmeri. Ko iz kohortnih podatkov vem, da moj drugi val pristane okoli 6. do 9. meseca, v Omnisendu zgradim segment in časovno usklajen tok — kupci po tej vrzeli prvega naročila, brez drugega naročila, sproženo v oknu, ki so ga pokazali podatki, in ne z generičnim zamikom. Prešel sem nanj s Klaviyo zaradi bolj intuitivne logike segmentov in ker sta e-pošta in SMS na enem mestu, kar šteje, ko si prva naročila različnih vrednosti zaslužijo različne kanale. Omnisend je pridruženi partner Shopimationa in ga priporočam iz resnične uporabe v lastni trgovini z nerednimi cikli. Meritev ostane vaša; orodje ukrepa na njej.

Vaš naslednji korak

Izvozite naročila, vsakega kupca označite s četrtletjem njegovega prvega nakupa in zgradite eno krivuljo kumulativnega prihodka na kupca za kohorto, ki je stara vsaj 18 mesecev. Ta ena krivulja je poštenejša LTV, kot vam jo bo dala katera koli formula. Ko vidite, kje pristane drugi val, se odločite, ali se vaša trenutna časovna razporeditev ponovne vključitve ujema z njim — in če vaša povprečja kdaj izgledajo sumljivo zdrava, preverite, ali jih podpirajo popusti, v zakaj lahko kupci, ki jih vodijo popusti, napihnejo poročila o življenjski vrednosti.

Customer Lifetime Value Growth

How to Calculate Lifetime Value for Stores With Irregular Purchase Cycles

Veröffentlicht am July 18, 2026 von

If your customers don’t reorder on a predictable schedule, skip the tidy formula and calculate lifetime value from cohorts instead. The standard equation — average order value times purchase frequency times lifespan — assumes a rhythm you don’t have. When someone might buy again in three weeks or three years, “purchase frequency” becomes an average that describes almost nobody. The reliable method for an irregular store is to follow real groups of customers over real time and measure what they actually spent. This guide walks through how to do that, why the shortcut formula misleads you, and how to get a usable number without a data team.

Why the standard LTV formula breaks on irregular cycles

The classic formula works when purchase timing clusters around a norm — a coffee subscription, monthly consumables, anything with a natural cadence. You can trust an average there because most customers sit near it.

Irregular stores break that assumption. Think furniture, high-ticket electronics, hobby gear, occasional gifts, replacement parts, seasonal equipment. Some customers buy once and vanish. A few come back annually. A rare handful reorder constantly. The average purchase frequency across that group lands in a gap where hardly any real customer lives — it’s the statistical middle of a barbell, not a peak. Multiply an AOV by that phantom frequency and you get a number that’s precise and wrong.

The lifespan term makes it worse. On an irregular cycle you often can’t tell whether a customer is “done” or just between purchases. A buyer who last ordered 14 months ago might be lapsed — or might be exactly on their normal two-year rhythm. The formula forces you to guess a lifespan; the guess drives the whole result.

Where this quietly costs you

An LTV number you don’t trust doesn’t just sit there. It feeds decisions.

If you’ve set acquisition budgets, retention spend, or free-shipping thresholds against a formula-based LTV, an irregular-cycle error propagates straight into your P&L. Overstate lifespan and you’ll overpay for customers. Understate it and you’ll starve retention on customers who’d have come back on their own. Either way the leak isn’t visible in the LTV cell — it shows up months later as a channel that “stopped working” or a promotion that never paid back.

There’s a subtler cost too. Because the single averaged number feels unstable, a lot of irregular-cycle owners give up on LTV entirely and fall back to judging each campaign on immediate return. That’s the trap covered in why customer lifetime value is more useful than one-time roas — abandoning LTV means you can’t tell a cheap-but-shallow customer from an expensive-but-loyal one.

The method that actually works: cohort-based historical LTV

Instead of predicting frequency, watch history. Group customers by when they first bought, then add up what each group spent over time. This sidesteps the frequency problem entirely because you’re measuring real orders, not an assumed rhythm.

Here’s the sequence.

Pick a cohort window. Group first-time buyers by the month or quarter they made their first purchase. Quarterly cohorts are usually right for irregular stores — monthly buckets get noisy when volumes are lumpy.
Track cumulative revenue per customer, per cohort, over months since first order. For the customers who first bought in Q1 last year, what’s the average total revenue per customer after 3 months? After 6? After 12? After 18? You’re building a curve, not a point.
Read the curve, not a single figure. An irregular store’s cumulative-revenue curve usually rises steeply at first (the first order plus quick add-ons), flattens, then ticks up again as the slow repeat buyers return. That shape is the real story a single LTV number hides.
Use an older, matured cohort as your baseline LTV. A cohort that’s 24 months old has revealed most of its value. Its average cumulative revenue per customer is a defensible “this is what a customer is worth to us over two years” number — grounded in what happened, not what you assumed.
Decide your horizon honestly. For an irregular store, quote LTV over a fixed window (“24-month customer value”) rather than an open-ended “lifetime.” A bounded number you can verify beats an infinite one you can’t.

Working in cohorts also protects you from a common mistake: treating a fresh customer as if they’re already worth what an old one is. Recent buyers haven’t had time to complete their cycle, and why your most recent customers should not be valued the same as older cohorts explains why blending them into one average flatters your newest numbers. If you want the mechanics of cohort tables specifically, using cohort analysis to understand customer value goes deeper than I can here.

A worked example

Say you sell mid-range camera gear. Purchase cycles are all over the place — a lens today, a bag next week, nothing for a year, then a body.

You take your Q2-2024 first-time buyers: 400 customers. You track cumulative revenue per customer:

Month 1: €180 average (first order plus a quick accessory for some)
Month 6: €240
Month 12: €310
Month 18: €360
Month 24: €395

That curve tells you a formula never could. Most of the value lands in the first order, a second wave arrives between months 6 and 12, and slow repeat buyers keep adding through month 24. Your defensible LTV for this business is about €395 over two years (illustrative numbers — use your own). Notice you never estimated a “purchase frequency.” You just counted.

Compare that to the shortcut: if your average AOV is €150 and your reported average frequency is 2.1 orders with an assumed 3-year lifespan, the formula spits out €315 — close-ish here, but only by luck, and it gives you no sense of when the money arrives. The curve tells you retention effort between months 3 and 9 is where the second wave is won.

What to automate once you have the curve

The cumulative-revenue curve does more than sit in a report. Its shape tells you when to act, which is the hard part on an irregular cycle.

Trigger from the curve’s second wave. If your data shows repeat orders cluster around months 6–12, set a re-engagement flow to fire in that window — not at a fixed “30 days after purchase” that assumes a cadence you don’t have. Segment: customers whose first order was 5–6 months ago with no second purchase. Channel: email first, SMS for higher-value first orders. Goal: pull the likely second-wave buyers back before they drift.
Category-aware timing. If different products have different natural gaps (a €900 body vs a €30 filter), split the trigger by first-product category rather than using one store-wide delay. Combining what they bought with how often they buy is the logic in how to use purchase frequency and order value together.
Dynamic recommendations based on the first purchase, so the re-engagement email shows the accessory or complement most likely to trigger order two.
Exit and re-entry rules so a customer who does buy on their own long cycle isn’t nagged as if they’d lapsed.

Which metrics to keep watching

For an irregular store, a few numbers matter more than the headline LTV:

Cumulative revenue per customer at fixed checkpoints (month 6, 12, 24). Watching these across cohorts tells you if newer customers are trending better or worse than older ones.
Time-to-second-order distribution, not the average. You want to see where the repeat orders actually cluster so your automation timing matches reality.
Cohort curves side by side. If your last three quarterly cohorts are rising faster than the ones before, your retention work is landing. If they’re flattening earlier, something upstream changed.
Revenue per customer vs true LTV. These drift apart when refunds, costs, or discounts enter; the difference between revenue per customer and customer lifetime value keeps the two straight.

One honest limitation: cohort LTV needs history. If your store is under a year old, you won’t have a matured cohort yet, and any long-horizon number is a projection you should label as such rather than trust. Watch your early checkpoints, and let the real curve replace the estimate as it comes in.

How Omnisend helps

Calculating the curve is a data job — your platform’s exports, or a spreadsheet pivoting orders by first-purchase quarter. No email tool does that part for you, and anyone claiming otherwise is overselling.

Where Omnisend earns its place is the automation the curve points you toward. Once I know from the cohort data that my second wave lands around months 6 to 9, I build the segment and the timed flow in Omnisend — customers past that first-order gap, no second order, triggered on the window the data showed rather than a generic delay. I moved to it from Klaviyo for the more intuitive segment logic and having email and SMS in one place, which matters when different first-order values deserve different channels. Omnisend is an affiliate partner of Shopimation and I recommend it from real use in my own irregular-cycle store. The measurement stays yours; the tool acts on it.

Your next step

Export your orders, tag each customer with the quarter of their first purchase, and build one cumulative-revenue-per-customer curve for a cohort that’s at least 18 months old. That single curve is a more honest LTV than any formula will give you. Once you can see where the second wave lands, decide whether your current re-engagement timing matches it — and if your averages ever look suspiciously healthy, check whether discounts are propping them up in why discount-driven customers can inflate your lifetime value reports.