1. Faro

Nivel 4 · Un LTV predictivo simple

La solicitud

De Andrew Ramos, Gerente de Marketing

“Necesito un LTV a futuro para el modelo de planeación, no historia. La fórmula de siempre: lo que gasta un cliente por pedido, por pedidos al año, por cuántos años se queda. ¿Puedes construirla con 2025 y mostrar también la versión de margen?”

Tu objetivo

Devuelve una fila con: aov (ingresos netos de 2025 / pedidos contabilizados de 2025), orders_per_customer (pedidos contabilizados de 2025 / clientes con un pedido contabilizado en 2025), annual_churn_pct (proporción de clientes con un pedido contabilizado en 2024 que no tienen ninguno en 2025, × 100), lifespan_years (100 / annual_churn_pct), revenue_ltv (aov × orders_per_customer × lifespan_years) y margin_ltv (revenue_ltv × 0.5384, la tasa de margen bruto de 2025). Calcula todo con valores sin redondear y redondea cada salida a 2. El CTE order_rev (una fila por pedido contabilizado con sus ingresos netos) está en el código inicial.

  • Lee de la tabla orderspendiente
  • Lee de la tabla order_itemspendiente
  • Muestra exactamente aov orders_per_customer annual_churn_pct lifespan_years revenue_ltv margin_ltvpendiente

Tu consulta

SQL

Cargando el editor…

    ResultadoVista previa de orders · presiona Ejecutar para ver el tuyo
    Vista previa de orders
    order_idcustomer_idorder_datestatuschannel
    10011252023-01-01 20:51:19completedweb
    10021562023-01-02 07:58:46completedweb
    1003222023-01-02 10:25:27completedmarketplace
    1004482023-01-02 11:21:51completedmarketplace

    Mote revisa tu resultado

    Presiona Ejecutar. Cada fila que cumple el objetivo se vuelve una luciérnaga en tu linterna.

    Tablas

    Datos de la tienda Harbor & Pine, listos para consultar.

    orders12,000 filas · 7 columnas
    • order_idinteger
    • customer_idinteger
    • order_datetimestamp
    • statusvarchar
    • channelvarchar
    • shipping_feedecimal
    • coupon_codevarchar
    Primeras 5 filas de orders
    order_idcustomer_idorder_datestatuschannelshipping_feecoupon_code
    10011252023-01-01 20:51:19completedweb0.00NULL
    10021562023-01-02 07:58:46completedweb0.00NULL
    1003222023-01-02 10:25:27completedmarketplace4.99WELCOME10
    1004482023-01-02 11:21:51completedmarketplace4.99WELCOME10
    1005822023-01-02 11:43:36completedweb0.00WELCOME10
    order_items30,338 filas · 6 columnas
    • order_item_idinteger
    • order_idinteger
    • product_idinteger
    • quantityinteger
    • unit_pricedecimal
    • discount_pctdecimal
    Primeras 5 filas de order_items
    order_item_idorder_idproduct_idquantityunit_pricediscount_pct
    11001121931.990.00
    21001154311.990.00
    31002154411.990.00
    410021941149.000.00
    51002193219.990.00
    returns1,673 filas · 5 columnas
    • return_idinteger
    • order_item_idinteger
    • returned_ondate
    • reasonvarchar
    • refund_amountdecimal
    Primeras 5 filas de returns
    return_idorder_item_idreturned_onreasonrefund_amount
    1142023-01-10damaged83.69
    2422023-01-10wrong_item19.99
    31052023-01-14wrong_item10.99
    4242023-01-16changed_mind26.99
    51262023-01-16late20.99
    customers2,018 filas · 9 columnas
    • customer_idinteger
    • first_namevarchar
    • last_namevarchar
    • emailvarchar
    • cityvarchar
    • statevarchar
    • signup_datedate
    • segmentvarchar
    • referral_sourcevarchar
    Primeras 5 filas de customers
    customer_idfirst_namelast_nameemailcitystatesignup_datesegmentreferral_source
    1OwenHudsonowen.hudson@icloud.comSan FranciscoCA2022-06-02consumersearch
    2DouglasMendozadmendoza69@gmail.comAtlantaGA2022-06-02consumerNULL
    3HenryBrookshbrooks@lakesidecafe.comLos AngelesCA2022-06-04businessNULL
    4BrianGrahambgraham@bluecedarhomes.comSeattleWA2022-06-06businesspinterest
    5KyleJimenezkjimenez27@yahoo.comIndianapolisIN2022-06-07consumerNULL
    products120 filas · 8 columnas
    • product_idinteger
    • namevarchar
    • categoryvarchar
    • subcategoryvarchar
    • unit_pricedecimal
    • unit_costdecimal
    • launched_ondate
    • is_activeboolean
    Primeras 5 filas de products
    product_idnamecategorysubcategoryunit_priceunit_costlaunched_onis_active
    101Vale Velvet LoveseatFurnitureSofas1659.00NULL2023-09-11true
    102Alder Oak Coffee TableFurnitureTables919.00503.502024-05-16true
    103Orchard Rattan Dining ChairFurnitureChairs789.00429.872023-05-27true
    104Upland Oak BookcaseFurnitureStorage429.00214.702022-12-20true
    105Avery Leather Bed FrameFurnitureBeds449.00232.702021-08-31true
    employees60 filas · 8 columnas
    • employee_idinteger
    • first_namevarchar
    • last_namevarchar
    • departmentvarchar
    • titlevarchar
    • manager_idinteger
    • hire_datedate
    • salaryinteger
    Primeras 5 filas de employees
    employee_idfirst_namelast_namedepartmenttitlemanager_idhire_datesalary
    1CatherineHaleExecutiveChief Executive OfficerNULL2016-03-01285000
    2RobertKimExecutiveChief Operating Officer12017-01-09235000
    3MeganCollinsSalesHead of Sales12018-04-16172000
    4ChloeGutierrezSalesAccount Executive32020-01-2172000
    5FrankBellSalesAccount Executive32023-05-2173000
    web_sessions40,000 filas · 7 columnas
    • session_idinteger
    • customer_idinteger
    • started_attimestamp
    • devicevarchar
    • sourcevarchar
    • pages_viewedinteger
    • convertedboolean
    Primeras 5 filas de web_sessions
    session_idcustomer_idstarted_atdevicesourcepages_viewedconverted
    1NULL2023-01-01 23:02:24mobilepaid1false
    2182023-01-01 15:07:49desktoppaid1false
    3NULL2023-01-01 16:55:46desktopdirect7false
    4NULL2023-01-01 12:43:28mobileorganic3false
    5NULL2023-01-01 13:06:21mobilesocial2false
    marketing_spend3,276 filas · 3 columnas
    • spend_datedate
    • channelvarchar
    • amountdecimal
    Primeras 5 filas de marketing_spend
    spend_datechannelamount
    2023-01-01paid492.99
    2023-01-01email37.38
    2023-01-01social200.53
    2023-01-02paid709.13
    2023-01-02email64.13

    La lección

    De la historia a un pronóstico

    El LTV histórico solo cubre clientes que ya han tenido tiempo de comprar. Planear necesita un número para un cliente adquirido hoy. La fórmula clásica de servilleta multiplica tres cosas:

    • AOV, ingresos netos por pedido;
    • frecuencia de compra, pedidos por cliente activo al año;
    • vida útil esperada, cuántos años sigue comprando un cliente.

    AOV × frecuencia es lo que gasta un cliente activo en un año. Por la vida útil, es lo que gasta en total.

    Vida útil a partir del abandono

    Nadie observa la vida útil directamente; sale del abandono (churn). Si una proporción c de los clientes de este año no vuelve el año siguiente, y esa proporción se mantiene constante, el cliente promedio se queda 1 / c años. De los 1,003 clientes con un pedido contabilizado en 2024, 238 no tienen ninguno en 2025: el abandono anual es 23.73 %, así que la vida útil esperada es 4.21 años.

    -- 2024 buyers with no 2025 order
    FROM c24 LEFT JOIN c25 USING (customer_id)
    WHERE c25.customer_id IS NULL

    LTV de ingresos y LTV de margen

    Con el AOV de 2025 de $503.82 y 3.01 pedidos por comprador, el LTV de ingresos es $6,385.71. Pero la tienda no se queda con los ingresos: paga por los productos. Multiplicar por la tasa de margen bruto (53.84 % de las ventas netas de 2025 en líneas conservadas con costo de producto conocido) da el LTV de margen, $3,438.07. Ese es el número que se compara con el costo de adquisición, porque el CAC se paga con el margen.

    Qué supone la fórmula

    Cada insumo es un promedio, y la fórmula supone que se mantienen fijos durante años: el mismo tamaño de carrito, la misma frecuencia, un abandono constante. La realidad rompe cada uno. Los clientes nuevos compran con menos frecuencia que la base leal que domina la frecuencia de 2025, el abandono suele ser mayor en el primer año del cliente, y 4.21 años es más largo que los datos mismos. Trata el resultado como un orden de magnitud y muestra cuánto se mueve si el abandono es 30 % en lugar de 24 %.

    Errores comunes

    • Redondear primero los insumos. El AOV, la frecuencia y la vida útil redondeados y multiplicados dan $6,384.46, más de un dólar de diferencia. Redondea solo las salidas.
    • Frecuencia sobre todos los clientes de la historia. Los pedidos por año deben dividirse entre los clientes activos ese año.
    • Llamar “ganancia” al LTV de ingresos. No lo es; di qué versión reportas.

    Nota de entrevista

    “¿Cómo estimarías el LTV de una tienda de e-commerce nueva?” Da esta fórmula, di que la vida útil sale de 1 / abandono, cambia a margen y nombra los supuestos. Esa es una respuesta completa.

    Elige qué puede ejecutarse en este sitio. Puedes cambiarlo cuando quieras desde "Configurar cookies", al pie de cada página.