LTV — apa itu, memprediksi nilai pengguna

Apa itu LTV?

LTV (Lifetime Value) — keuntungan bersih yang diproyeksikan yang akan dihasilkan satu pengguna selama seluruh periode penggunaan produk. Dalam pengembangan aplikasi mobile, LTV adalah landasan ekonomi aplikasi: metrik inilah yang menentukan berapa banyak yang dapat dibelanjakan untuk menarik pengguna melalui iklan.

Metrik ini menggabungkan tiga komponen: pendapatan rata-rata per periode (ARPU), rata-rata masa hidup pengguna, dan margin kotor. Tanpa LTV, tidak mungkin untuk membenarkan anggaran UA (User Acquisition). Investor mengevaluasi startup berdasarkan pengganda LTV: perusahaan SaaS dinilai 5–10× LTV dari langganan tahunan.

Menurut data OpenView (2025), median LTV di aplikasi mobile adalah $14,50 untuk kategori Games, $22 untuk Social, dan $45 untuk Health & Fitness. Variasinya sangat besar — dari $0,50 di Hypercasual hingga $500+ di aplikasi kencan dengan LifeTime yang panjang.

Mengapa LTV diperlukan dalam pengembangan mobile

LTV memecahkan tiga tugas bisnis. Pertama — evaluasi pengembalian iklan. Jika LTV lebih kecil dari CPI, aplikasi tidak menguntungkan. Kedua — prioritas fitur: perubahan produk mana yang meningkatkan LTV, itulah yang diterapkan. Ketiga — prediksi pendapatan: mengetahui LTV pengguna baru, pendapatan dapat diprediksi 6–12 bulan ke depan.

Tugas kedua dan ketiga memerlukan data historis. Untuk aplikasi baru tanpa riwayat, digunakan tolok ukur kategori. Sensor Tower dan Data.ai menyediakan estimasi LTV berdasarkan kategori dan wilayah. Namun tolok ukur adalah panduan, bukan kebenaran: LTV aplikasi tertentu dapat berbeda 2–3 kali dari rata-rata pasar.

LTV vs Lifetime Gross Profit

LTV dapat dihitung berdasarkan pendapatan (Revenue LTV) atau laba (Profit LTV). Profit LTV mengurangi dari Revenue LTV cost of goods sold (COGS): komisi toko (15–30%), biaya server, akuisisi. Apple dan Google mengambil 15–30% dari setiap pembelian — ini secara signifikan menurunkan LTV riil. Untuk perbandingan yang benar dengan CAC, gunakan Profit LTV.

Cara menghitung LTV

Ada tiga metode untuk menghitung LTV: historis, kohort, dan prediktif. Setiap metode memberikan akurasi yang berbeda pada cakrawala yang berbeda. LTV historis dihitung untuk pengguna yang telah menyelesaikan siklus hidup — akurat, tetapi tidak berlaku untuk pengguna aktif.

Metode kohort — standar emas. Pengguna dikelompokkan berdasarkan tanggal instalasi (Day 0 cohort), dan untuk setiap kohort dibangun kurva pendapatan per hari. Ekstrapolasi kurva ini memberikan prediksi LTV. Menurut data Amplitude (2025), LTV kohort untuk jendela 90 hari memiliki kesalahan hanya 5–8% pada prediksi 12 bulan.

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
    )
}

Metode extrapolateRevenue menggunakan kurva peluruhan pendapatan. Biasanya didekati dengan fungsi pangkat (power law): revenue on day N = revenue_day_1 × N^(-alpha). Alpha dihitung dari data historis. ApplyDiscountRate membawa pendapatan masa depan ke nilai sekarang — praktik keuangan standar untuk penilaian yang benar.

Rumus LTV dasar

Rumus LTV paling sederhana: ARPU × Average Lifetime. Rata-rata masa hidup adalah Average Churn Rate^−1. Jika pengguna pergi dengan kecepatan 10% per bulan, Average Lifetime = 1 / 0,10 = 10 bulan. Dengan ARPU bulanan $2, LTV = 2 × 10 = $20. Rumus ini berguna untuk penilaian cepat, tetapi mengabaikan perubahan ARPU dari waktu ke waktu.

Model prediksi LTV

Prediksi LTV — tugas kompleks yang memerlukan metode statistik canggih. Untuk prediksi akurat pada tahap awal (Day 1 — Day 30) digunakan model ML yang menganalisis sinyal perilaku: pembelian pertama, frekuensi sesi, dan keterlibatan.

Probabilistic Models — BG/NBD (Beta-Geometric / Negative Binomial Distribution) — pendekatan klasik untuk memprediksi pembelian berulang. Model memperkirakan probabilitas bahwa pengguna akan tetap aktif dan jumlah transaksi yang diharapkan. Model Fader & Hardie (2013) tetap menjadi standar de facto untuk LTV tanpa ML.

Model ML — Random Forest, XGBoost, dan jaringan saraf. Mereka mempertimbangkan puluhan fitur: sumber lalu lintas, perangkat, negara, tindakan pertama. Google Cloud recommandation.ai menggunakan Deep Neural Network untuk prediksi LTV berdasarkan peristiwa 7 hari pertama. Akurasi model tersebut 15–25% lebih tinggi dari model probabilistik (Google, 2025).

Pendekatan hibrida menggabungkan model probabilistik untuk prediksi dasar dan koreksi ML untuk kelompok dengan perilaku abnormal. Dalam praktiknya, pendekatan hibrida memberikan rasio akurasi dan biaya komputasi terbaik. Sebagian besar platform (Amplitude, Mixpanel) menggunakan model hibrida untuk LTV otomatis.

Prediksi LTV pada hari ke-7

Day-7 LTV — prediksi awal paling populer. Jika pengguna belum melakukan pembelian dalam 7 hari, probabilitas pembelian di masa depan menurun sebesar 80%. Metrik Day-7 LTV dihitung dengan mengalikan ARPU harian selama 7 hari dengan Lifetime yang diprediksi. Korelasi Day-7 LTV dengan LTV 365 hari mencapai 0,85 dalam kategori Games.

Rasio LTV dan CAC

Rasio LTV / CAC — indikator utama ekonomi unit aplikasi mobile. Aturan bisnis yang sehat: LTV/CAC >= 3. Jika rasio kurang dari 3, bisnis tidak dapat diskalakan — setiap pengguna yang diperoleh menghasilkan pendapatan yang tidak cukup untuk menutupi biaya pemasaran dan pengeluaran operasional.

Investor modal ventura mensyaratkan LTV/CAC > 3 untuk seed-round dan > 5 untuk Series A. Menurut data OpenView (2025), median LTV/CAC untuk perusahaan mobile-first adalah 3,2. Perusahaan terbaik menunjukkan 5–7. Payback period (waktu pengembalian CAC) tidak boleh melebihi 12 bulan untuk model langganan.

Penting untuk diingat bahwa LTV/CAC dihitung berdasarkan LTV prediktif, bukan historis. Jika prediksi terlalu tinggi — rasionya tampak sehat, tetapi bisnis sebenarnya tidak menguntungkan. Prediksi konservatif LTV berdasarkan P50 (median) lebih dapat diandalkan daripada berdasarkan rata-rata.

LTV di berbagai kategori aplikasi

LTV sangat bervariasi antar kategori. Memahami nilai tipikal membantu menetapkan tujuan yang realistis dan memilih strategi monetisasi. Data yang disajikan didasarkan pada laporan Data.ai dan Sensor Tower untuk tahun 2025.

Hypercasual Games memiliki LTV terendah — $0,20–0,50. Model ini didasarkan pada iklan: pengguna bermain 3–5 hari, menonton rewarded video, lalu pergi. Dengan LTV seperti itu, CAC tidak boleh melebihi $0,10–0,15, yang hanya dapat dicapai dengan lalu lintas massal dan materi iklan yang dioptimalkan.

Strategy Games — LTV tertinggi dalam game: $25–50. Pengguna tetap selama 6–18 bulan, secara aktif membeli booster dan langganan. LTV tinggi memungkinkan pengeluaran UA hingga $10–15 per instalasi. Kualitas lalu lintas menjadi lebih penting daripada kuantitasnya.

Health & Fitness — LTV $30–60 berkat langganan. Pengguna rata-rata membayar $8–15 per bulan selama 4–6 bulan. Langganan memberikan LTV yang dapat diprediksi dan penilaian bisnis yang tinggi oleh investor.

Social Dating — LTV mencapai $100–500. Pengguna membayar untuk langganan dan hadiah virtual, LifeTime dapat melebihi 12 bulan. Ini adalah kategori aplikasi mobile paling menguntungkan dari segi LTV, tetapi CAC di sini maksimal — $20–50.

Cara meningkatkan LTV

Meningkatkan LTV — tugas strategis yang diselesaikan melalui perbaikan produk. Semua metode dibagi menjadi tiga kelompok: meningkatkan retensi, meningkatkan ARPU, dan mengurangi churn. Setiap kelompok memberikan efek multiplikatif pada LTV.

Kelompok pertama — retensi. Peningkatan retensi Day-7 sebesar 10% menghasilkan pertumbuhan LTV sebesar 15–20%. Metode: personalisasi onboarding, notifikasi push dengan konten relevan, gamifikasi (achievements, leaderboards, streaks). Duolingo — contoh klasik: mekanik streak mempertahankan pengguna selama bertahun-tahun, memberikan LTV 3–4 kali lebih tinggi dari rata-rata EdTech.

Kelompok kedua — ARPU. Metode dijelaskan dalam artikel tentang ARPU: langganan, optimalisasi tempat iklan, personalisasi penawaran. Peningkatan ARPU sebesar 10% dengan retensi yang sama memberikan peningkatan LTV langsung sebesar 10%.

Kelompok ketiga — mengurangi churn. Kampanye Win-back (mengembalikan pengguna yang pergi), meningkatkan dukungan pelanggan, analisis titik keluar. Mengurangi churn bulanan dari 15% menjadi 10% meningkatkan Average Lifetime dari 6,7 menjadi 10 bulan — peningkatan LTV sebesar 50% dengan ARPU yang tidak berubah.