Menghitung LTV

Rumus LTV yang paling banyak digunakan mengalikan pendapatan rata-rata per pengguna dengan margin kotor, lalu membaginya dengan tingkat penghentian pelanggan.

Membagi dengan tingkat penghentian pelanggan secara matematis setara dengan mengalikan masa hidup rata-rata, sehingga satu baris ini merangkum pendapatan, profitabilitas, dan retensi sekaligus.

Misalkan sebuah layanan streaming mengenakan biaya 12 per bulan, memiliki margin kotor 70%, dan kehilangan 4% pelanggannya setiap bulan.

Dengan memasukkan angka-angka ini ke dalam rumus, Anda mendapatkan LTV yang jelas dan dapat dipertanggungjawabkan untuk dibandingkan langsung dengan biaya akuisisi.

ARPU dan tingkat penghentian pelanggan harus menggunakan satuan waktu yang sama. Mencampur ARPU bulanan dengan tingkat penghentian tahunan menghasilkan angka yang sangat keliru.

Untuk produk langganan, periode bulanan adalah pilihan alami. Untuk ritel, periode tahunan sering kali lebih sesuai karena pembelian berlangsung tidak teratur. Pilih satu satuan dan terapkan secara konsisten pada setiap masukan.

Bisnis nonlangganan menghitung LTV dari perilaku pembelian: nilai pesanan rata-rata, frekuensi pembelian, dan masa hidup pelanggan.

Versi ini cocok untuk perdagangan elektronik dan ritel yang tidak memiliki biaya berulang, melainkan hanya pembelian berulang berdasarkan keinginan pelanggan.

Untuk pelanggan dengan masa hidup panjang, margin masa depan perlu didiskontokan menjadi nilai kini. Rumus yang disesuaikan membagi margin berkelanjutan dengan churn ditambah tingkat diskonto.

Hasilnya adalah LTV yang lebih konservatif dan dapat dipercaya oleh tim keuangan, terutama ketika masa hidup pelanggan melampaui dua atau tiga tahun.

Alih-alih menggunakan satu rumus, analisis kohort melacak kelompok pelanggan yang diperoleh pada bulan yang sama dan memetakan margin kumulatif dari waktu ke waktu.

Kurvanya biasanya naik tajam lalu mendatar. Mengekstrapolasi bagian ekor yang mendatar menghasilkan LTV empiris yang berlandaskan perilaku nyata, bukan satu asumsi churn.

Churn nyata jarang bersifat konstan. Pelanggan baru paling cepat berhenti, sementara pelanggan yang bertahan menjadi semakin loyal, sehingga tingkat churn tetap meremehkan nilai jangka panjang.

Kurva kelangsungan hidup atau tabel retensi per bulan dapat menangkap bentuk ini. Mengalikan margin per periode dengan jumlah pelanggan yang bertahan pada setiap periode menghasilkan total yang lebih akurat.

Tim tingkat lanjut menggunakan model probabilistik seperti BG/NBD untuk frekuensi pembelian dan Gamma-Gamma untuk nilai pembelanjaan.

Model statistik ini memperkirakan, untuk setiap pelanggan, kemungkinan pelanggan tersebut masih aktif serta transaksi masa depan yang diharapkan, sehingga menghasilkan prediksi LTV individual, bukan satu nilai rata-rata.

Selalu bandingkan LTV berbasis rumus dengan data kohort historis. Jika rumus memprediksi 400, tetapi tidak ada kohort yang pernah melampaui 250, berarti ada masukan yang salah.

Penyebab umumnya adalah asumsi churn yang terlalu optimistis dan penggunaan pendapatan alih-alih margin. LTV yang masuk akal akan tetap konsisten setelah dibandingkan seperti ini.

Setelah dihitung, LTV menentukan target CAC. Membagi LTV dengan rasio LTV:CAC yang diinginkan menghasilkan biaya akuisisi maksimum yang tetap menguntungkan.

Jika LTV adalah 210 dan Anda menginginkan rasio 3:1, batas CAC Anda adalah 70. Tawaran, anggaran, dan pilihan kanal semuanya ditentukan oleh batas yang diturunkan ini.

Setiap angka LTV hanya sebaik asumsi yang mendasarinya. Catat periode waktu, sumber margin, definisi churn, dan tingkat diskonto bersama angka tersebut.

Transparansi ini memungkinkan tim membandingkan LTV di berbagai produk dan waktu, serta mencegah perubahan masukan yang tidak tercatat diam-diam menaikkan metrik.

Terapkan rumus LTV langganan standar.

Rumus utamanya adalah ARPU x margin x (1 / churn), dengan satuan waktu yang konsisten. Bisnis berbasis transaksi menggunakan AOV, frekuensi, dan masa hidup pelanggan sebagai gantinya.

Tambahkan tingkat diskonto untuk masa hidup yang panjang, validasi dengan kurva kohort, dan dokumentasikan setiap asumsi. Model probabilistik memperluasnya menjadi LTV per pelanggan, yang digunakan pelajaran berikutnya untuk segmentasi.