Der Erweiterte Pipeline Contribution Value (PCV)

Nach der Diskussion um "Warum Medien nun auch Pipeline statt nur Reichweite verkaufen müssen" und der Definition eines realistischen KI-Frameworks rund um "B2B AdGen" gab es intensive Rückmeldungen von SaaS-Unternehmen.

Deshalb sind wir noch einmal tiefer eingestiegen und haben uns an einem integrierten Ansatz versucht.

$PCV = \sum_{i} \left( T_i \times q_i \times p(L|T)_i \times p(O|L)_i \times p(S|O)_i \times DB_i \times \mu_i \right) - C_{\text{total}} \quad + \quad \lambda \times (NRR - 1) \times MRR_{\text{base}}$

$Ziel soll sein, die Effizienz-Ratio zu optimieren:$

$\frac{PCV}{CAC} \geq 3$

Detaillierte Erläuterung der Variablen

$T_i$ — Qualifizierter Traffic Anzahl der relevanten Besucher oder Kontakte, die durch die betrachtete Maßnahme (Kampagne, Kanal, Medium) erzeugt werden.
$q_i$ — Qualitätsfaktor ( $0 \leq q_i \leq 1$ ) Gewichtet die wirtschaftliche Relevanz und Intent-Stärke des Traffics. Hochwertiger, kaufabsichts-starker Traffic erhält Werte nahe 1, reiner Awareness-Traffic deutlich niedrigere Werte.
$p(L|T)_i$ — Lead-Conversion-Rate (bedingte Wahrscheinlichkeit) Wahrscheinlichkeit, dass aus qualifiziertem Traffic ein Lead entsteht.
$p(O|L)_i$ — Opportunity-Conversion-Rate Wahrscheinlichkeit, dass ein Lead zu einer qualifizierten Verkaufschance (Sales Qualified Opportunity) wird.
$p(S|O)_i$ — Win-Rate (Abschlusswahrscheinlichkeit) Wahrscheinlichkeit, dass eine Opportunity zu einem gewonnenen Deal (Closed-Won) führt. Die Gesamt-Abschlusswahrscheinlichkeit aus Traffic ergibt sich als:

$p(S|T)_i = p(L|T)_i \times p(O|L)_i \times p(S|O)_i$
$DB_i$ — Deckungsbeitrag pro Abschluss Durchschnittlicher Deckungsbeitrag eines gewonnenen Kunden (typischerweise Annual Contract Value (ACV) oder Average Revenue Per Account (ARPA) multipliziert mit der Gross Margin).
$\mu_i$ — Verstärkungsfaktor (Amplification Factor) Berücksichtigt zusätzliche Effekte wie Branding, Thought Leadership, Retargeting oder Cross-Channel-Synergien. Liegt in der Regel zwischen 1,0 und 1,3.
$C_{\text{total}}$ — Gesamtkosten der Maßnahme Summe aller direkten und indirekten Kosten (Media-Spend, Kreation, Tools, anteilige Personalkosten etc.).
$\lambda$ — Retention-Multiplikator (typischerweise 0,3 – 0,6) Gewichtet den langfristigen Einfluss der Akquise-Quelle auf die Kundenqualität.
$NRR$ — Net Revenue Retention (als Dezimalzahl, z. B. 1,15 für 115 %) Misst die Umsatzentwicklung bei Bestandskunden:

$NRR = \frac{\text{Starting MRR} + \text{Expansion MRR} - \text{Contraction MRR} - \text{Churned MRR}}{\text{Starting MRR}}$
$MRR_{\text{base}}$ — Ausgangs-MRR der betrachteten Kundenbasis Dient als Referenzgröße für den zusätzlichen Wert aus Expansion und reduziertem Churn.
$CAC$ — Customer Acquisition Cost Durchschnittliche Akquisitionskosten pro neu gewonnenem Kunden (Sales + Marketing Kosten / Anzahl neuer Kunden).

Warum diese Formel ganzheitlich und mathematisch korrekt ist

Der erste Teil ( $\sum \dots - C_{\text{total}}$ ) berechnet den erwarteten kurz- bis mittelfristigen Pipeline-Wert (Expected Pipeline Contribution) mit probabilistischer Multiplikation der Funnel-Stufen.
Der zweite Term ( $\lambda \times (NRR - 1) \times MRR_{\text{base}}$ ) integriert den langfristigen Retention- und Expansion-Effekt der Akquise-Quelle und beseitigt den früheren Widerspruch zwischen kurzfristiger Pipeline und langfristiger Kundenqualität.
Die abschließende PCV / CAC-Ratio verknüpft alles mit der klassischen Effizienz-Metrik (ähnlich der bekannten LTV:CAC-Ratio), jedoch probabilistisch und qualitätsgewichtet.