Analytik, Attribution und ROI

So berechnen Sie den Customer Lifetime Value aus E-Mail-Daten

Veröffentlicht am July 19, 2026 von

Sie können einen brauchbaren Customer Lifetime Value direkt aus Ihrer E-Mail-Plattform berechnen, denn ein modernes E-Commerce-E-Mail-Tool speichert bereits genau das eine, was der CLV braucht: die vollständige Bestellhistorie jedes Kontakts, synchronisiert aus Ihrem Shop. Die praktische Methode: Exportieren Sie Ihre Kundenprofile mit Gesamtausgaben und Datum der Erstbestellung, gruppieren Sie Kunden nach dem Monat oder Quartal ihres ersten Kaufs und verfolgen Sie, wie viel jede Gruppe seither pro Kunde ausgegeben hat. Diese Kohortensicht liefert Ihnen einen echten, beobachteten Lifetime Value – ganz ohne Modellierung. Die schnelle Abkürzung, durchschnittlicher Bestellwert × Bestellungen pro Kunde und Jahr × Jahre, die ein Kunde aktiv bleibt, bringt Ihnen in zehn Minuten eine grobe Zahl, verbirgt aber mehr, als sie zeigt. Dieser Artikel behandelt beides, dazu die Fallstricke, die speziell entstehen, wenn E-Mail-Daten Ihre Quelle sind. Zur Klarheit über den Umfang: In diesem Artikel geht es um das Berechnen des CLV; ihn mit Automatisierung zu steigern, ist ein eigenes Thema, das am Ende als nächster Schritt verlinkt ist.

Warum ein Shop-Inhaber diese Zahl überhaupt braucht

Jede bedeutsame Budgetentscheidung in Ihrem Shop stützt sich auf den CLV, ob Sie ihn nun berechnet haben oder nicht.

Wie viel dürfen Sie zahlen, um einen Kunden zu gewinnen? Hängt davon ab, was er über die Zeit wert ist, nicht nur an Bestellung eins. Sollten Sie 800 € im Monat für Retention-E-Mails ausgeben? Hängt davon ab, wie viel ein gehaltener Kunde beisteuert. Lohnt es sich, diese Gewinnspiel-Liste zu behalten? Hängt davon ab, ob diese Kontakte je an Wert gewinnen. Ohne CLV beantworten Sie all das aus dem Bauch heraus, und der Bauch überschätzt systematisch die Erstbestellung, weil das die ist, die Sie im Umsatzbericht dieses Monats sehen.

Der konkrete Schmerz, den ich sehe: Ein Shop zahlt 22 €, um einen Kunden zu gewinnen, dessen Erstbestellung 18 € Marge einbringt, gerät in Panik und kürzt das Werbebudget. Wenn zweite und dritte Bestellung den Zwölf-Monats-Wert auf 55 € gebracht hätten, war die Panik der Fehler, und die Retention-Flows, die diese späteren Bestellungen erzeugen, waren das am stärksten unterfinanzierte im Unternehmen. Das können Sie ohne die Zahl nicht wissen.

Warum die Zehn-Minuten-Formel nicht genügt

Die Formelvariante (AOV × Kauffrequenz × Kundenlebensdauer) ist für eine erste Plausibilitätsprüfung in Ordnung und als Entscheidungswerkzeug ehrlich irreführend.

Zwei Probleme. Erstens ist die „Kundenlebensdauer“ eine Vermutung, verkleidet als Eingabewert. E-Commerce-Kunden kündigen nicht wie Abonnenten; sie verblassen einfach, also ist jede Lebensdauerzahl, die Sie einsetzen, erfunden, und das Ergebnis erbt die Erfindung. Zweitens erzeugt die Formel eine einzige gemischte Zahl über Kunden hinweg, die vor fünf Jahren und vor fünf Wochen gewonnen wurden, in verschiedenen Produktlinien, aus verschiedenen Kanälen. Mischungen verbergen die Entscheidungen.

Die Kohortenmethode behebt beides. Sie nutzt nur beobachtete Ausgaben (keine Lebensdauer-Vermutung), und sie trennt Kunden natürlicherweise danach, wann sie kamen, sodass Sie sehen können, ob neuere Kunden mehr oder weniger wert sind als ältere. Dieser Trend ist mehr wert als die CLV-Zahl selbst.

Warum E-Mail-Daten eine gute Quelle sind – und wo sie Sie belügen

Ihre E-Mail-Plattform ist oft der einfachste Ort, um die Bestellhistorie pro Kunde zu bekommen, weil die Shop-Integration jede Bestellung automatisch auf das Kontaktprofil schiebt. Kein SQL, kein Data Warehouse, kein Flehen bei einem Entwickler.

Aber kennen Sie die drei Wege, auf denen diese Daten in die Irre führen können:

Nutzen Sie den gesamten Bestellumsatz, nicht den E-Mail-zugeschriebenen Umsatz. Der CLV ist das, was ein Kunde über alle Kanäle hinweg bei Ihnen ausgibt. Die „Umsatz aus E-Mail“-Zahl Ihrer Plattform ist eine andere Kennzahl, die eine andere Frage beantwortet. Sie zu verwechseln, unterschätzt den CLV massiv. Die Unterscheidung hat ihre eigene Tiefe in den echten Wert automatisierter E-Mails messen.
Gastbestellungen können unsichtbar oder doppelt sein. Ein Kunde, der zweimal mit zwei verschiedenen E-Mail-Adressen kauft, sieht aus wie zwei Einmalkäufer. Ein Gast, der sich nie eingetragen hat, ist je nach den Einstellungen Ihrer Integration womöglich gar nicht in der Plattform. Prüfen Sie, wie Ihr Setup nicht eingetragene Käufer behandelt, bevor Sie dem Export trauen; wenn ein großer Anteil der Bestellungen Gäste sind, die in der Plattform fehlen, berechnen Sie aus den Shop-Bestelldaten und nutzen Sie die E-Mail-Daten für die Segmentierung.
Umsatz ist nicht Gewinn. Plattformprofile speichern, was Kunden gezahlt haben, nicht, was Sie behalten haben. Ein CLV, der auf Umsatz aufbaut, überbewertet rabattlastige Kunden, die wertvoll aussehen und margenschwach sind. Wenn Sie bereit für die härtere, bessere Variante sind, siehe wie Sie Gewinn statt Umsatz im E-Mail-Marketing messen.

Die Kohortenmethode, Schritt für Schritt

Schritt 1 – exportieren. Exportieren Sie aus Ihrer E-Mail-Plattform Kontakte mit mindestens einer Bestellung, mit: E-Mail, Datum der Erstbestellung, Gesamtzahl Bestellungen, Gesamtausgaben. Jede ernstzunehmende Plattform kann das ausgeben, aus den Profildaten oder über einen Segment-Export.

Schritt 2 – Kohorten zuweisen. Ordnen Sie in einer Tabelle jeden Kunden dem Quartal seiner Erstbestellung zu. Erstkäufer aus Q3 2025 sind eine Kohorte, Q4 2025 eine weitere, und so fort.

Schritt 3 – Ausgaben pro Kunde je Kohorte berechnen. Für jede Kohorte: Gesamtausgaben ÷ Anzahl der Kunden. Tun Sie es bei festen Altersstufen (Ausgaben innerhalb von 3 Monaten nach Erstbestellung, innerhalb von 6, innerhalb von 12), damit Kohorten unterschiedlichen Alters fair vergleichbar sind. Eine im letzten Quartal gewonnene Kohorte hatte keine Zeit, ihren 12-Monats-Wert zu zeigen, und sie roh gegen eine alte Kohorte zu vergleichen, ist der klassische Fehler hier. Die Mechanik dieser Sicht wird ausführlicher behandelt in wie Sie Kohortenanalyse für E-Commerce-Retention nutzen.

Schritt 4 – lesen. Jetzt haben Sie den beobachteten CLV bei 3, 6 und 12 Monaten für jede Kohorte. Zwei Fragen zählen: wie viel Wert nach der Erstbestellung ankommt (diese Lücke ist Ihre Retention-Chance) und ob neuere Kohorten im selben Alter über oder unter den älteren liegen (das ist Ihre Geschäftsrichtung, ein Quartal früh).

Schritt 5 – vierteljährlich wiederholen. Ein Nachmittag, viermal im Jahr. Der Export samt Pivot dauert bei mir inzwischen unter einer Stunde pro Shop, seit die Tabellenvorlage existiert.

Ein durchgerechnetes Beispiel (beispielhaft)

Angenommen, Ihre Q1-2025-Kohorte sind 400 Erstkunden. Bei der Erstbestellung hatten sie insgesamt 19.200 € ausgegeben: 48 € pro Kunde. Bis Monat 6 sind die kumulierten Ausgaben 26.000 € (65 € pro Kunde), und bis Monat 12 sind es 30.400 € (76 €).

Drei brauchbare Fakten fallen aus diesen erfundenen Zahlen. Der Zwölf-Monats-CLV ist 76 €, also kann es durchaus solide sein, bis zu diesen 48 € der Erstbestellung für die Gewinnung zu zahlen (selbst bei Break-even oder einem kleinen Verlust bei Bestellung eins), sofern die Margen es zulassen. Der Umsatz nach der Erstbestellung sind 28 € von 76 €, etwa 37 %, und diese 37 % sind der Teil, den Ihre Retention-Mails, Nachschub-Flows und Rückgewinnungen zu vergrößern existieren. Und wenn die Q3-Kohorte bei Monat 6 nur bei 54 € steht gegenüber den 65 € von Q1, hat sich etwas geändert: Traffic-Quelle, Produktmix oder Rabatttiefe bei der Erstbestellung. Sie haben es zwei Quartale erfahren, bevor die gemischte Umsatzkurve es Ihnen gesagt hätte.

Welche Zahlen Sie neben dem CLV verfolgen sollten

CLV bei festen Altersstufen (3/6/12 Monate), je Kohorte – das Kernergebnis.
Wiederkaufrate – der Motor hinter dem CLV-Wachstum; wie man sie richtig misst, ist ein eigener Artikel: wie Sie die Wiederkaufrate messen.
Zeit zwischen erster und zweiter Bestellung – sagt Ihnen, wann Ihre Retention-Flows auslösen sollten.
CLV nach Akquisitionsquelle oder erstem Produkt, sobald die Basisvariante Routine ist – hier wird Segmentierung profitabel.

Wo Omnisend hineinpasst

In meinen Shops kommt der Export aus Schritt 1 aus Omnisend, weil die Shopify-Integration die Gesamtzahl der Bestellungen und die Gesamtausgaben ohne jeden Aufwand meinerseits auf jedem Kontaktprofil hält, und Segmente wie „Kunden mit 2+ Bestellungen“ oder „erste Bestellung in Q1“ zum Zerlegen schnell zu bauen sind. Nachdem ich Klaviyo und Omnisend getestet habe, bin ich bei Omnisend geblieben, teils genau wegen dieses Selfservice-Datenzugriffs zu einem besseren Preis. Ehrliche Grenzen: Die Kohortenrechnung selbst passiert in einer Tabelle, nicht in der Plattform, und die Daten sind nur so vollständig wie Ihre Shop-Integration, also prüfen Sie das Verhalten bei Gastbestellungen, bevor Sie den Summen trauen. (Omnisend ist ein Affiliate-Partner von Shopimation; die Empfehlung kommt aus täglichem Gebrauch.)

Ihr nächster Schritt

Führen Sie diese Woche die Schritte 1 bis 3 für eine einzelne Kohorte aus. Die Erstkäufer aus dem Q2 des vergangenen Jahres sind eine gute Wahl, alt genug, um den 12-Monats-Wert zu zeigen. Sobald Sie sehen können, wie viel vom Wert eines Kunden nach Bestellung eins ankommt, hört der Fall für Retention-Automatisierung auf, abstrakt zu sein, und der Ort, an dem Sie danach handeln, ist wie Sie E-Mail-Automatisierung nutzen, um den Customer Lifetime Value zu erhöhen.

Analitika, atribucija in donosnost

Kako iz email podatkov izračunati življenjsko vrednost kupca

Veröffentlicht am July 18, 2026 von

Uporabno življenjsko vrednost kupca lahko izračunate kar iz svoje e-poštne platforme, saj sodobno orodje za e-poštni marketing v spletni trgovini že hrani prav to, kar CLV potrebuje: celotno zgodovino naročil vsakega kontakta, sinhronizirano iz vaše trgovine. Praktična metoda: izvozite profile strank s skupno porabo in datumom prvega naročila, razvrstite stranke po mesecu ali četrtletju njihovega prvega nakupa in spremljajte, koliko je vsaka skupina od takrat porabila na stranko. Ta kohortni pogled vam da resnično, opazovano življenjsko vrednost – brez modeliranja. Hitra bližnjica, povprečna vrednost naročila × naročila na stranko na leto × leta, ko stranka ostane aktivna, vam v desetih minutah da grobo številko, a skrije več, kot pokaže. V tem članku obravnavamo oboje, poleg pasti, ki so specifične za uporabo e-poštnih podatkov kot vira. Da bo obseg jasen: ta članek govori o izračunavanju CLV; njegovo zviševanje z avtomatizacijo je svoja tema in je na koncu povezana kot naslednji korak.

Zakaj lastnik trgovine to številko sploh potrebuje

Vsaka pomembna odločitev o proračunu v vaši trgovini se opira na CLV, pa naj ste ga izračunali ali ne.

Koliko lahko plačate za pridobitev stranke? Odvisno od tega, koliko je vredna skozi čas, ne le od prvega naročila. Bi morali za e-pošto za zadrževanje porabiti 800 EUR na mesec? Odvisno od tega, koliko doda zadržana stranka. Je tisti seznam iz nagradne igre vreden ohranjanja? Odvisno od tega, ali ti kontakti sploh kdaj razvijejo vrednost. Brez CLV na vsa ta vprašanja odgovarjate po občutku, občutek pa sistematično preveč poudarja prvo naročilo, ker je to tisto, ki ga vidite v tokratnem poročilu o prihodku.

Konkretna bolečina, ki jo opažam: trgovina plača 22 EUR za pridobitev stranke, katere prvo naročilo prinese 18 EUR marže, se ustraši in zmanjša porabo za oglase. Če bi drugo in tretje naročilo dvignilo dvanajstmesečno vrednost na 55 EUR, je bila panika napaka, tokovi za zadrževanje, ki ustvarjajo ta poznejša naročila, pa so bili najbolj podfinancirana stvar v podjetju. Tega ne morete vedeti brez številke.

Zakaj desetminutna formula ni dovolj

Različica s formulo (povprečna vrednost naročila × pogostost nakupov × življenjska doba stranke) je v redu za prvo preverjanje smiselnosti in resnično zavajajoča kot orodje za odločanje.

Dve težavi. Prvič, “življenjska doba stranke” je ugibanje, preoblečeno v vhodni podatek. Stranke spletnih trgovin ne prekinejo naročnine tako kot naročniki; preprosto zbledijo, tako da je vsaka številka življenjske dobe, ki jo vstavite, izmišljena, izhod pa podeduje to izmišljotino. Drugič, formula ustvari eno povprečeno številko za stranke, pridobljene pred petimi leti in pred petimi tedni, v različnih izdelčnih linijah, iz različnih kanalov. Povprečja skrivajo odločitve.

Kohortna metoda popravi oboje. Uporablja le opazovano porabo (brez ugibanja o življenjski dobi) in stranke naravno loči po tem, kdaj so prišle, tako da lahko vidite, ali so novejše stranke vredne več ali manj kot starejše. Ta trend je vreden več kot sama številka CLV.

Zakaj so email podatki dober vir – in kje vas zavajajo

Vaša e-poštna platforma je pogosto najlažje mesto za pridobitev zgodovine naročil na stranko, saj integracija s trgovino vsako naročilo samodejno potisne na profil kontakta. Brez SQL-a, brez podatkovnega skladišča, brez prosjačenja pri razvijalcu.

A poznati morate tri načine, kako vas ti podatki lahko zavedejo:

Uporabite skupni prihodek naročil, ne prihodka, pripisanega e-pošti. CLV je tisto, kar stranka pri vas porabi po vseh kanalih. Številka “prihodek iz e-pošte” vaše platforme je druga metrika, ki odgovarja na drugo vprašanje. Če ju zamešate, CLV močno podcenite. Ta razlika ima svojo globino v članku merjenje resnične vrednosti avtomatiziranih e-sporočil.
Nakupi gostov so lahko nevidni ali podvojeni. Stranka, ki dvakrat kupi z dvema različnima e-poštnima naslovoma, je videti kot dva enkratna kupca. Gost, ki se nikoli ni naročil, je morda sploh ni v platformi, odvisno od nastavitev vaše integracije. Preverite, kako vaša postavitev obravnava nenaročene kupce, preden zaupate izvozu; če je velik delež naročil od gostov, ki jih v platformi ni, raje izračunajte iz podatkov o naročilih v trgovini, e-poštne podatke pa uporabite za segmentacijo.
Prihodek ni dobiček. Profili v platformi hranijo, kar so stranke plačale, ne, kar ste vi obdržali. CLV, zgrajen na prihodku, bo precenil stranke z veliko popusti, ki so videti vredne, marža pa je tanka. Če ste pripravljeni na težjo, boljšo različico, si oglejte kako meriti dobiček namesto prihodka v e-poštnem marketingu.

Kohortna metoda, korak za korakom

1. korak – izvoz. Iz svoje e-poštne platforme izvozite kontakte, ki imajo vsaj eno naročilo, z: e-pošto, datumom prvega naročila, skupnim številom naročil, skupno porabo. Vsaka resna platforma to zmore, iz podatkov o profilu ali prek izvoza segmenta.

2. korak – dodelite kohorte. V preglednici razvrstite vsako stranko po četrtletju njenega prvega naročila. Prvi kupci iz 3. četrtletja 2025 so ena kohorta, 4. četrtletje 2025 druga in tako naprej.

3. korak – izračunajte porabo na stranko na kohorto. Za vsako kohorto: skupna poraba ÷ število strank. Naredite to pri fiksnih starostih (poraba v 3 mesecih od prvega naročila, v 6, v 12), da se kohorte različnih starosti pošteno primerjajo. Kohorta, pridobljena zadnje četrtletje, ni imela časa pokazati svoje 12-mesečne vrednosti, in primerjati jo neposredno s staro kohorto je tu klasična napaka. Mehanika tega pogleda je bolj temeljito obravnavana v članku kako uporabiti kohortno analizo za zadrževanje strank v spletni trgovini.

4. korak – preberite. Zdaj imate opazovani CLV pri 3, 6 in 12 mesecih za vsako kohorto. Pomembni sta dve vprašanji: koliko vrednosti prispe po prvem naročilu (ta razmik je vaša priložnost za zadrževanje) in ali novejše kohorte pri enaki starosti sledijo nad ali pod starejšimi (to je smer vašega podjetja, eno četrtletje vnaprej).

5. korak – ponovite četrtletno. Eno popoldne, štirikrat na leto. Izvoz in vrtilna tabela mi zdaj, ko obstaja predloga preglednice, vzameta manj kot uro na trgovino.

Rešen primer (ilustrativno)

Recimo, da je vaša kohorta 1. četrtletja 2025 sestavljena iz 400 prvih strank. Ob prvem naročilu so skupaj porabile 19.200 EUR: 48 EUR na stranko. Do 6. meseca je kumulativna poraba 26.000 EUR (65 EUR na stranko), do 12. meseca pa 30.400 EUR (76 EUR).

Iz teh izmišljenih številk padejo tri uporabna dejstva. Dvanajstmesečni CLV je 76 EUR, tako da je plačevanje do teh 48 EUR prvega naročila za pridobitev (tudi ob ničelnem donosu ali majhni izgubi pri prvem naročilu) lahko še vedno smiselno, če marže dopuščajo. Prihodek po prvem naročilu je 28 EUR od 76 EUR, približno 37 %, in teh 37 % je del, ki ga vaša e-pošta za zadrževanje, tokovi za dopolnjevanje zalog in ponovne pridobitve obstajajo, da ga povečajo. In če je kohorta 3. četrtletja pri 6. mesecu le pri 54 EUR proti 65 EUR pri 1. četrtletju, se je nekaj spremenilo: vir prometa, mešanica izdelkov ali globina popusta pri prvem naročilu. To ste izvedeli dve četrtletji, preden bi vam povedal povprečeni graf prihodka.

Katere številke spremljati poleg CLV

CLV pri fiksnih starostih (3/6/12 mesecev), po kohorti – osrednji rezultat.
Stopnja ponovnih nakupov – motor za rast CLV; kako jo pravilno meriti, je svoj članek: kako meriti stopnjo ponovnih nakupov.
Čas med prvim in drugim naročilom – pove vam, kdaj naj se sprožijo vaši tokovi za zadrževanje.
CLV po viru pridobitve ali prvem izdelku, ko je osnovna različica že rutina – tu segmentacija postane donosna.

Kje se vklopi Omnisend

V mojih trgovinah izvoz iz 1. koraka pride iz Omnisenda, saj integracija s Shopifyjem hrani skupno število naročil in skupno porabo na vsakem profilu kontakta brez kakršne koli nastavitve z moje strani, segmenti kot “stranke z 2+ naročili” ali “prvo naročilo v 1. četrtletju” pa se hitro zgradijo za razrezovanje. Po testiranju Klaviya in Omnisenda sem ostal pri Omnisendu deloma prav zaradi te vrste samopostrežnega dostopa do podatkov po boljši ceni. Poštene omejitve: sam kohortni izračun se dogaja v preglednici, ne v platformi, podatki pa so tako popolni, kot je vaša integracija s trgovino, zato preverite obravnavo nakupov gostov, preden zaupate skupnim vsotam. (Omnisend je partner Shopimationa v pridruženem programu; priporočilo izhaja iz vsakodnevne uporabe.)

Vaš naslednji korak

Ta teden izvedite korake 1 do 3 za eno samo kohorto. Prvi kupci iz lanskega 2. četrtletja so dobra izbira, dovolj stari, da pokažejo 12-mesečno vrednost. Ko lahko vidite, koliko vrednosti stranke prispe po prvem naročilu, argument za avtomatizacijo zadrževanja preneha biti abstrakten, mesto za ukrepanje pa je kako z avtomatizacijo e-pošte povečati življenjsko vrednost kupca.

Analytics, Attribution, and ROI

How to Calculate Customer Lifetime Value From Email Data

Veröffentlicht am July 17, 2026 von

You can calculate a usable customer lifetime value straight from your email platform, because a modern ecommerce email tool already stores the one thing CLV needs: every contact’s full order history, synced from your store. The practical method: export your customer profiles with total spend and first-order date, group customers by the month or quarter of their first purchase, and track how much each group has spent per customer since. That cohort view gives you real, observed lifetime value — no modeling required. The quick shortcut, average order value × orders per customer per year × years a customer stays active, gets you a rough figure in ten minutes but hides more than it shows. This article covers both, plus the traps specific to using email data as your source. To be clear on scope: this article is about calculating CLV; raising it with automation is its own topic, and it’s linked as the next step at the end.

Why a store owner needs this number at all

Every meaningful budget decision in your store leans on CLV, whether you’ve calculated it or not.

How much can you pay to acquire a customer? Depends what they’re worth over time, not just on order one. Should you spend €800 a month on retention email? Depends how much a retained customer adds. Is that giveaway list worth keeping? Depends whether those contacts ever develop value. Without CLV you’re answering all of these from gut feel, and gut feel systematically overweights the first order because that’s the one you can see in this month’s revenue report.

The specific pain I see: a store pays €22 to acquire a customer whose first order nets €18 of margin, panics, and cuts the ad spend. If second and third orders were bringing the twelve-month value to €55, the panic was the mistake, and the retention flows that produce those later orders were the most underfunded thing in the business. You can’t know that without the number.

Why the ten-minute formula isn’t enough

The formula version (AOV × purchase frequency × customer lifespan) is fine for a first sanity check and genuinely misleading as a decision tool.

Two problems. First, “customer lifespan” is a guess dressed up as an input. Ecommerce customers don’t cancel like subscribers do; they just fade, so any lifespan figure you plug in is invented, and the output inherits the invention. Second, the formula produces one blended number across customers acquired five years ago and five weeks ago, in different product lines, from different channels. Blends hide the decisions.

The cohort method fixes both. It uses only observed spend (no lifespan guess), and it naturally separates customers by when they arrived, so you can see whether newer customers are worth more or less than older ones. That trend is worth more than the CLV figure itself.

Why email data is a good source — and where it lies to you

Your email platform is often the easiest place to get per-customer order history, because the store integration pushes every order onto the contact profile automatically. No SQL, no data warehouse, no pleading with a developer.

But know the three ways this data can mislead:

Use total order revenue, not email-attributed revenue. CLV is what a customer spends with you across all channels. Your platform’s “revenue from email” figure is a different metric answering a different question. Mixing them up understates CLV badly. The distinction has its own depth in measuring the real value of automated emails.
Guest checkouts can be invisible or duplicated. A customer who buys twice with two different email addresses looks like two one-time buyers. A guest who never subscribed may not be in the platform at all, depending on your integration’s settings. Check how your setup handles non-subscribed buyers before trusting the export; if a large share of orders are guests missing from the platform, calculate from store order data instead and use email data for the segmentation.
Revenue is not profit. Platform profiles store what customers paid, not what you kept. A CLV built on revenue will overrate discount-heavy customers who look valuable and margin thin. If you’re ready for the harder, better version, see how to measure profit instead of revenue in email marketing.

The cohort method, step by step

Step 1 — export. From your email platform, export contacts who have at least one order, with: email, first-order date, total orders, total spend. Every serious platform can produce this, from profile data or via a segment export.

Step 2 — assign cohorts. In a spreadsheet, bucket each customer by the quarter of their first order. Q3 2025 first-time buyers are one cohort, Q4 2025 another, and so on.

Step 3 — compute spend per customer per cohort. For each cohort: total spend ÷ number of customers. Do it at fixed ages (spend within 3 months of first order, within 6, within 12) so cohorts of different ages compare fairly. A cohort acquired last quarter hasn’t had time to show its 12-month value, and comparing it raw against an old cohort is the classic error here. The mechanics of this view are covered more fully in how to use cohort analysis for ecommerce retention.

Step 4 — read it. Now you have observed CLV at 3, 6, and 12 months for each cohort. Two questions matter: how much value arrives after the first order (that gap is your retention opportunity), and whether newer cohorts are tracking above or below older ones at the same age (that’s your business direction, one quarter early).

Step 5 — repeat quarterly. One afternoon, four times a year. The export-and-pivot takes me under an hour per store now that the spreadsheet template exists.

A worked example (illustrative)

Say your Q1 2025 cohort is 400 first-time customers. At the first order they’d spent €19,200 total: €48 per customer. By month 6, cumulative spend is €26,000 (€65 per customer), and by month 12 it’s €30,400 (€76).

Three usable facts fall out of these invented numbers. Twelve-month CLV is €76, so paying up to that first-order €48 to acquire (even at break-even or a small loss on order one) can still be sound, margins permitting. Post-first-order revenue is €28 of the €76, about 37%, and that 37% is the part your retention emails, replenishment flows, and win-backs exist to grow. And if the Q3 cohort is only at €54 at month 6 versus Q1’s €65, something changed: traffic source, product mix, or first-order discount depth. You found out two quarters before the blended revenue chart would have told you.

Which numbers to track alongside CLV

CLV at fixed ages (3/6/12 months), by cohort — the core output.
Repeat purchase rate — the engine behind CLV growth; how to measure it properly is its own article: how to measure repeat purchase rate.
Time between first and second order — tells you when your retention flows should fire.
CLV by acquisition source or first product, once the basic version is routine — this is where segmentation gets profitable.

Where Omnisend fits

In my stores the export in step 1 comes out of Omnisend, because the Shopify integration keeps total orders and total spend on every contact profile without any setup on my side, and segments like “customers with 2+ orders” or “first order in Q1” are quick to build for slicing. After testing Klaviyo and Omnisend, I stayed with Omnisend partly for exactly this kind of self-service data access at a better price. Honest limits: the cohort math itself happens in a spreadsheet, not in the platform, and the data is only as complete as your store integration, so check the guest-checkout behavior before you trust the totals. (Omnisend is an affiliate partner of Shopimation; the recommendation comes from daily use.)

Your next step

Run steps 1 through 3 for a single cohort this week. Last year’s Q2 first-time buyers are a good pick, old enough to show 12-month value. Once you can see how much of a customer’s worth arrives after order one, the case for retention automation stops being abstract, and the place to act on it is how to use email automation to increase customer lifetime value.