CLV: $143,27. Churn Risk: Medium. Expected Date of Next Order: 14. Mai. Drei Zahlen, die in eurem Klaviyo-Dashboard stehen und die ihr vermutlich schon in einer Segmentierung oder einem Flow-Trigger verwendet. Die Frage, die selten gestellt wird: Wie verlässlich sind diese Zahlen eigentlich? Und für welche Entscheidungen taugen sie?
Was Klaviyo braucht, bevor die Scores überhaupt zählen
Bevor ihr euch mit der Aussagekraft der Predictions beschäftigt, lohnt ein Blick auf die Voraussetzungen. Klaviyo braucht mindestens 500 Kunden mit abgeschlossenen Bestellungen, 180 Tage Bestellhistorie und pro qualifizierendem Kunden mindestens drei Käufe. Zusätzlich muss mindestens eine Bestellung in den letzten 30 Tagen vorliegen, bevor das System Metriken wie CLV oder Churn Risk generiert.
Klingt nach einer niedrigen Schwelle, ist es aber nicht für alle Shops. Ein D2C-Brand, der seit acht Monaten live ist und 600 Kunden hat, von denen 120 dreimal gekauft haben, liegt technisch über der Schwelle. Die Predictions werden angezeigt. Aber die statistische Basis ist dünn. Klaviyo zeigt in solchen Fällen eine niedrigere Konfidenz an, aber die Zahl im Profil sieht genauso konkret aus wie bei einem Shop mit 50.000 Kunden und fünf Jahren Datenhistorie.
Wir erleben es regelmäßig, dass CRM-Teams diese Schwellenwerte nicht kennen. Es ist eines der wiederkehrenden Muster in Klaviyo-Instanzen: Features werden genutzt, ohne die Voraussetzungen zu prüfen. Die Predictions sind da, also werden sie genutzt. Das ist nachvollziehbar, aber riskant.
Segment-Ebene funktioniert, Einzelprofil nicht
Die Predictive-Modelle von Klaviyo werden wöchentlich neu trainiert und basieren auf der gesamten Bestellhistorie eures Shops. Das Modell lernt Muster über alle Kunden hinweg und projiziert sie auf einzelne Profile. Auf der Ebene eines Segments mit tausend oder mehr Profilen funktioniert das gut. Die Mathematik glättet individuelle Ausreißer, und die aggregierte Prognose wird zu einem brauchbaren Planungswerkzeug.
Auf der Ebene eines einzelnen Profils ist ein CLV von $143,27 eine Wahrscheinlichkeitsschätzung, keine Vorhersage. Der tatsächliche Wert dieses Kunden kann bei $40 oder bei $400 liegen. Für Budgetplanung über ein ganzes Segment ist das kein Problem. Für eine Trigger-Logik, die sagt „sende einen Rabatt, wenn der predicted CLV unter $50 fällt”, ist es eines.
Wir sehen diese Art von Trigger-Logik häufiger, als man vermuten würde. Ein Flow, der Kunden mit niedrigem predicted CLV automatisch einen Rabattcode schickt. Ein anderer, der Kunden mit hohem CLV in ein VIP-Segment verschiebt und ihnen exklusive Inhalte liefert. Beides klingt logisch. Beides funktioniert aber nur zuverlässig, wenn die Segmente groß genug sind und die Trigger nicht auf Einzelprofil-Genauigkeit angewiesen sind.
Praktisch heißt das: Nutzt CLV-Predictions für die Frage „Wie viel können wir pro Segment in Retention investieren?”, nicht für die Frage „Soll dieser eine Kunde einen Rabatt bekommen?”.
Die zwei blinden Flecken der Modelle
Neben der Einzelprofil-Frage gibt es zwei systematische Schwächen, die Klaviyo nicht kommuniziert und die in der Praxis Probleme verursachen.
Saisonale Verzerrung. Das Modell wird wöchentlich trainiert und gewichtet neuere Daten stärker. Ein Kunde, der im November dreimal bestellt hat (Black Friday, Weihnachtsgeschenke) und danach drei Monate nichts kauft, wird als Churn-Risiko eingestuft. Sein Kaufverhalten ist aber saisonal normal. Bei Shops mit ausgeprägter Saisonalität verzerrt das die gesamte Churn-Risk-Verteilung. Im Januar sieht es so aus, als würden 40 Prozent der Kunden abwandern. Im November normalisiert sich das Bild.
Wer seine Re-Engagement-Flows auf dem Churn-Risk-Score aufsetzt, schickt im Januar Win-Back-Mails an Kunden, die gar nicht weg sind. Das kostet Relevanz und im schlimmsten Fall Vertrauen.
Kategorie-Blindheit. Predictive Analytics behandeln jeden Kauf gleich. Das Modell unterscheidet nicht, ob jemand Kaffeekapseln bestellt (Wiederkaufzyklus: 3 Wochen) oder eine Matratze (Wiederkaufzyklus: 8 Jahre). „Expected Date of Next Order” ist für den Kaffeekapsel-Shop ein brauchbares Signal. Für den Matratzen-Shop ist es Rauschen.
Selbst innerhalb eines Shops kann das Problem auftreten. Ein Health-Supplement-Brand, der sowohl Monatspackungen als auch Starter-Sets verkauft, hat zwei fundamental verschiedene Wiederkaufzyklen im selben Katalog. Das Modell bildet einen Durchschnitt, der für keine der beiden Produktlinien stimmt.
Wo Predictive Analytics euren CRM-Alltag verbessern
Trotz dieser Einschränkungen sind Klaviyos Predictive Analytics wertvoll, wenn sie richtig eingesetzt werden. Hier funktionieren sie gut:
Kohortenanalyse. Die CLV-Verteilung über Akquise-Kohorten zeigt, welche Kanäle und Kampagnen langfristig wertvolle Kunden bringen. Nicht auf Einzelprofil-Ebene, aber als Kohortenvergleich: Hat die Google-Ads-Kohorte vom März einen höheren durchschnittlichen CLV als die Meta-Kohorte vom Februar? Das ist eine Frage, die Predictive Analytics zuverlässig beantworten.
Segment-basierte Budgetallokation. High-CLV-Segmente rechtfertigen höhere Ausgaben pro Kontakt: bessere Inhalte, höhere Versandfrequenz, aufwendigere Kampagnen. Wer diese Segmente zusätzlich mit AI-generierten Inhalten über den Klaviyo Composer bespielt, kann den Personalisierungsgrad noch steigern. Diese Entscheidung auf Segment-Ebene wird durch Predictive Analytics belastbar untermauert.
Churn Risk als Frühwarnsystem auf Makro-Ebene. Wenn die Churn-Risk-Verteilung eures gesamten Kundenstamms sich von Monat zu Monat verschiebt, ist das ein valides Signal. Es sagt euch nicht, welcher Kunde geht. Aber es sagt euch, ob euer Kundenstamm insgesamt stabiler oder instabiler wird.
Was ihr daraus mitnehmt
Klaviyos Predictive Analytics sind kein Orakel. Sie sind ein statistisches Werkzeug, das unter bestimmten Bedingungen gute Ergebnisse liefert und unter anderen systematisch in die Irre führt. Wer die Grenzen kennt, trifft bessere Entscheidungen. Wer sie ignoriert, automatisiert auf falscher Grundlage.
Prüft drei Dinge: Ist eure Datenbasis groß genug? Setzt ihr die Scores auf Segment- oder Einzelprofil-Ebene ein? Und passt euer Wiederkaufzyklus zum Modell?
Die Antworten auf diese Fragen entscheiden darüber, ob Predictive Analytics euer CRM besser machen oder nur teurer.
