LTV

Материал из Самая полная в Рунете энциклопедия интернет-маркетинга
Перейти к навигации Перейти к поиску


LTV (от англ. lifetime value, «пожизненная ценность клиента»; в литературе также CLV и CLTV) это приведённая стоимость денег, которые клиент приносит компании за всё время отношений с ней. Считают её по марже, а не по обороту: клиент, чей оборот целиком уходит на закупку и доставку, ценности не создаёт.

Метрика нужна ради одного решения: она задаёт верхнюю границу того, сколько разумно заплатить за привлечение, и потому почти никогда не появляется в отчёте одна: рядом стоит стоимость привлечения клиента. Систему расчёта целиком, вместе с маржинальной прибылью, постоянными затратами и точкой безубыточности, разбирает статья Юнит-экономика, а здесь речь про саму метрику.

Единой формулы у LTV нет. Питер Фейдер и Брюс Харди, авторы работ по анализу клиентской базы, формулируют это прямо: «there is no "one formula" that can be used to compute customer lifetime value». В ходу их несколько. На одних и тех же данных они дают разные числа, и разрыв между крайними значениями измеряется десятками процентов.

Чем LTV отличается от соседних показателей

Средний чек это деньги одной покупки. ARPU это средний доход на пользователя за период, чаще всего за месяц. LTV суммирует всю историю клиента и добавляет к ней предположение о будущем, поэтому напрямую с чеком и с ARPU он не сравнивается.

Отдельно разводятся две величины, которые по-русски называют одним словом «удержание». Retention rate это доля клиентов, оставшихся из тех, кто мог уйти, а repeat rate это доля покупателей периода, купивших и в следующем периоде: первая требует наблюдаемого момента ухода, вторая обходится фактом покупки. Подставлять вторую вместо первой нельзя, и ниже сказано, чем это кончается.

От юнит-экономики LTV отличается размером предмета. Юнит-экономика это система: выручка, переменные затраты, маржа, привлечение, окупаемость. LTV один из её входов, причём самый спорный, потому что единственный смотрит в будущее.

Откуда взялось

Экономический довод в пользу удержания клиентов сформулировали Фредерик Райхельд и Эрл Сассер в статье «Zero Defections: Quality Comes to Services», Harvard Business Review, сентябрь-октябрь 1990 года. Bain & Company, компания Райхельда, воспроизводит вывод статьи так: удержав на 5 % больше клиентов, компания увеличивает прибыль почти вдвое. Там же разобран случай эмитента карт MBNA America, где доля уходящих клиентов держалась на уровне 5 % в год, вдвое ниже отраслевой.

Считать эту ценность в деньгах начали в директ-маркетинге. К 1998 году накопленных подходов хватило на обзор: Пол Берже и Нада Наср свели их в набор математических моделей в статье «Customer Lifetime Value: Marketing Models and Applications». Определение, к которому отрасль пришла позже, дали Пфайфер, Хаскинс и Конрой в 2005 году: приведённая стоимость будущих денежных потоков, отнесённых к отношениям с клиентом.

В 2006 году коллектив авторов во главе с Сунилом Гуптой выпустил обзор «Modeling Customer Lifetime Value» в Journal of Service Research. В нём разобраны шесть подходов к моделированию, от RFM до вероятностных и эконометрических моделей, так что множественность способов заложена в предмете с самого начала.

Как это устроено

Простой способ

Самая распространённая формула перемножает три числа: 

LTV = средний чек * маржинальность * число покупок за срок жизни клиента

Срок жизни при постоянном удержании считается как единица, делённая на долю ушедших: 

средний срок жизни = 1 / (1 - удержание)

Способ хорош тем, что считается на салфетке и требует только данных из кассы, и плох тем, что все три входа берутся средними по базе, а горизонт назначается вручную. Именно он стоит почти во всех глоссариях, и он же чаще всего расходится с фактом.

Когортный

Основой служит накопленная маржа когорты, то есть группы клиентов, пришедших в один месяц. По оси времени откладывают месяцы жизни когорты, по значению кумулятивную маржу на одного её участника. Так устроен когортный отчёт AppMetrica: когорта собирается по дате установки, партнёру, гео или версии приложения, а показателем служит ARPU как отношение накопленной выручки к числу участников.

Плюс способа в том, что он опирается на факт, а не на допущение, минус в том, что он систематически занижает: пока когорта жива, её накопленная маржа не закончилась.

С дисконтированием

Деньги завтрашние стоят дешевле сегодняшних, и при горизонте в три года это перестаёт быть теорией. Формула с бесконечным горизонтом, удержанием r и ставкой дисконтирования d выглядит так: 

E(LTV) = m * (1 + d) / (1 + d - r)

Здесь m это чистый денежный поток за период. Обзор Гупты и соавторов записывает ту же идею через множитель к марже, r / (1 + i - r): при удержании 90 % и ставке 12 % множитель равен примерно четырём. Способ нужен там, где деньги привлечены под процент, и избыточен там, где клиент окупается за квартал.

Прогнозный

Четвёртый путь отдаёт расчёт модели, которая учится на поведении пользователей. В Google Analytics 4 это набор предиктивных метрик: вероятность покупки, вероятность оттока и прогнозируемая выручка. Порог входа документирован: за последние 28 дней нужен семидневный отрезок, где не меньше тысячи вернувшихся пользователей совершили целевое действие и не меньше тысячи не совершили. Упало качество модели ниже порога, обновление прогнозов останавливается.

У Яндекса аналогичный инструмент называется «Предикты LTV и оттока» и работает в AppMetrica с 6 марта 2024 года. На выходе он даёт разряды, а не рубли на человека: топ-5 %, топ-20 %, топ-50 % платящих пользователей и нижние 50 %. Для распределения бюджета этого достаточно, для строки в финансовой модели нет.

Почему четыре способа дают разные числа

Фейдер и Харди показывают расхождение на одних входных данных: удержание 80 % в год, ставка дисконтирования 10 %. Средний срок жизни клиента при таком удержании равен пяти годам. Дальше начинается развилка, а m везде ниже это чистый денежный поток за период.

  • Пять лет с учётом удержания и дисконта дают 2,92 m.
  • Бесконечный горизонт по формуле выше даёт 3,67 m.
  • Пять лет в предположении, что доживают все, дают 4,17 m.

Разница между крайними значениями 43 %. Первый вариант занижает, потому что теряет из виду 32,8 % клиентов, живущих дольше среднего срока, а третий завышает, потому что делает вид, будто не уходит никто. Есть и четвёртое число: когда деньги периода признают в его конце, а не в начале, та же арифметика даёт 3,33 m.

Второй источник расхождения тоньше и стоит дороже. Формула может включать первую сделку, а может начинать отсчёт со второй. В первом случае получается ценность ещё не привлечённого клиента, во втором только что привлечённого. Числа отличаются на целый первый заказ, и почти ни один вводный текст этой разницы не оговаривает. Сравнивать со стоимостью привлечения корректно только первую версию.

Третий источник это горизонт. Формула с конечным пределом суммирования отвечает на вопрос о приведённой стоимости клиента за столько-то периодов, и пожизненной ценности в ней нет. Фейдер и Харди предлагают так её и называть, усечённой.

Что делать на практике

  1. Записать методику до первого расчёта: горизонт, ставку дисконтирования, включена ли первая сделка, маржа до налога или после. Без такой записи следующий расчёт окажется несопоставим с текущим.
  2. Считать по когортам, а не по всей базе. Средний LTV смешивает клиента с трёхлетней историей и вчерашнего новичка.
  3. Проверить, контрактная ли у вас среда. Подписка, страхование, аренда дают наблюдаемый момент ухода. Розница, доставка еды, торговля на маркетплейсах его не дают, и формулы с удержанием там неприменимы в исходном виде.
  4. Вычесть из чека всё переменное: логистику, эквайринг, возвраты, обслуживание.
  5. Горизонт задавать деньгами, а не оптимизмом. Практический предел ставят срок, на который привлечено финансирование, и цикл жизни товара.
  6. Сверять прогноз с фактом раз в квартал: прошлогодняя когорта уже прожила год, и её реальная кривая либо подтверждает модель, либо опровергает.

С какими метриками LTV делит числа

Метрики маркетинга собираются из пересекающихся чисел, и подкрутка одного входа расходится по всему отчёту.

  • Стоимость привлечения клиента. Делит с LTV маржу и определение нового клиента. Отношение одного к другому это и есть проверка окупаемости; ориентиры по этому отношению разобраны в статье Юнит-экономика.
  • ROMI. Делит маржу и период. Считается по факту прошедшего периода, поэтому на удлинение горизонта LTV не реагирует вовсе.
  • ДРР. Делит выручку. Через LTV задаётся допустимая доля рекламных расходов: чем длиннее оплаченный горизонт, тем выше разрешённый ДРР на первую покупку.
  • Цена лида и цена клика. Стоят раньше по цепочке и в LTV не входят, но именно через них считается предельная ставка в аукционе.
  • Конверсия и длина цикла. Живут в статье Воронка продаж и решают, сколько лидов дойдёт до тех самых клиентов, чью ценность мы считаем.
  • Источники данных. Кривую удержания собирает когортный анализ, склейку рекламы с продажами сквозная аналитика, поведение на сайте веб-аналитика.

Отсюда самый дешёвый способ улучшить окупаемость на бумаге. Удлинили горизонт расчёта с года до трёх, и LTV вырос, отношение к стоимости привлечения улучшилось, допустимый ДРР поднялся, бюджет утвердили. ROMI за тот же период не сдвинулся ни на копейку, потому что считается по деньгам, которые уже пришли. Расхождение между этими двумя отчётами почти всегда означает, что кто-то поменял горизонт.

Когда LTV бесполезен

Метрику считают по привычке и там, где она не несёт информации.

Разовая по своей природе услуга. Установка памятника, свадебная съёмка, оформление наследства, замена окон в квартире. Повторной покупки не будет по устройству спроса, а не по вине сервиса, и решение принимается по марже первой сделки и по доле обращений от рекомендаций.

Молодой бизнес без накопленной истории. Через полгода работы данных на кривую удержания нет, и любой «трёхлетний LTV» это гипотеза, записанная цифрами. Ориентир масштаба задают требования прогнозных моделей: тысяча и тысяча пользователей за 28 дней в GA4 это тот объём, при котором алгоритм берётся прогнозировать.

Мало клиентов в когорте. При тридцати новых клиентах в месяц случайный разброс перекрывает измеряемый эффект, когортный график читается как шум, и вместо LTV работают более грубые показатели: маржа первого заказа, доля вторых покупок, срок до второй покупки.

Продавец не видит клиента. В неконтрактной среде момент ухода не наблюдается вовсе: компания видит отсутствие покупок и не знает, это уход или пауза. Если вдобавок покупателя идентифицирует площадка, а не продавец, собственную кривую удержания продавец не строит в принципе.

Продукт или цены изменились. После смены линейки, тарифов или каналов старые когорты описывают уже другой бизнес, а новые ещё не прожили достаточно, чтобы сказать хоть что-то.

Частые ошибки

  • Выручка вместо маржи. LTV в обороте не годится ни для одного решения.
  • Repeat rate в формуле удержания. Подстановка доли повторных покупок вместо доли удержанных клиентов в неконтрактной среде даёт другую вероятность и другой ответ; Фейдер и Харди называют такой расчёт прямо неверным.
  • Средний LTV по всей базе. Смешивает когорты с разной длиной жизни и разными условиями привлечения.
  • Горизонт, подобранный под нужный ответ. Самый частый способ «улучшить» окупаемость на бумаге, не меняя ничего в бизнесе.
  • Сравнение LTV одного определения с CAC другого. Ценность только что привлечённого клиента не включает первую сделку, и сравнение с затратами на его привлечение занижает окупаемость; сюда же попадает LTV прошлогодней когорты, поставленный против CAC этого месяца.
  • Один LTV на все сегменты. Клиенты из рассылки и клиенты из платного трафика живут по-разному, и сегментация здесь обязательна.

Ограничения и спорные места

LTV это ожидание, а не измерение. Настоящая ценность клиента известна только после того, как он перестал покупать. Фейдер и Харди предлагают и писать E(LTV), ожидаемое значение, чтобы это не терялось из виду. Точность числа ограничена сверху качеством допущения о будущем, и никакая длина формулы этого не меняет.

Постоянного удержания не бывает. При наблюдении за одной когортой доля остающихся растёт с возрастом отношений: слабые уходят первыми. Ровные проценты в корпоративной отчётности возникают из-за смешения когорт разного возраста. Спор о механизме этого явления не закрыт, его разбор со ссылками на работы Фейдера и Харди 2007 и 2018 годов есть в статье Юнит-экономика.

В неконтрактной среде удержания как величины не существует. Компания не наблюдает ухода, значит не может посчитать долю ушедших, и формулы с r к ней неприменимы без замены на вероятностную модель.

Выбор модели меняет не только число, но и решение. В обзоре Гупты и соавторов приводится сравнение Венкатесана и Кумара на данных почти двух тысяч клиентов промышленной компании: прибыль от верхних 5 % клиентов, отобранных полноценной CLV-моделью, оказалась на 10-50 % выше, чем у верхних 5 %, отобранных по RFM и по прошлой ценности. То есть спор о способе расчёта это спор о том, кому звонить первым.

Прогнозные инструменты отвечают не на тот вопрос, который задают. AppMetrica раскладывает пользователей по разрядам платёжеспособности, GA4 выдаёт вероятности и прогноз выручки на короткий горизонт. Ни то, ни другое не является пожизненной ценностью в смысле определения Пфайфера: это ранжирование и прогноз на ближайшие недели, а не сумма в рублях за три года.

Числа удержания по отраслям здесь не приводятся намеренно. Публичных датированных бенчмарков по рынку Рунета с раскрытой методикой найти не удалось. Чужие показатели без методики несопоставимы: они зависят от определения активного клиента, длины периода и границы между переменными и постоянными затратами.

Что здесь быстро устаревает

  • Пороги и состав предиктивных метрик Google Analytics 4.
  • Состав и разряды предиктов AppMetrica.
  • Ставка дисконтирования: она идёт за стоимостью денег и ключевой ставкой.
  • Набор отчётов, которые площадки отдают продавцу, включая данные о повторных покупках.
  • Отраслевые ориентиры отношения LTV к стоимости привлечения.

См. также

Источники

  1. Fader P. S., Hardie B. G. S. What's Wrong With This CLV Formula? Декабрь 2014. http://brucehardie.com/notes/033/what_is_wrong_with_this_CLV_formula.pdf
  2. Gupta S., Hanssens D., Hardie B., Kahn W., Kumar V., Lin N., Ravishanker N., Sriram S. Modeling Customer Lifetime Value. Journal of Service Research, ноябрь 2006, т. 9, № 2, с. 139-155. https://www.anderson.ucla.edu/sites/default/files/documents/areas/fac/marketing/JSR2006(0).pdf
  3. Berger P. D., Nasr N. I. Customer Lifetime Value: Marketing Models and Applications. Journal of Interactive Marketing, 1998, т. 12, № 1, с. 17-30. https://www.sciencedirect.com/science/article/abs/pii/S1094996898702506
  4. Pfeifer P. E., Haskins M. E., Conroy R. M. Customer Lifetime Value, Customer Profitability, and the Treatment of Acquisition Spending. Journal of Managerial Issues, 2005, т. 17, № 1, с. 11-25. https://www.proquest.com/openview/7e774c2875ee6fd6fdb35d3bbb81a8f5/1
  5. Reichheld F. F., Sasser W. E. Zero Defections: Quality Comes to Services. Harvard Business Review, сентябрь-октябрь 1990. https://hbr.org/1990/09/zero-defections-quality-comes-to-services
  6. Bain & Company. Zero Defections: Quality Comes to Services, 1 сентября 1990. https://www.bain.com/insights/zero-defections-quality-comes-to-services-harvard-business-review-hbr/
  7. Google. [GA4] Predictive metrics. Справка Google Analytics, проверено 10.09.2026. https://support.google.com/analytics/answer/9846734
  8. Яндекс. Предикты LTV и оттока в AppMetrica: пошаговое руководство, 6 марта 2024. https://b2b.yandex.ru/adv/edu/materials/ltv-churn-predictions/how-to-guide
  9. Яндекс. Когортный анализ. Документация AppMetrica, проверено 10.09.2026. https://appmetrica.yandex.com/docs/ru/mobile-reports/cohort-report


Источник — https://wiki.optimism.ru/index.php?title=LTV&oldid=4789