Unit economics i marketing: CAC, LTV og payback forklaret

Derfor er ROAS et dårligt beslutningsgrundlag alene

ROAS måler omsætning i forhold til annonceforbrug. Det er en effektivitetsmåling for en kanal, ikke et udtryk for indtjening. To virksomheder med samme ROAS kan have vidt forskellige resultater, hvis den ene har 20 procent i dækningsgrad og den anden 70.

Problemet forstærkes, når ROAS bruges som fælles målsætning på tværs af sortiment. Kampagner skubber automatisk budgettet derhen, hvor omsætningen er lettest at hente — ikke derhen, hvor indtjeningen er størst. Derfor ser man ofte stigende ROAS og faldende bundlinje i samme kvartal.

Det bliver værre, når rabatkoder kommer ind i billedet. En kampagne med 20 procent rabat kan sagtens holde eller endda forbedre ROAS, fordi omsætningen falder mindre end man tror, mens dækningsbidraget forsvinder næsten helt. ROAS ser det aldrig, fordi den ikke kender din vareomkostning.

Unit economics løser det ved at flytte samtalen fra omsætning til dækningsbidrag pr. kunde. Så snart du kender dit dækningsbidrag, kan du regne dit break-even-punkt ud og vurdere en kampagne mod det i stedet for mod et tal, du har hørt et sted.

De fire tal, du skal kunne udenad

Før du kan bygge noget mere avanceret — kohorter, budmål, B2B-tragte — skal fire grundtal siddet fast. De bygger ovenpå hinanden i en fast rækkefølge, og springer du et led over, vælter resten.

Regn det ud på dine egne tal

Beregneren nedenfor bruger de fire tal fra forrige afsnit. Den regner CAC ud fra dit forbrug og antal nye kunder, dækningsbidrag ud fra ordreværdi og dækningsgrad, og derfra levetidsværdi, forhold og payback.

Prøv at ændre dækningsgraden med fem procentpoint. På de fleste opsætninger flytter det mere på bundlinjen end en tilsvarende forbedring af annonceomkostningen — og det er typisk nemmere at gennemføre.

Dækningsbidraget linje for linje

De fleste virksomheder regner dækningsbidrag for groft. "Pris minus vareomkostning" er ikke dækningsbidrag, det er bruttoavance, og forskellen mellem de to tal er ofte det, der afgør om en kampagne reelt betaler sig.

Et korrekt dækningsbidrag trækker alle variable omkostninger fra ordreværdien: varekøb til indkøbspris, udgående fragt, betalingsgebyr fra kortudbyder eller Stripe/Adyen, emballage og pakkemateriale, samt en forventet returandel ganget med omkostningen ved en retur (fragt begge veje plus eventuel værdiforringelse).

Faste omkostninger som husleje, løn til fastansatte og software hører ikke til her — de dækkes af det samlede dækningsbidrag på tværs af alle ordrer, ikke af den enkelte ordre. Bland du dem ind pr. ordre, får du et tal, der ændrer sig med omsætningen, og det gør beregningen ubrugelig til budbeslutninger.

Returneringer er den linje, der oftest mangler helt. I kategorier som tøj og sko kan returraten være så høj, at den alene afgør, om en kampagne er profitabel. Sæt den ind som et gennemsnit pr. varekategori, ikke som et samlet gæt for hele sortimentet.

Fuldt regneeksempel: en dansk webshop for hjemmeindretning

Nedenstående er et opdigtet, men realistisk gennemregnet eksempel til at vise mekanikken. Tallene er ikke branchebenchmarks — brug dem kun til at følge metoden og indsæt derefter dine egne.

Webshoppen sælger boligtilbehør, har en gennemsnitlig ordreværdi på 650 kr. inkl. moms, og bruger 140.000 kr. om måneden på annoncering plus 25.000 kr. i faste marketingomkostninger (bureau, værktøjer, en deltidsressource til indhold). I måneden skaffer den 310 nye kunder og har derudover 190 genkøb fra eksisterende kunder.

Første skridt er at rense ordreværdien for moms: 650 kr. bliver til 520 kr. Dernæst trækkes varekøb (45 %), fragt (39 kr.), betalingsgebyr (1,4 %) og en returomkostning baseret på 8 procent returrate og 120 kr. pr. retur. Det giver et dækningsbidrag pr. ordre på cirka 197 kr., svarende til 37,9 procent dækningsgrad.

CAC regnes udelukkende på de 310 nye kunder: (140.000 + 25.000) / 310 = 532 kr. Det er højere end dækningsbidraget fra første ordre, hvilket ikke er ualmindeligt — det betyder blot, at forretningen ikke tjener penge på første køb, men på genkøb. Her bliver genkøbsraten (næste afsnit) afgørende for, om regnestykket går op.

Genkøbsrate: den underkendte LTV-motor

I eksemplet ovenfor tabte forretningen 335 kr. på selve anskaffelsen. Det er kun et problem, hvis kunden aldrig køber igen. Genkøbsraten — andelen af kunder, der handler mindst én gang mere inden for en given periode — er den variabel, der oftest afgør, om unit economics samlet set går op.

Med en genkøbsrate på 35 procent inden for 12 måneder, og et gennemsnitligt genkøb på samme dækningsbidrag (197 kr.), bliver den forventede LTV over 12 måneder: 197 + (0,35 × 197) = 266 kr. Det er stadig under CAC på 532 kr. Med en genkøbsrate på 65 procent og 1,8 genkøb i snit stiger LTV til 197 + (1,8 × 197) = 550 kr., og forretningen krydser lige akkurat break-even inden for det første år.

Det er derfor genkøbsrate og ikke kreativ-optimering ofte er den mest lønsomme marketingopgave i en moden webshop. E-mail- og SMS-flows til eksisterende kunder, produkter der naturligt genkøbes, og et loyalitetsprogram flytter typisk mere på LTV end en ny annonce nogensinde vil.

Mål genkøbsraten pr. kohorte (se næste afsnit), ikke som et samlet gennemsnit for hele kundebasen. Et samlet gennemsnit skjuler, at nye kunder ofte har en lavere genkøbsrate end kunder anskaffet for et år siden, simpelthen fordi de har haft kortere tid til at købe igen.

Kohorteanalyse: sådan bygger du den i et regneark

En kohorte er alle kunder, der fik deres første ordre i samme periode, typisk en måned. Ved at følge hver kohorte måned for måned kan du se, hvordan dækningsbidraget vokser efter anskaffelsen — og dermed hvornår CAC reelt er betalt tilbage, i stedet for at gætte ud fra et gennemsnit.

Opsætningen kræver kun tre datafelter pr. ordre: kunde-ID, ordredato og dækningsbidrag på ordren. Med det kan du bygge en tabel med kohortemåned i rækkerne og måneder siden anskaffelse i kolonnerne, hvor hver celle er det akkumulerede dækningsbidrag for den kohorte frem til den måned.

Formlerne herunder er skrevet til Google Sheets/Excel og forudsætter et regneark med en rå ordreliste i et faneblad kaldet Ordrer, med kolonnerne KundeID, OrdreDato og DB (dækningsbidrag).

// Faneblad "Kohorter": find hver kundes første ordremåned
=ARRAYFORMULA(TEKST(MINHVIS(Ordrer!B:B; Ordrer!A:A; A2); "ÅÅÅÅ-MM"))

// Antal måneder siden anskaffelse for en given ordre
=DATEDIF(FørsteOrdreDato; OrdreDato; "m")

// Akkumuleret dækningsbidrag pr. kohorte og måneds-offset (pivottabel-logik som SUMPRODUCT)
=SUMPRODUCT((KohorteMåned=$A2)*(MånederSiden<=B$1)*DB)

// CAC for kohorten (fra samme måneds marketingomkostning / antal nye kunder i kohorten)
=Marketingomkostning_måned / ANTALHVIS(KohorteMåned; A2)

// Payback-status: er akkumuleret DB >= CAC for kohorten?
=HVIS(AkkumuleretDB>=CAC; "Tilbagebetalt"; "Ikke tilbagebetalt endnu")

CAC pr. kanal og blended vs. paid CAC

Der findes reelt to CAC-tal, og de bruges til hver deres formål. Blended CAC er samlet marketingomkostning (alt: løn, bureau, alle kanaler) divideret med alle nye kunder — også dem der kom via organisk søgning, direkte trafik eller word of mouth. Det er tallet, der styrer din likviditet, fordi det svarer til, hvad hver ny kunde reelt koster virksomheden.

Paid CAC pr. kanal isolerer forbrug og kunder fra én kanal ad gangen: Google Ads-forbrug divideret med kunder tilskrevet Google Ads, Meta-forbrug divideret med kunder tilskrevet Meta. Det er nyttigt til at sammenligne kanalernes indbyrdes effektivitet, men det har et indbygget problem: platforme tilskriver sig selv salg, der også kan tilskrives andre kanaler, så summen af paid CAC på tværs af kanaler typisk giver et lavere tal, end blended CAC reelt viser.

En praktisk tommelfingerregel: brug blended CAC til at besvare "har vi råd til at vokse i dette tempo", og brug paid CAC pr. kanal til at besvare "hvor skal det næste budget hen". Bland ikke de to sammen i samme sætning uden at sige hvilken du mener.

Hold også nye og eksisterende kunder adskilt pr. kanal. Retargeting-kampagner har ofte en kunstigt lav CAC, fordi de i høj grad rammer folk, der alligevel ville have købt — det er præcis det, en inkrementalitetstest kan afsløre, men uden en test bør retargeting-CAC aldrig sammenlignes direkte med prospekteringskampagners CAC.

Hvad LTV:CAC faktisk fortæller dig

Forholdet mellem levetidsværdi og anskaffelsesomkostning er den mest brugte måde at vurdere, om en forretningsmodel kan bære sin egen vækst. BCG gjorde forholdet kendt som det centrale nøgletal for abonnementsforretninger, og logikken holder også for e-handel og servicevirksomheder.

Tommelfingerreglen om 3:1 stammer fra investormiljøet og er ikke en officiel standard. Den er nyttig som pejlemærke, men den siger intet om din likviditet: et forhold på 4:1 med 18 måneders payback kan sagtens presse en virksomhed hårdere end 2,5:1 med to måneders payback.

Brug derfor altid de to nøgletal sammen. Forholdet fortæller om forretningen er sund på sigt. Payback fortæller, hvor hurtigt du kan geninvestere, og dermed hvor hurtigt du kan vokse uden at låne penge til det.

Fra break-even til budmål i Meta og Google

Når break-even ROAS og break-even CAC er regnet ud, kan de omsættes direkte til bud i annoncekontiene i stedet for at styre efter et gæt. Google Ads' målsætning tROAS (target return on ad spend) og value-based bidding lader dig sætte et konkret målforhold mellem værdi og forbrug, som algoritmen byder ud fra. Sæt målet lig med eller en anelse over dit regnede break-even ROAS, ikke under.

Meta arbejder tilsvarende med value optimisation, hvor annoncesættet optimeres mod den værdi, du sender ind (typisk dækningsbidrag eller ordreværdi pr. konvertering), i stedet for blot antal konverteringer. Send derfor dækningsbidrag, ikke ordreværdi, som værdiparameter, hvis din vareomkostning varierer meget på tværs af produkter — ellers optimerer algoritmen mod omsætning og genskaber præcis det ROAS-problem, artiklen startede med.

En praktisk model: sæt et "gulv"-mål lig break-even (for eksempel tROAS 2,6 i regneeksemplet ovenfor), og et "vækstloft"-mål et stykke over break-even, som du kun skruer op for, når likviditeten og payback-perioden tillader det. Mellem de to niveauer er der plads til test; under gulvet bør budgettet aktivt skæres ned, uanset hvor godt volumen ser ud.

Husk at bud- og værdimål typisk skal have tid til at stabilisere sig efter en ændring, fordi algoritmerne skal lære det nye mål at kende. Store spring i målet mere end en gang om ugen gør det svært at vurdere, om et dårligt resultat skyldes målet eller blot indkøringen.

Likviditet og vækstloftet

Payback-perioden sætter en hastighedsgrænse for, hvor hurtigt en virksomhed kan vokse uden ekstern kapital. Har du en payback på tre måneder, betyder det, at penge brugt på marketing i januar tidligst er tilbage i marts — og først derefter kan geninvesteres i endnu flere nye kunder uden at låne.

Det skaber et naturligt vækstloft: uden ekstern finansiering kan omsætningsvæksten i annoncedrevet kundeanskaffelse ikke overstige det, dit dækningsbidrag kan finansiere inden for payback-perioden. Vil du vokse hurtigere end det, kræver det enten kortere payback (bedre dækningsgrad, hurtigere genkøb), en kreditlinje, eller ekstern kapital — og alle tre bør være en bevidst beslutning, ikke en konsekvens man opdager for sent.

Payback-kurven visualiserer netop dette: hvor lang tid der går, før den akkumulerede indtjening fra en kundekohorte har indhentet anskaffelsesomkostningen, og hvor stejlt kurven flader ud derefter. En kurve der aldrig krydser CAC-linjen betyder, at kanalen eller segmentet reelt ikke er selvfinansierende inden for den periode, du kan overskue.

Byg en simpel likviditetsprognose: forventet marketingforbrug de næste tre måneder minus forventet tilbagebetalt dækningsbidrag fra samme periodes nye kunder. Er tallet konsekvent negativt i mere end én payback-periode i træk, vokser virksomheden hurtigere, end dens egen kassebeholdning kan bære.

B2B og lead-varianten: fra lead til SQL til kunde

I B2B og andre lead-baserede forretninger findes der ikke en enkelt "ordre" at regne CAC ud fra. I stedet løber værdien gennem en tragt: marketing qualified lead (MQL) → sales qualified lead (SQL) → kunde. CAC skal regnes for hele tragten, ikke kun for det øverste led, ellers ser marketing kunstigt billig ud, mens salgsafdelingens tidsforbrug forsvinder fra regnestykket.

Den praktiske metode: tag samlet omkostning (annonceforbrug, marketingløn og den andel af salgstid der bruges på at kvalificere og lukke leads), og divider med antal nye kunder i perioden — ikke med antal leads eller antal MQL'er. Brug konverteringsraterne mellem hvert led til at se, hvor i tragten CAC reelt opstår, og hvor der er mest at hente ved forbedring.

LTV i B2B regnes typisk over en kontraktperiode eller en forventet kunderelation målt i år, og bør ligesom i e-handel bygges på dækningsbidrag: kontraktværdi minus leveringsomkostning, support og eventuel provision — ikke på den fulde kontraktsum.

Payback bliver ofte den mest afgørende metrik i B2B, fordi salgscyklussen i sig selv forsinker tilbagebetalingen. En kunde der lukkes efter fire måneders salgsproces og betaler kvartalsvis kan sagtens have en payback på over et år, selv med et fornuftigt LTV:CAC-forhold — og det skal indregnes i, hvor aggressivt marketing kan investere i toppen af tragten.

Fem regnefejl der får dårlige tal til at se gode ud

1. 1Kun annonceforbrug i CACBureauhonorar, værktøjer, produktion af kreativ og rabatkoder hører med, hvis du vil kende den reelle omkostning. Beslut hvilken definition du bruger, og hold fast i den over tid.
2. 2Nye og eksisterende kunder blandes sammenGenkøb fra eksisterende kunder må ikke tælle med i nævneren. Gør de det, falder CAC kunstigt, og du overvurderer effekten af markedsføringen.
3. 3For lang horisont på LTVEn levetidsværdi over tre år kræver tre års data. Har du dem ikke, så regn på 6 eller 12 måneder — det er kedeligt, men det er sandt.
4. 4Returneringer glemmesI kategorier med høj returrate kan forskellen mellem bruttoordrer og nettoordrer være hele forskellen mellem overskud og underskud.
5. 5Platformens konverteringer bruges som kunderMeta og Google tæller hver især deres egne bidrag. Brug antal reelle ordrer fra shoppen eller CRM som nævner, ellers dividerer du med et for stort tal.

Hvad du gør, når tallene er dårlige

Første reaktion, når CAC overstiger LTV, er ofte at skære i annoncebudgettet. Det er sjældent den rigtige første knap at dreje på, fordi det kun bremser skaden uden at rette årsagen. Start i stedet med at identificere, hvilket af de fire grundtal der reelt er problemet: er det anskaffelsesomkostningen, dækningsgraden, genkøbsraten, eller er horisonten for LTV sat for optimistisk?

Er dækningsgraden problemet, ligger den hurtigste vej til forbedring sjældent i marketing: prisjusteringer, forhandlet fragtaftale, reduceret returrate gennem bedre produktbilleder og størrelsesguider, eller simpelthen at skære de mindst lønsomme varer fra annoncesortimentet.

Er genkøbsraten problemet, er svaret typisk billigere end nye annoncer: e-mail-flows til eksisterende kunder, et loyalitetsprogram, eller produktanbefalinger der matcher, hvad kunden allerede har købt. Disse tiltag har desuden den fordel, at de ikke afhænger af auktionspriser i Meta og Google.

Er anskaffelsesomkostningen selve problemet, og de øvrige tal er sunde, er den rigtige reaktion ofte at skære budgettet ned til det niveau, hvor CAC igen er under det, forretningen kan bære — ikke at slukke helt. Et skarpere segment med lavere volumen og bedre CAC er næsten altid at foretrække frem for et bredt segment, der blot udvander tallet.

Uanset årsagen: lav ændringen ét sted ad gangen. Ændrer du pris, fragt og bud samtidig, ved du bagefter ikke, hvilken af dem der løste eller forværrede problemet, og du er tilbage til at gætte.

Måletårshjul: hvad du tjekker hver uge og hver måned

Unit economics er ikke noget, man regner ud én gang og lægger fra sig. Priser, fragtaftaler, returrater og annonceomkostninger flytter sig løbende, og et fast tårshjul sikrer, at du opdager det, før det bliver et problem i regnskabet.

Ugentligt er formålet at fange akutte udsving: forbrug, ordrer og et groft CAC-estimat pr. kanal. Månedligt er formålet at genberegne de tal, der kræver mere data for at være stabile: dækningsgrad, kohorte-payback og genkøbsrate. Kvartalsvis er formålet at udfordre selve forudsætningerne: er varekøbspriser, fragtaftaler og returrater stadig de samme som sidst du regnede dem ud?

Sådan bruger du tallene i det daglige arbejde