LTV — qué es, predicción del valor del usuario

¿Qué es LTV?

LTV (Lifetime Value) es el beneficio neto previsto que un usuario generará durante todo el período de uso del producto. En el desarrollo móvil, el LTV es la piedra angular de la economía de la aplicación: esta métrica determina cuánto se puede gastar en la adquisición de usuarios mediante publicidad.

La métrica combina tres componentes: ingreso medio por período (ARPU), vida media del usuario y margen bruto. Sin LTV, es imposible justificar un presupuesto de UA (User Acquisition). Los inversores evalúan una startup por el multiplicador de LTV: las empresas SaaS se valoran en 5–10× LTV de la suscripción anual.

Según OpenView (2025), el LTV medio en aplicaciones móviles es de $14.50 para la categoría Games, $22 para Social y $45 para Health & Fitness. La variación es enorme — desde $0.50 en Hypercasual hasta $500+ en aplicaciones de Dating con una vida útil larga.

Por qué es importante el LTV en el desarrollo móvil

El LTV resuelve tres problemas empresariales. Primero — evaluar el ROI publicitario. Si el LTV es menor que el CPI, la aplicación no es rentable. Segundo — priorización de funciones: se implementan los cambios del producto que aumentan el LTV. Tercero — previsión de ingresos: conociendo el LTV de los nuevos usuarios, se pueden predecir los ingresos con 6–12 meses de antelación.

El segundo y tercer problema requieren datos históricos. Para una aplicación nueva sin historial, se utilizan puntos de referencia de la categoría. Sensor Tower y Data.ai proporcionan estimaciones de LTV por categoría y región. Sin embargo, los benchmarks son una referencia, no la verdad: el LTV de una aplicación específica puede diferir 2–3 veces del promedio del mercado.

LTV vs beneficio bruto total

El LTV puede calcularse en función de los ingresos (Revenue LTV) o del beneficio (Profit LTV). Profit LTV resta el coste de los bienes vendidos (COGS) del Revenue LTV: comisiones de las tiendas (15–30%), costes de servidor, procesamiento de pagos. Apple y Google cobran un 15–30% de cada compra — esto reduce significativamente el LTV real. Para una comparación correcta con el CAC, utilice Profit LTV.

Cómo calcular el LTV

Existen tres métodos para calcular el LTV: histórico, de cohortes y predictivo. Cada método ofrece una precisión diferente en distintos horizontes. El LTV histórico se calcula para los usuarios que ya han completado su ciclo de vida — es preciso pero no aplicable a usuarios activos.

El método de cohortes es el estándar de oro. Los usuarios se agrupan por fecha de instalación (cohorte Day 0) y se construye una curva de ingresos para cada cohorte por día. La extrapolación de esta curva proporciona una previsión de LTV. Según Amplitude (2025), el LTV de cohortes para una ventana de 90 días tiene un margen de error de solo 5–8% al pronosticar 12 meses.

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
    )
}

El método extrapolateRevenue utiliza una curva de decrecimiento de ingresos. Generalmente se aproxima mediante una ley de potencia: ingresos en el día N = revenue_day_1 × N^(-alpha). Alpha se calcula a partir de datos históricos. ApplyDiscountRate lleva los ingresos futuros al valor presente — práctica financiera estándar para una valoración correcta.

Fórmula básica del LTV

La fórmula más simple del LTV: ARPU × Average Lifetime. La vida media es Average Churn Rate^−1. Si los usuarios abandonan a un ritmo del 10% mensual, Average Lifetime = 1 / 0.10 = 10 meses. Con un ARPU mensual de $2, LTV = 2 × 10 = $20. Esta fórmula es útil para estimaciones rápidas, pero ignora los cambios del ARPU con el tiempo.

Modelos de predicción de LTV

La predicción del LTV es una tarea compleja que requiere métodos estadísticos avanzados. Para pronósticos precisos en etapas tempranas (Day 1 — Day 30), se utilizan modelos de ML que analizan señales de comportamiento: primeras compras, frecuencia de sesiones y participación.

Modelos probabilísticos — BG/NBD (Beta-Geometric / Negative Binomial Distribution) — un enfoque clásico para predecir compras repetidas. El modelo estima la probabilidad de que un usuario permanezca activo y el número esperado de transacciones. El modelo de Fader y Hardie (2013) sigue siendo el estándar de facto para el LTV sin ML.

Modelos de ML — Random Forest, XGBoost y redes neuronales. Tienen en cuenta decenas de características: fuentes de tráfico, dispositivo, país, primeras acciones. Google Cloud recommendation.ai utiliza redes neuronales profundas para la predicción de LTV basada en los eventos de los primeros 7 días. La precisión de estos modelos es un 15–25% mayor que la de los modelos probabilísticos (Google, 2025).

Enfoque híbrido combina un modelo probabilístico para la predicción base y una corrección ML para grupos con comportamiento anómalo. En la práctica, el híbrido ofrece el mejor equilibrio entre precisión y coste computacional. La mayoría de las plataformas (Amplitude, Mixpanel) utilizan modelos híbridos para el LTV automático.

Pronóstico de LTV en el día 7

El LTV del día 7 es el pronóstico temprano más popular. Si un usuario no ha realizado una compra en 7 días, la probabilidad de compra futura se reduce en un 80%. El LTV del día 7 se calcula multiplicando el ARPU diario de 7 días por la vida útil prevista. La correlación del LTV del día 7 con el LTV de 365 días alcanza 0.85 en la categoría de Games.

Relación LTV y CAC

La relación LTV/CAC es la principal métrica de economía unitaria de una aplicación móvil. La regla para un negocio saludable: LTV/CAC >= 3. Si la relación es inferior a 3, el negocio no escala — cada usuario adquirido genera ingresos insuficientes para cubrir los costes de marketing y los gastos operativos.

Los inversores de capital riesgo exigen LTV/CAC > 3 para la ronda seed y > 5 para la Serie A. Según OpenView (2025), la mediana de LTV/CAC para empresas mobile-first es de 3.2. Las mejores empresas alcanzan 5–7. El período de recuperación de la inversión no debe superar los 12 meses para los modelos de suscripción.

Es importante señalar que el LTV/CAC se calcula en base al LTV previsto, no al histórico. Si la previsión es demasiado optimista — la relación parece saludable mientras el negocio real no es rentable. Una previsión conservadora del LTV basada en P50 (mediana) es más fiable que una basada en la media.

LTV por categoría de aplicación

El LTV varía significativamente según la categoría. Conocer los valores típicos ayuda a establecer objetivos realistas y elegir una estrategia de monetización. Los datos siguientes se basan en informes de Data.ai y Sensor Tower de 2025.

Hypercasual Games tienen el LTV más bajo — $0.20–$0.50. El modelo se basa en anuncios: los usuarios juegan 3–5 días, ven vídeos recompensados y luego se marchan. Con este LTV, el CAC no puede superar los $0.10–$0.15, lo que solo es alcanzable con tráfico masivo y creatividades optimizadas.

Strategy Games tienen el LTV más alto en gaming: $25–$50. Los usuarios permanecen de 6 a 18 meses, comprando activamente potenciadores y suscripciones. Un LTV alto permite gastar hasta $10–$15 por instalación en UA. La calidad del tráfico se vuelve más importante que el volumen.

Health & Fitness — LTV de $30–$60 gracias a las suscripciones. El usuario medio paga $8–$15 al mes durante 4–6 meses. Las suscripciones proporcionan un LTV predecible y una alta valoración empresarial por parte de los inversores.

Social Dating — el LTV alcanza los $100–$500. Los usuarios pagan por suscripciones y regalos virtuales; la vida útil puede superar los 12 meses. Es la categoría de aplicaciones móviles más rentable en términos de LTV, pero el CAC también es el más alto — $20–$50.

Cómo aumentar el LTV

Aumentar el LTV es una tarea estratégica que se resuelve mejorando el producto. Todos los métodos se dividen en tres grupos: mejorar la retención, aumentar el ARPU y reducir la tasa de abandono. Cada grupo tiene un efecto multiplicador sobre el LTV.

Primer grupo — retención. Aumentar la retención en Day-7 en un 10% produce un crecimiento del LTV del 15–20%. Métodos: incorporación personalizada, notificaciones push con contenido relevante, gamificación (logros, tablas de clasificación, rachas). Duolingo es un ejemplo clásico: la mecánica de rachas retiene a los usuarios durante años, garantizando un LTV 3–4 veces superior a la media de EdTech.

Segundo grupo — ARPU. Los métodos se describen en el artículo sobre ARPU: suscripciones, optimización de espacios publicitarios, personalización de ofertas. Un aumento del ARPU del 10% con la misma retención da un incremento directo del LTV del 10%.

Tercer grupo — reducción de la tasa de abandono. Campañas de reactivación (recuperar usuarios perdidos), mejora del servicio de atención al cliente, análisis de los puntos de abandono. Reducir la tasa de abandono mensual del 15% al 10% aumenta la vida media de 6.7 a 10 meses — un crecimiento del LTV del 50% con el ARPU sin cambios.