LTV — چیست، پیش‌بینی ارزش کاربر

LTV چیست؟

LTV (Lifetime Value) — سود خالص پیش‌بینی شده که یک کاربر در طول کل مدت استفاده از محصول به ارمغان می‌آورد. در توسعه برنامه‌های موبایل، LTV سنگ بنای اقتصاد برنامه است: دقیقاً این متریک تعیین می‌کند که چه مقدار می‌توان برای جذب کاربر از طریق تبلیغات هزینه کرد.

این متریک سه مؤلفه را ترکیب می‌کند: میانگین درآمد در هر دوره (ARPU)، میانگین طول عمر کاربر و حاشیه ناخالص. بدون LTV نمی‌توان بودجه UA (User Acquisition) را توجیه کرد. سرمایه‌گذاران استارتاپ را با ضریب LTV ارزیابی می‌کنند: شرکت‌های SaaS با 5–10 برابر LTV اشتراک سالانه ارزش‌گذاری می‌شوند.

بر اساس داده‌های OpenView (2025)، میانه LTV در برنامه‌های موبایل برای دسته Games 14.50 دلار، برای Social 22 دلار و برای Health & Fitness 45 دلار است. پراکندگی بسیار زیاد است — از 0.50 دلار در Hypercasual تا بیش از 500 دلار در برنامه‌های دوست‌یابی با LifeTime طولانی.

چرا LTV در توسعه موبایل مورد نیاز است

LTV سه وظیفه تجاری را حل می‌کند. اول — ارزیابی بازگشت تبلیغات. اگر LTV کمتر از CPI باشد، برنامه زیان‌ده است. دوم — اولویت‌بندی ویژگی‌ها: تغییراتی از محصول که LTV را افزایش می‌دهند، پیاده‌سازی می‌شوند. سوم — پیش‌بینی درآمد: با دانستن LTV کاربران جدید، می‌توان درآمد را برای 6–12 ماه آینده پیش‌بینی کرد.

وظایف دوم و سوم نیاز به داده‌های تاریخی دارند. برای برنامه جدید بدون سابقه، از معیارهای دسته استفاده می‌شود. Sensor Tower و Data.ai تخمین‌های LTV را بر اساس دسته‌ها و مناطق ارائه می‌دهند. با این حال معیارها راهنما هستند، نه حقیقت: LTV یک برنامه خاص می‌تواند 2–3 برابر با میانگین بازار تفاوت داشته باشد.

LTV در مقابل Lifetime Gross Profit

LTV می‌تواند بر اساس درآمد (Revenue LTV) یا سود (Profit LTV) محاسبه شود. Profit LTV از Revenue LTV هزینه کالاهای فروخته شده (COGS) را کم می‌کند: کمیسیون فروشگاه‌ها (15–30%)، هزینه‌های سرور، اکتساب. اپل و گوگل 15–30% از هر خرید دریافت می‌کنند — این به طور قابل توجهی LTV واقعی را کاهش می‌دهد. برای مقایسه صحیح با CAC از Profit LTV استفاده کنید.

نحوه محاسبه LTV

سه روش محاسبه LTV وجود دارد: تاریخی، گروهی و پیش‌بینی. هر روش دقت متفاوتی در افق‌های مختلف ارائه می‌دهد. LTV تاریخی برای کاربرانی که چرخه زندگی خود را کامل کرده‌اند محاسبه می‌شود — دقیق است، اما برای کاربران فعال قابل استفاده نیست.

روش گروهی — استاندارد طلایی. کاربران بر اساس تاریخ نصب گروه‌بندی می‌شوند (Day 0 cohort)، و برای هر گروه منحنی درآمد بر اساس روز ساخته می‌شود. برون‌یابی این منحنی پیش‌بینی LTV را ارائه می‌دهد. بر اساس داده‌های Amplitude (2025)، LTV گروهی برای پنجره 90 روزه فقط 5–8% خطا در پیش‌بینی 12 ماهه دارد.

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
    )
}

روش extrapolateRevenue از منحنی زوال درآمد استفاده می‌کند. معمولاً با تابع توانی (power law) تقریب زده می‌شود: revenue on day N = revenue_day_1 × N^(-alpha). Alpha از داده‌های تاریخی محاسبه می‌شود. ApplyDiscountRate درآمدهای آینده را به ارزش فعلی تبدیل می‌کند — رویه مالی استاندارد برای ارزیابی صحیح.

فرمول پایه LTV

ساده‌ترین فرمول LTV: ARPU × Average Lifetime. میانگین طول عمر Average Churn Rate^−1 است. اگر کاربران با نرخ 10% در ماه ترک می‌کنند، Average Lifetime = 1 / 0.10 = 10 ماه. با ARPU ماهانه 2 دلار، LTV = 2 × 10 = 20 دلار. فرمول برای ارزیابی سریع مفید است، اما تغییر ARPU در طول زمان را نادیده می‌گیرد.

مدل‌های پیش‌بینی LTV

پیش‌بینی LTV — کار پیچیده‌ای که نیاز به روش‌های آماری پیشرفته دارد. برای پیش‌بینی دقیق در مراحل اولیه (Day 1 — Day 30) از مدل‌های ML استفاده می‌شود که سیگنال‌های رفتاری را تحلیل می‌کنند: خریدهای اول، تعداد جلسات و تعامل.

Probabilistic Models — BG/NBD (Beta-Geometric / Negative Binomial Distribution) — رویکرد کلاسیک برای پیش‌بینی خریدهای تکراری. مدل احتمال فعال ماندن کاربر و تعداد تراکنش‌های مورد انتظار را تخمین می‌زند. مدل Fader & Hardie (2013) استاندارد دوفاکتو برای LTV بدون ML باقی می‌ماند.

مدل‌های ML — Random Forest، XGBoost و شبکه‌های عصبی. ده‌ها ویژگی را در نظر می‌گیرند: منابع ترافیک، دستگاه، کشور، اقدامات اولیه. Google Cloud recommandation.ai از Deep Neural Network برای پیش‌بینی LTV بر اساس رویدادهای 7 روز اول استفاده می‌کند. دقت چنین مدل‌هایی 15–25% بالاتر از مدل‌های احتمالی است (Google, 2025).

رویکرد ترکیبی مدل احتمالی را برای پیش‌بینی پایه و تصحیح ML را برای گروه‌هایی با رفتار غیرعادی ترکیب می‌کند. در عمل رویکرد ترکیبی بهترین نسبت دقت به هزینه محاسباتی را ارائه می‌دهد. بیشتر پلتفرم‌ها (Amplitude, Mixpanel) از مدل‌های ترکیبی برای LTV خودکار استفاده می‌کنند.

پیش‌بینی LTV در روز 7

Day-7 LTV — محبوب‌ترین پیش‌بینی زودهنگام. اگر کاربر خریدی در 7 روز انجام نداده باشد، احتمال خرید در آینده 80% کاهش می‌یابد. متریک Day-7 LTV با ضرب ARPU روزانه برای 7 روز در Lifetime پیش‌بینی شده محاسبه می‌شود. همبستگی Day-7 LTV با LTV 365 روزه به 0.85 در دسته Games می‌رسد.

نسبت LTV و CAC

نسبت LTV / CAC — شاخص اصلی اقتصاد واحد برنامه موبایل. قانون کسب‌وکار سالم: LTV/CAC >= 3. اگر نسبت کمتر از 3 باشد، کسب‌وکار مقیاس‌پذیر نیست — هر کاربر جذب‌شده درآمد کافی برای پوشش هزینه‌های بازاریابی و عملیاتی ندارد.

سرمایه‌گذاران خطرپذیر برای seed-round LTV/CAC > 3 و برای Series A > 5 را می‌خواهند. بر اساس داده‌های OpenView (2025)، میانه LTV/CAC برای شرکت‌های mobile-first 3.2 است. بهترین شرکت‌ها 5–7 را نشان می‌دهند. Payback period (زمان بازگشت CAC) نباید برای مدل‌های اشتراکی از 12 ماه تجاوز کند.

توجه به این نکته مهم است که LTV/CAC بر اساس LTV پیش‌بینی شده محاسبه می‌شود، نه تاریخی. اگر پیش‌بینی بیش از حد باشد — نسبت سالم به نظر می‌رسد، اما کسب‌وکار واقعی زیان‌ده است. پیش‌بینی محافظه‌کارانه LTV بر اساس P50 (میانه) قابل اعتمادتر از میانگین است.

LTV در دسته‌های مختلف برنامه‌ها

LTV بسیار متفاوت است بر اساس دسته‌ها. درک مقادیر معمول به تعیین اهداف واقع‌بینانه و انتخاب استراتژی کسب درآمد کمک می‌کند. داده‌های ارائه شده بر اساس گزارش‌های Data.ai و Sensor Tower برای سال 2025 است.

Hypercasual Games کمترین LTV را دارند — 0.20–0.50 دلار. مدل مبتنی بر تبلیغات است: کاربر 3–5 روز بازی می‌کند، rewarded video تماشا می‌کند، سپس ترک می‌کند. با چنین LTV، CAC نمی‌تواند از 0.10–0.15 دلار تجاوز کند که فقط با ترافیک انبوه و خلاقیت‌های بهینه‌شده قابل دستیابی است.

Strategy Games — بالاترین LTV در بازی‌ها: 25–50 دلار. کاربران 6–18 ماه باقی می‌مانند، به طور فعال تقویت‌کننده‌ها و اشتراک‌ها را خریداری می‌کنند. LTV بالا امکان هزینه تا 10–15 دلار برای هر نصب در UA را فراهم می‌کند. کیفیت ترافیک مهم‌تر از کمیت آن می‌شود.

Health & Fitness — LTV 30–60 دلار به لطف اشتراک‌ها. کاربر متوسط 8–15 دلار در ماه به مدت 4–6 ماه پرداخت می‌کند. اشتراک‌ها LTV قابل پیش‌بینی و ارزش‌گذاری بالای کسب‌وکار توسط سرمایه‌گذاران را تضمین می‌کنند.

Social Dating — LTV به 100–500 دلار می‌رسد. کاربران برای اشتراک‌ها و هدایای مجازی پرداخت می‌کنند، Lifetime می‌تواند از 12 ماه تجاوز کند. این سودآورترین دسته برنامه‌های موبایل از نظر LTV است، اما CAC در اینجا حداکثر است — 20–50 دلار.

چگونه LTV را افزایش دهیم

افزایش LTV — وظیفه استراتژیکی که از طریق بهبود محصول حل می‌شود. همه روش‌ها به سه گروه تقسیم می‌شوند: افزایش retention، افزایش ARPU و کاهش churn. هر گروه اثر ضربی بر LTV دارد.

گروه اول — retention. افزایش Day-7 retention به میزان 10% باعث رشد LTV به میزان 15–20% می‌شود. روش‌ها: شخصی‌سازی onboarding، اعلان‌های push با محتوای مرتبط، بازی‌سازی (achievements, leaderboards, streaks). Duolingo — مثال کلاسیک: مکانیک streak کاربران را برای سال‌ها نگه می‌دارد و LTV را 3–4 برابر بالاتر از میانگین EdTech تضمین می‌کند.

گروه دوم — ARPU. روش‌ها در مقاله درباره ARPU توضیح داده شده‌اند: اشتراک‌ها، بهینه‌سازی مکان‌های تبلیغاتی، شخصی‌سازی پیشنهادات. رشد ARPU به میزان 10% با retention یکسان باعث افزایش مستقیم LTV به میزان 10% می‌شود.

گروه سوم — کاهش churn. کمپین‌های Win-back (بازگرداندن کاربران رفته)، بهبود پشتیبانی مشتری، تحلیل نقاط خروج. کاهش churn ماهانه از 15% به 10% Average Lifetime را از 6.7 به 10 ماه افزایش می‌دهد — رشد 50% LTV با ARPU ثابت.