Calcolare l'LTV

La formula LTV più utilizzata moltiplica il ricavo medio per utente per il margine lordo, quindi divide il risultato per il tasso di churn.

Dividere per il churn equivale matematicamente a moltiplicare per la durata media, quindi questa singola riga combina ricavi, redditività e retention.

Supponete che un servizio di streaming chieda 12 al mese, abbia un margine lordo del 70% e perda il 4% degli abbonati ogni mese.

Inserendo questi valori nella formula otterrete un LTV chiaro e difendibile, che potrete confrontare direttamente con il costo di acquisizione.

ARPU e churn devono usare la stessa unità di tempo. Mescolare un ARPU mensile con un churn annuale produce risultati completamente errati.

Per i prodotti in abbonamento, il mese è l'unità naturale. Per la vendita al dettaglio, spesso è più adatto un periodo annuale, perché gli acquisti sono sporadici. Scegliete un'unità e applicatela coerentemente a ogni input.

Le aziende che non operano in abbonamento calcolano LTV in base al comportamento d'acquisto: valore medio dell'ordine, frequenza di acquisto e durata del rapporto con il cliente.

Questa versione è adatta all'e-commerce e alla vendita al dettaglio, dove non esiste un canone ricorrente, ma solo acquisti discrezionali ripetuti.

Per i clienti di lunga durata, il margine futuro dovrebbe essere scontato al valore attuale. La formula corretta divide il margine ricorrente per il churn più il tasso di sconto.

In questo modo si ottiene un LTV più prudente, considerato affidabile dai team finanziari, soprattutto quando la durata del rapporto supera i due o tre anni.

Anziché utilizzare una sola formula, l'analisi per coorti segue gruppi di clienti acquisiti nello stesso mese e rappresenta graficamente il margine cumulativo nel tempo.

La curva in genere cresce rapidamente e poi si appiattisce. Estrarre la tendenza della coda appiattita fornisce un LTV empirico, fondato sul comportamento reale anziché su un'unica ipotesi di churn.

Il churn reale è raramente costante. I nuovi clienti abbandonano più rapidamente, mentre quelli che rimangono diventano sempre più fedeli; perciò un tasso di churn fisso sottostima il valore a lungo termine.

Le curve di sopravvivenza o le tabelle della retention mensile catturano questo andamento. Moltiplicando il margine del periodo per il numero di clienti ancora attivi in ciascun periodo si ottiene una somma più accurata.

I team più avanzati usano modelli probabilistici come BG/NBD per la frequenza di acquisto e Gamma-Gamma per il valore della spesa.

Questi modelli statistici stimano, per ogni cliente, la probabilità che sia ancora attivo e il numero atteso di transazioni future, producendo previsioni di LTV individuali anziché una singola media.

Verifichi sempre l'LTV calcolato con una formula confrontandolo con i dati storici delle coorti. Se la formula prevede 400, ma nessuna coorte ha mai superato 250, gli input sono errati.

I responsabili più comuni sono ipotesi di churn troppo ottimistiche e l'uso dei ricavi al posto del margine. Un LTV plausibile supera questo confronto.

Una volta calcolato, LTV stabilisce il CAC obiettivo. Dividendo LTV per il rapporto LTV:CAC desiderato si ottiene il costo massimo di acquisizione redditizio.

Se LTV è 210 e desidera un rapporto di 3:1, il limite massimo del CAC è 70. Offerte, budget e scelta dei canali dipendono tutti da questo unico limite calcolato.

Ogni valore di LTV è valido solo quanto le ipotesi su cui si basa. Annoti accanto al valore il periodo di riferimento, la fonte del margine, la definizione di churn e il tasso di sconto.

Questa trasparenza consente ai team di confrontare LTV tra prodotti e periodi e impedisce che modifiche non dichiarate agli input gonfino silenziosamente la metrica.

Applichi la formula standard dell'LTV per gli abbonamenti.

La formula principale è ARPU x margine x (1 / churn), utilizzando unità di tempo coerenti. Le aziende che operano per transazioni usano invece AOV, frequenza e durata del rapporto con il cliente.

Aggiunga un tasso di sconto per i rapporti di lunga durata, verifichi il risultato rispetto alle curve delle coorti e documenti ogni ipotesi. I modelli probabilistici estendono questo approccio all'LTV per singolo cliente, che la lezione successiva utilizza per la segmentazione.