LTV — co to je, predikce hodnoty uživatele

Co je LTV?

LTV (Lifetime Value) — předpokládaný čistý zisk, který přinese jeden uživatel za celou dobu používání produktu. V mobilním vývoji je LTV základním kamenem ekonomiky aplikace: právě tato metrika určuje, kolik lze utratit za získání uživatele prostřednictvím reklamy.

Metrika spojuje tři složky: průměrný příjem za období (ARPU), průměrnou délku života uživatele a hrubou marži. Bez LTV nelze odůvodnit rozpočet na UA (User Acquisition). Investoři hodnotí startup podle násobitele LTV: společnosti SaaS jsou oceňovány na 5–10× LTV ročního předplatného.

Podle údajů OpenView (2025) je medián LTV v mobilních aplikacích 14,50 dolarů pro kategorii Games, 22 dolarů pro Social a 45 dolarů pro Health & Fitness. Rozptyl je obrovský — od 0,50 dolarů v Hypercasual po 500+ dolarů v seznamovacích aplikacích s dlouhým LifeTime.

Proč je LTV potřebné v mobilním vývoji

LTV řeší tři obchodní úkoly. První — posouzení návratnosti reklamy. Pokud je LTV nižší než CPI, aplikace je ztrátová. Druhý — prioritizace funkcí: které změny produktu zvyšují LTV, ty se zavádějí. Třetí — predikce příjmů: při znalosti LTV nových uživatelů lze předpovědět příjem na 6–12 měsíců dopředu.

Druhý a třetí úkol vyžadují historická data. Pro novou aplikaci bez historie se používají benchmarky kategorie. Sensor Tower a Data.ai poskytují odhady LTV podle kategorií a regionů. Benchmarky jsou však vodítkem, ne pravdou: LTV konkrétní aplikace se může lišit 2–3krát od průměru na trhu.

LTV vs Lifetime Gross Profit

LTV lze vypočítat na základě příjmu (Revenue LTV) nebo zisku (Profit LTV). Profit LTV odečítá od Revenue LTV cost of goods sold (COGS): provize obchodů (15–30%), náklady na server, acquirer. Apple a Google si berou 15–30% z každého nákupu — to výrazně snižuje skutečné LTV. Pro správné srovnání s CAC použijte Profit LTV.

Jak vypočítat LTV

Existují tři metody výpočtu LTV: historická, kohortová a prediktivní. Každá metoda poskytuje jinou přesnost na různých horizontech. Historické LTV se počítá pro uživatele, kteří již dokončili svůj životní cyklus — je přesné, ale nepoužitelné pro aktivní uživatele.

Kohortová metoda — zlatý standard. Uživatelé jsou seskupeni podle data instalace (Day 0 cohort) a pro každou kohortu je sestavena křivka příjmu podle dnů. Extrapolace této křivky poskytuje predikci LTV. Podle údajů Amplitude (2025) má kohortové LTV pro 90denní okno chybu pouze 5–8% při predikci na 12 měsíců.

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
    )
}

Metoda extrapolateRevenue využívá křivku útlumu příjmu. Obvykle je aproximována mocninnou funkcí (power law): revenue on day N = revenue_day_1 × N^(-alpha). Alpha se vypočítává z historických dat. ApplyDiscountRate převádí budoucí příjmy na současnou hodnotu — standardní finanční praxe pro správné ocenění.

Vzorec základního LTV

Nejjednodušší vzorec LTV: ARPU × Average Lifetime. Průměrná délka života je Average Churn Rate^−1. Pokud uživatelé odcházejí rychlostí 10% měsíčně, Average Lifetime = 1 / 0,10 = 10 měsíců. Při měsíčním ARPU 2 dolary je LTV = 2 × 10 = 20 dolarů. Vzorec je užitečný pro rychlé posouzení, ale ignoruje změnu ARPU v čase.

Modely predikce LTV

Predikce LTV — složitý úkol vyžadující pokročilé statistické metody. Pro přesnou predikci v raných fázích (Day 1 — Day 30) se používají ML modely, které analyzují behaviorální signály: první nákupy, frekvenci sezení a zapojení.

Probabilistic Models — BG/NBD (Beta-Geometric / Negative Binomial Distribution) — klasický přístup k predikci opakovaných nákupů. Model odhaduje pravděpodobnost, že uživatel zůstane aktivní, a očekávaný počet transakcí. Model Fader & Hardie (2013) zůstává de facto standardem pro LTV bez ML.

ML modely — Random Forest, XGBoost a neuronové sítě. Berou v úvahu desítky vlastností: zdroje návštěvnosti, zařízení, zemi, první akce. Google Cloud recommandation.ai používá Deep Neural Network pro predikci LTV na základě událostí prvních 7 dnů. Přesnost takových modelů je o 15–25% vyšší než u pravděpodobnostních modelů (Google, 2025).

Hybridní přístup kombinuje pravděpodobnostní model pro základní predikci a ML korekci pro skupiny s anomálním chováním. V praxi hybridní přístup poskytuje nejlepší poměr přesnosti a výpočetních nákladů. Většina platforem (Amplitude, Mixpanel) používá hybridní modely pro automatické LTV.

Predikce LTV v 7. dni

Day-7 LTV — nejoblíbenější včasná predikce. Pokud uživatel neprovedl nákup do 7 dnů, pravděpodobnost nákupu v budoucnosti klesá o 80%. Metrika Day-7 LTV se vypočítá vynásobením denního ARPU za 7 dní předpokládaným Lifetime. Korelace Day-7 LTV s 365denním LTV dosahuje 0,85 v kategorii Games.

Poměr LTV a CAC

Poměr LTV / CAC — hlavní ukazatel jednotkové ekonomiky mobilní aplikace. Pravidlo zdravého podnikání: LTV/CAC >= 3. Pokud je poměr menší než 3, podnikání není škálovatelné — každý získaný uživatel přináší nedostatečný příjem na pokrytí marketingových nákladů a provozních výdajů.

Rizikoví investoři vyžadují LTV/CAC > 3 pro seed-round a > 5 pro Series A. Podle údajů OpenView (2025) je medián LTV/CAC pro mobile-first společnosti 3,2. Nejlepší společnosti vykazují 5–7. Payback period (doba návratnosti CAC) by neměla přesáhnout 12 měsíců pro modely předplatného.

Je důležité vzít v úvahu, že LTV/CAC se počítá na základě prediktivního LTV, ne historického. Pokud je predikce nadhodnocená — poměr vypadá zdravě, ale skutečné podnikání je ztrátové. Konzervativní predikce LTV založená na P50 (mediánu) je spolehlivější než na průměru.

LTV v různých kategoriích aplikací

LTV se výrazně liší podle kategorií. Pochopení typických hodnot pomáhá stanovit realistické cíle a zvolit strategii monetizace. Uvedené údaje vycházejí ze zpráv Data.ai a Sensor Tower za rok 2025.

Hypercasual Games mají nejnižší LTV — 0,20–0,50 dolarů. Model je založen na reklamě: uživatel hraje 3–5 dní, sleduje rewarded video, poté odchází. Při takovém LTV nemůže CAC přesáhnout 0,10–0,15 dolarů, což je dosažitelné pouze při masivní návštěvnosti a optimalizovaných kreativách.

Strategy Games — nejvyšší LTV v herním průmyslu: 25–50 dolarů. Uživatelé zůstávají 6–18 měsíců, aktivně nakupují boostery a předplatné. Vysoké LTV umožňuje utratit za UA až 10–15 dolarů za instalaci. Kvalita návštěvnosti se stává důležitější než její množství.

Health & Fitness — LTV 30–60 dolarů díky předplatnému. Průměrný uživatel platí 8–15 dolarů měsíčně po dobu 4–6 měsíců. Předplatné zajišťuje předvídatelné LTV a vysoké ocenění podnikání investory.

Social Dating — LTV dosahuje 100–500 dolarů. Uživatelé platí za předplatné a virtuální dárky, LifeTime může přesáhnout 12 měsíců. Toto je nejziskovější kategorie mobilních aplikací z hlediska LTV, ale CAC je zde maximální — 20–50 dolarů.

Jak zvýšit LTV

Zvýšení LTV — strategický úkol řešený zlepšováním produktu. Všechny metody se dělí do tří skupin: zvýšení retention, zvýšení ARPU a snížení churn. Každá skupina má multiplikativní účinek na LTV.

První skupina — retention. Zvýšení Day-7 retention o 10% vede k růstu LTV o 15–20%. Metody: personalizace onboardingu, push notifikace s relevantním obsahem, gamifikace (achievements, leaderboards, streaks). Duolingo — klasický příklad: streak mechanika udržuje uživatele roky a zajišťuje LTV 3–4krát vyšší než průměr v EdTech.

Druhá skupina — ARPU. Metody jsou popsány v článku o ARPU: předplatné, optimalizace reklamních míst, personalizace nabídek. Růst ARPU o 10% při stejné retention dává přímý růst LTV o 10%.

Třetí skupina — snížení churn. Win-back kampaně (návrat odchozích uživatelů), zlepšení zákaznické podpory, analýza míst odtoku. Snížení měsíčního churn z 15% na 10% zvyšuje Average Lifetime z 6,7 na 10 měsíců — růst LTV o 50% při nezměněném ARPU.