Markéta Dvořáková Při prodeji e-shopu se často diskutuje o tržbách, ziscích a násobcích EBITDA. Ale jedním z nejcennějších aktiv, které kupující získává, je zákaznická databáze. Loajální zákazníci, kteří opakovaně nakupují, jsou motor každého e-commerce podnikání.
Proč zákaznická databáze má hodnotu?
- Opakované tržby — stávající zákazníci nakupují s nižšími marketingovými náklady
- Nižší CAC — akvizice nového zákazníka stojí 5–7× více než retence stávajícího
- Cross-sell / Up-sell — existující zákazníci přijímají nové produkty snáze
- Data a insights — nákupní historie umožňuje personalizaci a predikci
- E-mail marketing — databáze s opt-in souhlasem je přímý komunikační kanál
Metoda 1: Ocenění přes LTV (Lifetime Value)
Nejpoužívanější metoda. Celková hodnota databáze = součet očekávaných budoucích příjmů od všech zákazníků.
Základní vzorec LTV
Příklad
| Parametr | Hodnota |
|---|---|
| Průměrná hodnota objednávky (AOV) | 1 200 Kč |
| Nákupy za rok | 2,5× |
| Průměrná délka vztahu | 3 roky |
| Hrubá marže | 35 % |
| LTV jednoho zákazníka | 3 150 Kč |
Pokud máte 15 000 aktivních zákazníků, hrubá hodnota databáze = 15 000 × 3 150 = 47 250 000 Kč.
Ale pozor — toto je nediskontovaná hodnota. Pro reálné ocenění musíte aplikovat diskontní sazbu (typicky 15–25 % pro e-commerce).
Diskontovaný vzorec
Metoda 2: RFM segmentace
Ne všichni zákazníci mají stejnou hodnotu. RFM segmentace dělí zákazníky dle:
- R (Recency) — jak nedávno nakoupili
- F (Frequency) — jak často nakupují
- M (Monetary) — kolik utrácejí
RFM segmenty a jejich hodnota
| Segment | Podíl zákazníků | Relativní hodnota | LTV multiplikátor |
|---|---|---|---|
| VIP (vysoké R, F, M) | 5–10 % | Velmi vysoká | 3–5× průměru |
| Loajální (vysoké F) | 15–20 % | Vysoká | 2–3× průměru |
| Perspektivní (vysoké R, nízké F) | 20–25 % | Střední | 1–1,5× průměru |
| Ohrožení (klesající R) | 15–20 % | Klesající | 0,5–1× průměru |
| Neaktivní (nízké R, F) | 30–40 % | Minimální | 0,1–0,3× průměru |
Metoda 3: Kohortová analýza
Analyzujte zákazníky podle kohorty prvního nákupu — jak se jejich chování mění v čase:
- Jaká % kohorty nakoupí znovu po 3, 6, 12 měsících?
- Jak se mění průměrná hodnota objednávky v čase?
- Kdy kohorta „vymírá" (churn dosáhne 90 %+)?
Kohortová analýza je nejpřesnější metoda, protože pracuje se skutečným historickým chováním.
Metoda 4: Nákladová metoda (Replacement Cost)
Kolik by stálo znovu vybudovat stejnou databázi od nuly?
Příklad: 15 000 zákazníků × 350 Kč CAC = 5 250 000 Kč
Tato metoda typicky dává nižší hodnotu než LTV metoda, protože nezohledňuje kvalitu zákaznických vztahů.
Faktory ovlivňující hodnotu databáze
| Faktor | Pozitivní vliv | Negativní vliv |
|---|---|---|
| GDPR souhlas | 100 % opt-in zákazníci | Bez souhlasu = nepřevoditelné |
| Engagement | Vysoký open rate e-mailů | Nízký engagement = mrtvá databáze |
| Diverzifikace | Rovnoměrná distribuce | Top 10 zákazníků = 50 %+ tržeb |
| Data kvalita | Kompletní profily, segmentace | Neúplná data, duplicity |
| Trend | Rostoucí počet aktivních zákazníků | Klesající databáze |
GDPR a převod zákaznické databáze
Při převodu e-shopu je nutné vyřešit oprávněný základ pro zpracování osobních údajů:
- Share deal: Vlastník s.r.o. se mění, ale správce údajů (s.r.o.) zůstává — souhlas zákazníků není nutný
- Asset deal: Mění se správce údajů — nutný oprávněný zájem nebo souhlas
- E-mail marketing: Opt-in souhlas je vázán na konkrétní subjekt — při asset dealu je nutný nový souhlas
Praktický checklist pro kupující
- Vyžádejte si anonymizovaný export zákaznické databáze (segmentace, kohorty)
- Ověřte GDPR compliance — existuje prokazatelný souhlas?
- Analyzujte RFM segmentaci — kolik zákazníků je skutečně aktivních?
- Prověřte e-mail doručitelnost — open rate, bounce rate, blacklisty
- Spočítejte koncentraci — kolik % tržeb generuje top 10 % zákazníků?
- Zhodnoťte trend — roste nebo klesá počet nových zákazníků měsíčně?