LTV — mi ez, a felhasználói érték előrejelzése

Mi az LTV?

LTV (Lifetime Value) — az előrejelzett nettó nyereség, amelyet egy felhasználó a termék használatának teljes időtartama alatt hoz. A mobilalkalmazás-fejlesztésben az LTV az alkalmazás-gazdaságosság sarokköve: pontosan ez a metrika határozza meg, hogy mennyit lehet költeni egy felhasználó reklámon keresztüli megszerzésére.

A metrika három összetevőt egyesít: az időszakonkénti átlagos bevételt (ARPU), a felhasználó átlagos élettartamát és a bruttó árrést. LTV nélkül lehetetlen igazolni az UA (User Acquisition) költségvetését. A befektetők az LTV-szorzó alapján értékelik a startupot: a SaaS-vállalatokat az éves előfizetés 5–10-szeres LTV-jével értékelik.

Az OpenView (2025) adatai szerint a mobilalkalmazások medián LTV-je 14,50 dollár a Games kategóriában, 22 dollár a Social és 45 dollár a Health & Fitness esetében. A szórás óriási — 0,50 dollártól a Hypercasualban 500+ dollárig a hosszú LifeTime-nal rendelkező társkereső alkalmazásokban.

Miért van szükség LTV-re a mobilfejlesztésben

Az LTV három üzleti feladatot old meg. Az első — a reklám megtérülésének értékelése. Ha az LTV kisebb, mint a CPI, az alkalmazás veszteséges. A második — a funkciók priorizálása: mely termékmódosítások növelik az LTV-t, azok kerülnek bevezetésre. A harmadik — a bevétel előrejelzése: az új felhasználók LTV-jének ismeretében 6–12 hónapra előre megjósolható a bevétel.

A második és harmadik feladat historikus adatokat igényel. Új, előzmények nélküli alkalmazás esetén kategória-benchmarkokat használnak. A Sensor Tower és a Data.ai kategória és régió szerinti LTV-becsléseket nyújt. A benchmarkok azonban iránymutatások, nem igazságok: egy adott alkalmazás LTV-je 2–3-szor is eltérhet a piaci átlagtól.

LTV vs Lifetime Gross Profit

Az LTV számítható bevétel (Revenue LTV) vagy nyereség (Profit LTV) alapján. A Profit LTV levonja a Revenue LTV-ből a cost of goods sold (COGS) értékét: a boltok jutalékait (15–30%), a szerverköltségeket, az akvirálást. Az Apple és a Google 15–30%-ot vesz el minden vásárlásból — ez jelentősen csökkenti a valós LTV-t. A CAC-cal való helyes összehasonlításhoz használja a Profit LTV-t.

Hogyan számítsuk ki az LTV-t

Három módszer létezik az LTV kiszámítására: historikus, kohort és prediktív. Mindegyik módszer eltérő pontosságot biztosít különböző horizontokon. A historikus LTV-t azokra a felhasználókra számítják, akik már befejezték életciklusukat — pontos, de nem alkalmazható aktív felhasználókra.

A kohort módszer — az arany standard. A felhasználókat telepítési dátum szerint csoportosítják (Day 0 cohort), és minden kohorthoz napok szerinti bevételi görbét építenek. Ennek a görbének az extrapolációja adja az LTV-előrejelzést. Az Amplitude (2025) adatai szerint a 90 napos ablakra számított kohort LTV hibája mindössze 5–8% a 12 hónapos előrejelzésnél.

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
    )
}

Az extrapolateRevenue módszer a bevétel csillapodási görbéjét használja. Általában hatványfüggvénnyel (power law) közelítik: revenue on day N = revenue_day_1 × N^(-alpha). Az Alpha-t historikus adatokból számítják. Az ApplyDiscountRate a jövőbeli bevételeket jelenértékre hozza — a helyes értékelés szokásos pénzügyi gyakorlata.

Az alap LTV képlete

A legegyszerűbb LTV képlet: ARPU × Average Lifetime. Az átlagos élettartam az Average Churn Rate^−1. Ha a felhasználók havonta 10%-os arányban távoznak, Average Lifetime = 1 / 0,10 = 10 hónap. Havi 2 dolláros ARPU esetén LTV = 2 × 10 = 20 dollár. A képlet hasznos a gyors értékeléshez, de figyelmen kívül hagyja az ARPU időbeli változását.

LTV előrejelzési modellek

Az LTV előrejelzése — összetett feladat, amely fejlett statisztikai módszereket igényel. A korai szakaszokban (Day 1 — Day 30) történő pontos előrejelzéshez ML-modelleket használnak, amelyek viselkedési jeleket elemeznek: első vásárlások, munkamenetek gyakorisága és elköteleződés.

Probabilistic Models — BG/NBD (Beta-Geometric / Negative Binomial Distribution) — klasszikus megközelítés az ismételt vásárlások előrejelzésére. A modell megbecsüli annak valószínűségét, hogy a felhasználó aktív marad, és a várható tranzakciók számát. A Fader & Hardie modell (2013) továbbra is a de facto szabvány az LTV-hez ML nélkül.

ML-modellek — Random Forest, XGBoost és neurális hálózatok. Több tucat jellemzőt vesznek figyelembe: forgalmi források, eszköz, ország, első műveletek. A Google Cloud recommandation.ai Deep Neural Network-öt használ az LTV előrejelzésére az első 7 nap eseményei alapján. Az ilyen modellek pontossága 15–25%-kal magasabb, mint a valószínűségi modelleké (Google, 2025).

A hibrid megközelítés egyesíti a valószínűségi modellt az alap-előrejelzéshez és az ML-korrekciót a rendellenes viselkedésű csoportokhoz. A gyakorlatban a hibrid megközelítés adja a legjobb pontosság-számítási költség arányt. A legtöbb platform (Amplitude, Mixpanel) hibrid modelleket használ az automatikus LTV-hez.

LTV előrejelzés a 7. napon

A Day-7 LTV — a legnépszerűbb korai előrejelzés. Ha egy felhasználó 7 napon belül nem vásárolt, a jövőbeni vásárlás valószínűsége 80%-kal csökken. A Day-7 LTV metrikát a 7 nap napi ARPU-jának és az előrejelzett Lifetime-nak a szorzataként számítják. A Day-7 LTV és a 365 napos LTV korrelációja 0,85-öt ér el a Games kategóriában.

LTV és CAC aránya

Az LTV / CAC arány — a mobilalkalmazás egységgazdaságosságának fő mutatója. Az egészséges üzlet szabálya: LTV/CAC >= 3. Ha az arány 3-nál kisebb, az üzlet nem skálázható — minden megszerzett felhasználó nem hoz elegendő bevételt a marketingköltségek és a működési kiadások fedezésére.

A kockázati tőkebefektetők LTV/CAC > 3-at követelnek a seed-round-höz és > 5-öt a Series A-hoz. Az OpenView (2025) adatai szerint a mobile-first vállalatok medián LTV/CAC értéke 3,2. A legjobb vállalatok 5–7-et mutatnak. A payback period (a CAC megtérülési ideje) nem haladhatja meg a 12 hónapot az előfizetéses modelleknél.

Fontos figyelembe venni, hogy az LTV/CAC-t prediktív LTV alapján számítják, nem historikus alapján. Ha az előrejelzés túl magas — az arány egészségesnek tűnik, de a valós üzlet veszteséges. A konzervatív LTV-előrejelzés a P50 (medián) alapján megbízhatóbb, mint az átlag alapján.

LTV a különböző alkalmazáskategóriákban

Az LTV kategóriánként nagymértékben változik. A tipikus értékek megértése segít a reális célok kitűzésében és a monetizációs stratégia kiválasztásában. A bemutatott adatok a Data.ai és a Sensor Tower 2025-ös jelentésein alapulnak.

A Hypercasual Games rendelkezik a legalacsonyabb LTV-vel — 0,20–0,50 dollár. A modell reklámon alapul: a felhasználó 3–5 napig játszik, rewarded videókat néz, majd távozik. Ilyen LTV mellett a CAC nem haladhatja meg a 0,10–0,15 dollárt, ami csak tömeges forgalommal és optimalizált kreatívokkal érhető el.

A Strategy Games — a legmagasabb LTV a gamingben: 25–50 dollár. A felhasználók 6–18 hónapig maradnak, aktívan vásárolnak boostereket és előfizetéseket. A magas LTV lehetővé teszi, hogy akár 10–15 dollárt költsenek telepítésenként UA-ra. A forgalom minősége fontosabbá válik, mint a mennyisége.

Health & Fitness — LTV 30–60 dollár az előfizetéseknek köszönhetően. Az átlagos felhasználó 8–15 dollárt fizet havonta 4–6 hónapon keresztül. Az előfizetések kiszámítható LTV-t és magas üzleti értékelést biztosítanak a befektetők szemében.

Social Dating — az LTV eléri a 100–500 dollárt. A felhasználók előfizetésekért és virtuális ajándékokért fizetnek, a LifeTime meghaladhatja a 12 hónapot. Ez a legjövedelmezőbb mobilalkalmazás-kategória az LTV szempontjából, de a CAC itt maximális — 20–50 dollár.

Hogyan növeljük az LTV-t

Az LTV növelése — stratégiai feladat, amelyet a termék fejlesztésével oldanak meg. Minden módszer három csoportra oszlik: a retention növelése, az ARPU növelése és a churn csökkentése. Minden csoport multiplikatív hatással van az LTV-re.

Első csoport — retention. A Day-7 retention 10%-os növelése 15–20%-os LTV-növekedést eredményez. Módszerek: az onboarding személyre szabása, releváns tartalmú push-értesítések, gamification (achievements, leaderboards, streaks). A Duolingo — klasszikus példa: a streak mechanika évekig megtartja a felhasználókat, 3–4-szer magasabb LTV-t biztosítva, mint az EdTech átlag.

Második csoport — ARPU. A módszereket az ARPU-ról szóló cikk írja le: előfizetések, a reklámhelyek optimalizálása, az ajánlatok személyre szabása. Az ARPU 10%-os növekedése azonos retention mellett az LTV 10%-os közvetlen növekedését eredményezi.

Harmadik csoport — a churn csökkentése. Win-back kampányok (távozott felhasználók visszahozása), az ügyfélszolgálat javítása, a lemorzsolódási pontok elemzése. A havi churn csökkentése 15%-ról 10%-ra az Average Lifetime-ot 6,7 hónapról 10 hónapra növeli — az LTV 50%-os növekedése változatlan ARPU mellett.