LTV — какво е това, прогнозиране на стойността на потребителя

Какво е LTV?

LTV (Lifetime Value) — прогнозирана нетна печалба, която един потребител ще донесе за целия период на използване на продукта. В мобилното разработване LTV е крайъгълен камък на икономиката на приложението: именно тази метрика определя колко може да се похарчи за привличане на потребител чрез реклама.

Метриката обединява три компонента: среден приход за период (ARPU), средна продължителност на живот на потребителя и брутен марж. Без LTV е невъзможно да се обоснове бюджетът за UA (User Acquisition). Инвеститорите оценяват стартъпа по мултипликатор на LTV: SaaS компаниите се оценяват на 5–10× LTV на годишния абонамент.

Според данни на OpenView (2025), медианният LTV в мобилните приложения е 14,50 долара за категория Games, 22 долара за Social и 45 долара за Health & Fitness. Разликата е огромна — от 0,50 долара в Hypercasual до 500+ долара в приложения за запознанства с дълъг LifeTime.

Защо е необходим LTV в мобилното разработване

LTV решава три бизнес задачи. Първа — оценка на възвръщаемостта на рекламата. Ако LTV е по-малък от CPI, приложението е нерентабилно. Втора — приоритизиране на функции: кои промени в продукта увеличават LTV, тези се внедряват. Трета — прогнозиране на приходите: знаейки LTV на новите потребители, може да се предвиди приход за 6–12 месеца напред.

Втората и третата задача изискват исторически данни. За ново приложение без история се използват бенчмаркове на категорията. Sensor Tower и Data.ai предоставят оценки на LTV по категории и региони. Но бенчмарковете са ориентир, а не истина: LTV на конкретно приложение може да се различава 2–3 пъти от средното за пазара.

LTV срещу Lifetime Gross Profit

LTV може да се изчислява на база приходи (Revenue LTV) или печалба (Profit LTV). Profit LTV изважда от Revenue LTV cost of goods sold (COGS): комисиони на магазините (15–30%), сървърни разходи, еквайринг. Apple и Google взимат 15–30% от всяка покупка — това значително намалява реалния LTV. За коректно сравнение с CAC използвайте Profit LTV.

Как да изчислим LTV

Съществуват три метода за изчисляване на LTV: исторически, кохортен и прогнозен. Всеки метод дава различна точност на различни хоризонти. Историческият LTV се изчислява за потребители, които вече са завършили жизнения си цикъл — той е точен, но неприложим за активни потребители.

Кохортният метод — златният стандарт. Потребителите се групират по дата на инсталиране (Day 0 cohort) и за всяка кохорта се изгражда крива на приходите по дни. Екстраполацията на тази крива дава прогноза за LTV. Според данни на Amplitude (2025), кохортният LTV за 90-дневен прозорец има грешка само 5–8% при прогноза за 12 месеца.

data class CohortData(
    val installDate: LocalDate,
    val dayRevenue: List<Double>
)

fun calculateProjectedLTV(
    cohort: CohortData,
    dayN: Int,
    annualDiscountRate: Double = 0.10
): Double {
    val observedRevenue = cohort.dayRevenue
        .take(dayN)
        .sum()
    val projectedRevenue = extrapolateRevenue(
        cohort.dayRevenue, dayN, 365
    )
    return applyDiscountRate(
        observedRevenue + projectedRevenue,
        annualDiscountRate
    )
}

Методът extrapolateRevenue използва крива на затихване на приходите. Обикновено се апроксимира със степенна функция (power law): revenue on day N = revenue_day_1 × N^(-alpha). Alpha се изчислява от исторически данни. ApplyDiscountRate привежда бъдещите приходи към настояща стойност — стандартна финансова практика за коректна оценка.

Формула за основен LTV

Най-простата формула за LTV: ARPU × Average Lifetime. Средната продължителност на живот е Average Churn Rate^−1. Ако потребителите напускат със скорост 10% на месец, Average Lifetime = 1 / 0,10 = 10 месеца. При месечен ARPU от 2 долара, LTV = 2 × 10 = 20 долара. Формулата е полезна за бърза оценка, но игнорира промяната на ARPU във времето.

Модели за прогнозиране на LTV

Прогнозирането на LTV — сложна задача, изискваща напреднали статистически методи. За точна прогноза в ранни етапи (Day 1 — Day 30) се използват ML модели, които анализират поведенчески сигнали: първи покупки, честота на сесиите и ангажираност.

Probabilistic Models — BG/NBD (Beta-Geometric / Negative Binomial Distribution) — класически подход за прогнозиране на повторни покупки. Моделът оценява вероятността потребителят да остане активен и очаквания брой транзакции. Моделът на Fader & Hardie (2013) остава де факто стандарт за LTV без ML.

ML модели — Random Forest, XGBoost и невронни мрежи. Те вземат предвид десетки характеристики: източници на трафик, устройство, държава, първи действия. Google Cloud recommandation.ai използва Deep Neural Network за LTV прогноза на база събития от първите 7 дни. Точността на такива модели е с 15–25% по-висока от вероятностните (Google, 2025).

Хибриден подход съчетава вероятностен модел за базова прогноза и ML корекция за групи с аномално поведение. На практика хибридният подход дава най-добро съотношение на точност и изчислителна цена. Повечето платформи (Amplitude, Mixpanel) използват хибридни модели за автоматичен LTV.

Прогноза на LTV на 7-ия ден

Day-7 LTV — най-популярната ранна прогноза. Ако потребителят не е направил покупка в рамките на 7 дни, вероятността за покупка в бъдеще намалява с 80%. Метриката Day-7 LTV се изчислява чрез умножаване на дневния ARPU за 7 дни по прогнозирания Lifetime. Корелацията на Day-7 LTV с 365-дневен LTV достига 0,85 в категория Games.

Съотношение LTV и CAC

LTV / CAC съотношение — основният показател на единичната икономика на мобилно приложение. Правило за здрав бизнес: LTV/CAC >= 3. Ако съотношението е по-малко от 3, бизнесът не е мащабируем — всеки привлечен потребител носи недостатъчен приход за покриване на маркетинговите разходи и оперативните разходи.

Рисковите инвеститори изискват LTV/CAC > 3 за seed-кръг и > 5 за Series A. Според данни на OpenView (2025), медианният LTV/CAC за mobile-first компании е 3,2. Най-добрите компании показват 5–7. Payback period (време за изплащане на CAC) не трябва да надвишава 12 месеца за абонаментни модели.

Важно е да се има предвид, че LTV/CAC се изчислява на база прогнозен LTV, а не исторически. Ако прогнозата е надценена — съотношението изглежда здравословно, но реалният бизнес е нерентабилен. Консервативна прогноза на LTV на база P50 (медиана) е по-надеждна от тази на база средна стойност.

LTV в различни категории приложения

LTV варира значително според категорията. Разбирането на типичните стойности помага за поставяне на реалистични цели и избор на стратегия за монетизация. Представените данни се основават на отчети на Data.ai и Sensor Tower за 2025 г.

Hypercasual Games имат най-нисък LTV — 0,20–0,50 долара. Моделът се основава на реклама: потребителят играе 3–5 дни, гледа rewarded video, след което напуска. При такъв LTV, CAC не може да надвишава 0,10–0,15 долара, което е постижимо само при масов трафик и оптимизирани креативи.

Strategy Games — най-висок LTV в гейминга: 25–50 долара. Потребителите остават 6–18 месеца, активно купуват бустери и абонаменти. Високият LTV позволява харчене до 10–15 долара на инсталация за UA. Качеството на трафика става по-важно от количеството.

Health & Fitness — LTV 30–60 долара благодарение на абонаменти. Средният потребител плаща 8–15 долара на месец в продължение на 4–6 месеца. Абонаментите осигуряват предвидим LTV и висока оценка на бизнеса от инвеститорите.

Social Dating — LTV достига 100–500 долара. Потребителите плащат за абонаменти и виртуални подаръци, LifeTime може да надхвърли 12 месеца. Това е най-печелившата категория мобилни приложения от гледна точка на LTV, но CAC тук е максимален — 20–50 долара.

Как да увеличим LTV

Увеличаването на LTV — стратегическа задача, решавана чрез подобряване на продукта. Всички методи се разделят на три групи: увеличаване на retention, увеличаване на ARPU и намаляване на churn. Всяка група дава мултипликативен ефект върху LTV.

Първа група — retention. Увеличаването на Day-7 retention с 10% води до ръст на LTV с 15–20%. Методи: персонализация на onboarding, push известия с подходящо съдържание, геймификация (achievements, leaderboards, streaks). Duolingo — класически пример: streak механиката задържа потребителите с години, осигурявайки LTV 3–4 пъти по-висок от средния за EdTech.

Втора група — ARPU. Методите са описани в статията за ARPU: абонаменти, оптимизация на рекламни места, персонализация на оферти. Ръст на ARPU с 10% при същия retention дава директен ръст на LTV с 10%.

Трета група — намаляване на churn. Win-back кампании (връщане на напуснали потребители), подобряване на клиентската поддръжка, анализ на точките на отлив. Намаляването на месечния churn от 15% на 10% увеличава Average Lifetime от 6,7 на 10 месеца — ръст на LTV с 50% при непроменен ARPU.