计算 LTV

最常用的 LTV 公式，是将平均用户收入乘以毛利率，再除以流失率。

除以流失率在数学上等同于乘以平均生命周期，因此这一行公式同时概括了收入、盈利能力和留存率。

假设某流媒体服务每月收费 12，毛利率为 70%，并且每月有 4% 的订阅者流失。

将这些数值代入公式，就能得到清晰且有依据的 LTV，并可以直接与获客成本进行比较。

ARPU 和流失率必须使用相同的时间单位。将月度 ARPU 与年度流失率混用，会产生严重错误的结果。

对于订阅产品，按月计算很自然。对于零售业务，按年计算通常更合适，因为购买并不频繁。请选择一个单位，并在每个输入项中保持一致。

非订阅型企业会根据购买行为计算客户终身价值：平均订单金额、购买频率和客户生命周期。

这种方法适用于没有 recurring fee、只有重复自主购买行为的电子商务和零售业务。

对于生命周期较长的客户，应将未来毛利折算为现值。调整后的公式会用持续毛利除以流失率加折现率。

这样得到的客户终身价值更加保守，财务团队更认可，尤其适用于客户生命周期超过两三年的情况。

同期群分析并不依赖单一公式，而是跟踪在同一个月获取的客户群组，并绘制其随时间累积的毛利。

这条曲线通常会先快速上升，然后趋于平缓。对逐渐平坦的尾部进行外推，可以得到以真实行为为基础的经验型客户终身价值，而不是依赖单一的流失假设。

真实的客户流失率很少保持恒定。新客户的流失速度最快，而留存下来的客户会越来越忠诚，因此固定流失率会低估长期价值。

生存曲线或按月留存表可以呈现这种变化形态。将每期毛利乘以该期仍留存的客户数，再求和，可以得到更准确的结果。

高级团队会使用 BG/NBD 等概率模型预测购买频率，并使用伽马-伽马模型预测消费价值。

这些统计模型会针对每位客户估计其仍在留存的概率以及未来预期交易次数，从而生成每位客户的客户终身价值预测，而不是只有一个平均值。

始终要将基于公式计算的客户终身价值与历史同期群数据进行交叉验证。如果公式预测值为 400，但从未有任何同期群超过 250，那么输入数据就是错误的。

常见原因包括过于乐观的流失假设，以及使用收入而不是毛利。可信的客户终身价值应当经得起这种核对。

计算出客户终身价值后，就可以据此设定目标客户获取成本。将客户终身价值除以期望的客户终身价值与客户获取成本比率，就能得到最高的盈利性获客成本。

如果客户终身价值为 210，目标比率为 3:1，那么客户获取成本上限就是 70。出价、预算和渠道选择都由这个推导出的上限决定。

每个客户终身价值数值的准确性都取决于背后的假设。应在记录数值的同时记录时间范围、毛利来源、流失定义和折现率。

这种透明度能让团队比较不同产品和不同时期的客户终身价值，也能防止输入数据在无人察觉的情况下发生变化并悄悄抬高指标。

应用标准订阅型客户终身价值公式。

核心公式是 ARPU × 毛利率 ×（1 / 流失率），并且所有时间单位必须保持一致。交易型企业则使用 AOV、频率和生命周期。

对于生命周期较长的客户，应加入折现率；通过同期群曲线进行验证，并记录每一项假设。概率模型可以进一步计算每位客户的客户终身价值，下一课将使用它进行细分。