Obliczanie LTV

Najczęściej stosowany wzór na LTV mnoży średni przychód na użytkownika przez marżę brutto, a następnie dzieli wynik przez wskaźnik odpływu.

Dzielenie przez wskaźnik odpływu jest matematycznie równoważne mnożeniu przez średni czas życia, dlatego ten jeden wiersz łączy przychód, rentowność i retencję.

Załóżmy, że usługa streamingowa pobiera opłatę 12 miesięcznie, ma marżę brutto na poziomie 70% i traci 4% subskrybentów każdego miesiąca.

Po podstawieniu tych wartości do wzoru otrzymują Państwo przejrzyste i uzasadnione LTV, które można bezpośrednio porównać z kosztem pozyskania.

ARPU i wskaźnik odpływu muszą korzystać z tej samej jednostki czasu. Połączenie miesięcznego ARPU z rocznym wskaźnikiem odpływu prowadzi do bardzo błędnych wyników.

W przypadku produktów subskrypcyjnych naturalnym wyborem jest miesiąc. W handlu detalicznym lepiej często sprawdza się rok, ponieważ zakupy są nieregularne. Należy wybrać jedną jednostkę i konsekwentnie stosować ją dla wszystkich danych wejściowych.

Firmy nieabonamentowe obliczają LTV na podstawie zachowań zakupowych: średniej wartości zamówienia, częstotliwości zakupów i długości relacji z klientem.

Ta wersja sprawdza się w e-commerce i handlu detalicznym, gdzie nie ma opłaty cyklicznej, a jedynie powtarzające się, dobrowolne zakupy.

W przypadku klientów pozostających długo w relacji przyszłą marżę należy zdyskontować do wartości bieżącej. Skorygowany wzór dzieli bieżącą marżę przez sumę churn i stopy dyskontowej.

Daje to bardziej konserwatywną wartość LTV, której zespoły finansowe bardziej ufają, szczególnie gdy relacja z klientem trwa dłużej niż dwa lub trzy lata.

Zamiast korzystać z jednego wzoru, analiza kohort śledzi grupy klientów pozyskanych w tym samym miesiącu i przedstawia skumulowaną marżę w czasie.

Krzywa zazwyczaj szybko rośnie, a następnie się wypłaszcza. Ekstrapolacja wypłaszczającego się ogona daje empiryczną wartość LTV opartą na rzeczywistych zachowaniach, a nie na jednym założeniu dotyczącym churn.

Rzeczywisty churn rzadko jest stały. Nowi klienci odchodzą najszybciej, a osoby pozostające w relacji stają się coraz bardziej lojalne, dlatego stały wskaźnik churn zaniża wartość długoterminową.

Krzywe przeżycia lub miesięczne tabele retencji pokazują ten kształt. Pomnożenie marży za dany okres przez liczbę klientów pozostających w każdym okresie daje dokładniejszą sumę.

Zaawansowane zespoły korzystają z modeli probabilistycznych, takich jak BG/NBD do modelowania częstotliwości zakupów i Gamma-Gamma do modelowania wartości wydatków.

Te modele statystyczne szacują dla każdego klienta prawdopodobieństwo, że nadal pozostaje aktywny, oraz oczekiwaną liczbę przyszłych transakcji, tworząc indywidualne prognozy LTV zamiast jednej średniej.

Zawsze należy porównać LTV obliczone na podstawie wzoru z historycznymi danymi kohortowymi. Jeśli wzór przewiduje wartość 400, ale żadna kohorta nigdy nie przekroczyła 250, dane wejściowe są nieprawidłowe.

Typowymi przyczynami są zbyt optymistyczne założenia dotyczące churn oraz użycie przychodu zamiast marży. Wiarygodna wartość LTV przechodzi taką weryfikację.

Po obliczeniu LTV wyznacza docelowy CAC. Podzielenie LTV przez pożądany współczynnik LTV:CAC daje maksymalny opłacalny koszt pozyskania klienta.

Jeśli LTV wynosi 210, a pożądany współczynnik to 3:1, limit CAC wynosi 70. Stawki, budżety i wybór kanałów wynikają z tego jednego obliczonego limitu.

Każda wartość LTV jest tak dobra, jak jej założenia. Wraz z wynikiem należy zapisać okres, źródło danych o marży, definicję churn oraz stopę dyskontową.

Taka przejrzystość pozwala zespołom porównywać LTV między produktami i w czasie, a także zapobiega niezauważonemu zawyżaniu wskaźnika przez ciche zmiany danych wejściowych.

Podstawowy wzór to ARPU x marża x (1 / churn), przy zachowaniu spójnych jednostek czasu. Firmy działające w oparciu o transakcje wykorzystują zamiast tego AOV, częstotliwość zakupów i długość relacji z klientem.

W przypadku długich relacji należy dodać stopę dyskontową, zweryfikować wynik na podstawie krzywych kohortowych i udokumentować każde założenie. Modele probabilistyczne rozszerzają to podejście na LTV poszczególnych klientów, które będzie wykorzystywane do segmentacji w następnej lekcji.