LTV — was es ist, Vorhersage des Nutzerwerts

Was ist LTV?

LTV (Lifetime Value) ist der prognostizierte Nettogewinn, den ein einzelner Nutzer während der gesamten Nutzungsdauer des Produkts erwirtschaftet. In der mobilen Entwicklung ist LTV der Eckpfeiler der App-Ökonomie: Diese Kennzahl bestimmt, wie viel für die Nutzerakquise durch Werbung ausgegeben werden kann.

Die Kennzahl kombiniert drei Komponenten: durchschnittlicher Umsatz pro Periode (ARPU), durchschnittliche Nutzerlebensdauer und Bruttomarge. Ohne LTV ist es unmöglich, ein UA-Budget (User Acquisition) zu rechtfertigen. Investoren bewerten ein Start-up anhand des LTV-Multiplikators: SaaS-Unternehmen werden mit dem 5–10-fachen LTV des Jahresabonnements bewertet.

Laut OpenView (2025) beträgt der mediane LTV in mobilen Apps 14,50 $ für die Kategorie Games, 22 $ für Social und 45 $ für Health & Fitness. Die Spannweite ist enorm — von 0,50 $ bei Hypercasual bis zu 500+ $ bei Dating-Apps mit langer Lebensdauer.

Warum LTV in der mobilen Entwicklung wichtig ist

LTV löst drei geschäftliche Probleme. Erstens — Bewertung des Werbe-ROI. Wenn LTV niedriger als CPI ist, ist die App unrentabel. Zweitens — Priorisierung von Funktionen: Produktänderungen, die den LTV erhöhen, werden umgesetzt. Drittens — Umsatzprognose: Mit Kenntnis des LTV neuer Nutzer kann der Umsatz 6–12 Monate im Voraus prognostiziert werden.

Das zweite und dritte Problem erfordern historische Daten. Für eine neue App ohne Historie werden Kategorie-Benchmarks verwendet. Sensor Tower und Data.ai bieten LTV-Schätzungen nach Kategorie und Region. Benchmarks sind jedoch eine Referenz, nicht die Wahrheit: Der LTV einer bestimmten App kann 2–3 Mal vom Marktdurchschnitt abweichen.

LTV vs. Bruttolebenszeitgewinn

LTV kann auf Basis des Umsatzes (Revenue LTV) oder des Gewinns (Profit LTV) berechnet werden. Profit LTV zieht die Kosten der verkauften Waren (COGS) vom Revenue LTV ab: Store-Provisionen (15–30%), Serverkosten, Zahlungsabwicklung. Apple und Google nehmen 15–30% von jedem Kauf — dies reduziert den tatsächlichen LTV erheblich. Für einen korrekten Vergleich mit CAC verwenden Sie Profit LTV.

Wie berechnet man LTV

Es gibt drei Methoden zur Berechnung des LTV: historisch, kohortenbasiert und prädiktiv. Jede Methode bietet unterschiedliche Genauigkeit bei unterschiedlichen Horizonten. Der historische LTV wird für Nutzer berechnet, die ihren Lebenszyklus bereits abgeschlossen haben — er ist genau, aber nicht auf aktive Nutzer anwendbar.

Die Kohortenmethode ist der Goldstandard. Nutzer werden nach Installationsdatum (Day-0-Kohorte) gruppiert, und für jede Kohorte wird eine Umsatzkurve pro Tag erstellt. Die Extrapolation dieser Kurve ergibt eine LTV-Prognose. Laut Amplitude (2025) hat der Kohorten-LTV für ein 90-Tage-Fenster eine Fehlermarge von nur 5–8% bei einer Prognose über 12 Monate.

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
    )
}

Die extrapolateRevenue-Methode verwendet eine Umsatzabklingkurve. Sie wird typischerweise durch ein Potenzgesetz angenähert: Umsatz an Tag N = revenue_day_1 × N^(-alpha). Alpha wird aus historischen Daten berechnet. ApplyDiscountRate führt zukünftige Einnahmen auf den Barwert zurück — eine Standard-Finanzpraxis für eine korrekte Bewertung.

Grundlegende LTV-Formel

Die einfachste LTV-Formel: ARPU × Average Lifetime. Die durchschnittliche Lebensdauer ist Average Churn Rate^−1. Wenn Nutzer mit einer Rate von 10% pro Monat abwandern, beträgt Average Lifetime = 1 / 0,10 = 10 Monate. Bei einem monatlichen ARPU von 2 $ ergibt sich LTV = 2 × 10 = 20 $. Diese Formel ist nützlich für schnelle Schätzungen, ignoriert jedoch Änderungen des ARPU im Laufe der Zeit.

LTV-Prognosemodelle

LTV-Prognose ist eine komplexe Aufgabe, die fortgeschrittene statistische Methoden erfordert. Für genaue Prognosen in frühen Phasen (Tag 1 – Tag 30) werden ML-Modelle verwendet, die Verhaltenssignale analysieren: erste Käufe, Sitzungshäufigkeit und Engagement.

Probabilistische Modelle — BG/NBD (Beta-Geometric / Negative Binomial Distribution) — ein klassischer Ansatz zur Vorhersage von Wiederholungskäufen. Das Modell schätzt die Wahrscheinlichkeit, dass ein Nutzer aktiv bleibt, und die erwartete Anzahl von Transaktionen. Das Fader-&-Hardie-Modell (2013) bleibt der De-facto-Standard für LTV ohne ML.

ML-Modelle — Random Forest, XGBoost und neuronale Netze. Sie berücksichtigen Dutzende von Merkmalen: Verkehrsquellen, Gerät, Land, erste Aktionen. Google Cloud recommendation.ai verwendet Deep Neural Networks für die LTV-Prognose auf Basis der Ereignisse der ersten 7 Tage. Die Genauigkeit solcher Modelle ist 15–25% höher als bei probabilistischen Modellen (Google, 2025).

Hybrider Ansatz kombiniert ein probabilistisches Modell für die Basisprognose und eine ML-Korrektur für Gruppen mit anomalem Verhalten. In der Praxis bietet der hybride Ansatz das beste Gleichgewicht zwischen Genauigkeit und Rechenaufwand. Die meisten Plattformen (Amplitude, Mixpanel) verwenden hybride Modelle für automatisches LTV.

LTV-Prognose an Tag 7

Der LTV an Tag 7 ist die beliebteste Frühprognose. Wenn ein Nutzer innerhalb von 7 Tagen keinen Kauf getätigt hat, sinkt die Wahrscheinlichkeit eines zukünftigen Kaufs um 80%. Der LTV an Tag 7 wird berechnet, indem der tägliche ARPU über 7 Tage mit der prognostizierten Lebensdauer multipliziert wird. Die Korrelation des LTV an Tag 7 mit dem 365-Tage-LTV erreicht 0,85 in der Kategorie Games.

LTV-zu-CAC-Verhältnis

Das LTV/CAC-Verhältnis ist die wichtigste Kennzahl der Unit Economics einer mobilen App. Die Regel für ein gesundes Geschäft: LTV/CAC >= 3. Wenn das Verhältnis unter 3 liegt, skaliert das Geschäft nicht — jeder akquirierte Nutzer generiert nicht genügend Umsatz, um die Marketingkosten und Betriebsausgaben zu decken.

Risikokapitalgeber verlangen LTV/CAC > 3 für die Seed-Runde und > 5 für die Serie A. Laut OpenView (2025) beträgt der mediane LTV/CAC für Mobile-First-Unternehmen 3,2. Top-Unternehmen erreichen 5–7. Die Amortisationszeit sollte bei Abonnementmodellen 12 Monate nicht überschreiten.

Es ist wichtig zu beachten, dass LTV/CAC auf Basis des prognostizierten LTV berechnet wird, nicht des historischen. Wenn die Prognose zu optimistisch ist — das Verhältnis erscheint gesund, während das tatsächliche Geschäft unrentabel ist. Eine konservative Prognose des LTV auf Basis von P50 (Median) ist zuverlässiger als eine auf Basis des Durchschnitts.

LTV nach App-Kategorie

LTV variiert erheblich je nach Kategorie. Das Verständnis typischer Werte hilft, realistische Ziele zu setzen und eine Monetarisierungsstrategie zu wählen. Die folgenden Daten basieren auf Berichten von Data.ai und Sensor Tower aus dem Jahr 2025.

Hypercasual Games haben den niedrigsten LTV — 0,20–0,50 $. Das Modell ist werbebasiert: Nutzer spielen 3–5 Tage, sehen sich Belohnungsvideos an und gehen dann. Bei einem solchen LTV darf der CAC 0,10–0,15 $ nicht überschreiten, was nur mit Massenverkehr und optimierten Creatives erreichbar ist.

Strategy Games haben den höchsten LTV im Gaming-Bereich: 25–50 $. Nutzer bleiben 6–18 Monate und kaufen aktiv Booster und Abonnements. Hoher LTV erlaubt Ausgaben von bis zu 10–15 $ pro Installation für UA. Die Qualität des Traffics wird wichtiger als die Quantität.

Health & Fitness — LTV von 30–60 $ dank Abonnements. Der durchschnittliche Nutzer zahlt 8–15 $ pro Monat für 4–6 Monate. Abonnements bieten einen vorhersehbaren LTV und eine hohe Unternehmensbewertung durch Investoren.

Social Dating — LTV erreicht 100–500 $. Nutzer zahlen für Abonnements und virtuelle Geschenke; die Lebensdauer kann 12 Monate übersteigen. Dies ist die profitabelste Kategorie mobiler Apps in Bezug auf LTV, aber der CAC ist auch am höchsten — 20–50 $.

Wie man LTV erhöht

LTV erhöhen ist eine strategische Aufgabe, die durch Produktverbesserung gelöst wird. Alle Methoden fallen in drei Gruppen: Verbesserung der Bindung, Erhöhung des ARPU und Verringerung der Abwanderung. Jede Gruppe hat einen multiplikativen Effekt auf den LTV.

Erste Gruppe — Bindung. Eine Erhöhung der Bindung an Tag 7 um 10% führt zu einem LTV-Wachstum von 15–20%. Methoden: personalisiertes Onboarding, Push-Benachrichtigungen mit relevanten Inhalten, Gamification (Errungenschaften, Bestenlisten, Serien). Duolingo ist ein klassisches Beispiel: Die Serien-Mechanik hält Nutzer über Jahre und sichert einen LTV, der 3–4 Mal höher ist als der EdTech-Durchschnitt.

Zweite Gruppe — ARPU. Die Methoden werden im ARPU-Artikel beschrieben: Abonnements, Optimierung von Werbeflächen, Personalisierung von Angeboten. Eine Erhöhung des ARPU um 10% bei gleicher Bindung führt zu einer direkten LTV-Steigerung von 10%.

Dritte Gruppe — Verringerung der Abwanderung. Rückgewinnungskampagnen (Reaktivierung abgewanderter Nutzer), Verbesserung des Kundensupports, Analyse von Abwanderungspunkten. Die Verringerung der monatlichen Abwanderung von 15% auf 10% erhöht die durchschnittliche Lebensdauer von 6,7 auf 10 Monate — ein LTV-Wachstum von 50% bei unverändertem ARPU.