LTV — cos’è, previsione del valore dell’utente

Cos’è il LTV?

LTV (Lifetime Value) è l’utile netto previsto che un singolo utente genererà durante l’intero periodo di utilizzo del prodotto. Nello sviluppo mobile, il LTV è la pietra angolare dell’economia dell’app: questa metrica determina quanto può essere speso per l’acquisizione di utenti tramite pubblicità.

La metrica combina tre componenti: ricavo medio per periodo (ARPU), durata media dell’utente e margine lordo. Senza LTV, è impossibile giustificare un budget di UA (User Acquisition). Gli investitori valutano una startup attraverso il moltiplicatore LTV: le aziende SaaS sono valutate 5–10× il LTV dell’abbonamento annuale.

Secondo OpenView (2025), il LTV mediano nelle app mobili è di 14,50 $ per la categoria Games, 22 $ per Social e 45 $ per Health & Fitness. La variazione è enorme — da 0,50 $ negli Hypercasual a 500 $+ nelle app di Dating con una lunga durata di vita.

Perché il LTV è importante nello sviluppo mobile

Il LTV risolve tre problemi aziendali. Primo — valutazione del ROI pubblicitario. Se il LTV è inferiore al CPI, l’app non è redditizia. Secondo — priorità delle funzionalità: le modifiche al prodotto che aumentano il LTV vengono implementate. Terzo — previsione dei ricavi: conoscendo il LTV dei nuovi utenti, è possibile prevedere i ricavi con 6–12 mesi di anticipo.

Il secondo e terzo problema richiedono dati storici. Per una nuova app senza storico, vengono utilizzati benchmark di categoria. Sensor Tower e Data.ai forniscono stime di LTV per categoria e regione. Tuttavia, i benchmark sono un riferimento, non la verità: il LTV di un’app specifica può differire 2–3 volte dalla media di mercato.

LTV vs profitto lordo vitalizio

Il LTV può essere calcolato in base ai ricavi (Revenue LTV) o all’utile (Profit LTV). Profit LTV sottrae il costo del venduto (COGS) dal Revenue LTV: commissioni degli store (15–30%), costi del server, elaborazione dei pagamenti. Apple e Google prendono il 15–30% di ogni acquisto — questo riduce significativamente il LTV reale. Per un confronto corretto con il CAC, utilizza Profit LTV.

Come calcolare il LTV

Esistono tre metodi per calcolare il LTV: storico, di coorte e predittivo. Ogni metodo offre una precisione diversa a diversi orizzonti. Il LTV storico viene calcolato per gli utenti che hanno già completato il loro ciclo di vita — è preciso ma non applicabile agli utenti attivi.

Il metodo di coorte è il gold standard. Gli utenti vengono raggruppati per data di installazione (coorte Day 0) e viene costruita una curva dei ricavi per ogni coorte per giorno. L’estrapolazione di questa curva fornisce una previsione del LTV. Secondo Amplitude (2025), il LTV di coorte per una finestra di 90 giorni ha un margine di errore di solo il 5–8% quando si prevedono 12 mesi.

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
    )
}

Il metodo extrapolateRevenue utilizza una curva di decadimento dei ricavi. Di solito viene approssimata con una legge di potenza: ricavo al giorno N = revenue_day_1 × N^(-alpha). Alpha viene calcolato dai dati storici. ApplyDiscountRate porta i ricavi futuri al valore attuale — pratica finanziaria standard per una valutazione corretta.

Formula base del LTV

La formula più semplice del LTV: ARPU × Average Lifetime. La durata media è Average Churn Rate^−1. Se gli utenti abbandonano al tasso del 10% mensile, Average Lifetime = 1 / 0,10 = 10 mesi. Con un ARPU mensile di 2 $, LTV = 2 × 10 = 20 $. Questa formula è utile per stime rapide ma ignora le variazioni dell’ARPU nel tempo.

Modelli di previsione del LTV

La previsione del LTV è un compito complesso che richiede metodi statistici avanzati. Per previsioni accurate nelle fasi iniziali (Day 1 — Day 30), vengono utilizzati modelli di ML che analizzano segnali comportamentali: primi acquisti, frequenza delle sessioni e coinvolgimento.

Modelli probabilistici — BG/NBD (Beta-Geometric / Negative Binomial Distribution) — un approccio classico per prevedere gli acquisti ripetuti. Il modello stima la probabilità che un utente rimanga attivo e il numero previsto di transazioni. Il modello di Fader & Hardie (2013) rimane lo standard de facto per il LTV senza ML.

Modelli di ML — Random Forest, XGBoost e reti neurali. Prendono in considerazione decine di caratteristiche: fonti di traffico, dispositivo, paese, prime azioni. Google Cloud recommendation.ai utilizza reti neurali profonde per la previsione del LTV basata sugli eventi dei primi 7 giorni. La precisione di questi modelli è del 15–25% superiore rispetto ai modelli probabilistici (Google, 2025).

Approccio ibrido combina un modello probabilistico per la previsione di base e una correzione ML per gruppi con comportamento anomalo. In pratica, l’ibrido offre il miglior equilibrio tra precisione e costo computazionale. La maggior parte delle piattaforme (Amplitude, Mixpanel) utilizza modelli ibridi per il LTV automatico.

Previsione del LTV al 7° giorno

Il LTV al 7° giorno è la previsione anticipata più popolare. Se un utente non ha effettuato un acquisto entro 7 giorni, la probabilità di acquisto futuro diminuisce dell’80%. Il LTV al 7° giorno si calcola moltiplicando l’ARPU giornaliero su 7 giorni per la durata prevista. La correlazione del LTV al 7° giorno con il LTV a 365 giorni raggiunge 0,85 nella categoria Games.

Rapporto LTV e CAC

Il rapporto LTV/CAC è la principale metrica di economia unitaria di un’app mobile. La regola per un’attività sana: LTV/CAC >= 3. Se il rapporto è inferiore a 3, l’attività non scala — ogni utente acquisito genera ricavi insufficienti per coprire i costi di marketing e le spese operative.

Gli investitori di venture capital richiedono LTV/CAC > 3 per il seed round e > 5 per il Series A. Secondo OpenView (2025), il LTV/CAC mediano per le aziende mobile-first è di 3,2. Le migliori aziende raggiungono 5–7. Il periodo di recupero dell’investimento non deve superare i 12 mesi per i modelli di abbonamento.

È importante notare che il LTV/CAC viene calcolato sulla base del LTV previsto, non di quello storico. Se la previsione è troppo ottimistica — il rapporto sembra sano mentre l’attività reale non è redditizia. Una previsione conservativa del LTV basata su P50 (mediana) è più affidabile di una basata sulla media.

LTV per categoria di app

Il LTV varia significativamente in base alla categoria. Comprendere i valori tipici aiuta a fissare obiettivi realistici e scegliere una strategia di monetizzazione. I dati seguenti si basano sui rapporti di Data.ai e Sensor Tower del 2025.

Hypercasual Games hanno il LTV più basso — 0,20–0,50 $. Il modello si basa sulla pubblicità: gli utenti giocano per 3–5 giorni, guardano video premiati, poi se ne vanno. Con un LTV del genere, il CAC non può superare 0,10–0,15 $, raggiungibile solo con traffico massiccio e creatività ottimizzate.

Strategy Games hanno il LTV più alto nel gaming: 25–50 $. Gli utenti rimangono per 6–18 mesi, acquistando attivamente booster e abbonamenti. Un LTV elevato consente di spendere fino a 10–15 $ per installazione in UA. La qualità del traffico diventa più importante della quantità.

Health & Fitness — LTV di 30–60 $ grazie agli abbonamenti. L’utente medio paga 8–15 $ al mese per 4–6 mesi. Gli abbonamenti forniscono un LTV prevedibile e un’elevata valutazione aziendale da parte degli investitori.

Social Dating — il LTV raggiunge 100–500 $. Gli utenti pagano per abbonamenti e regali virtuali; la durata può superare i 12 mesi. È la categoria di app mobili più redditizia in termini di LTV, ma il CAC è anche il più alto — 20–50 $.

Come aumentare il LTV

Aumentare il LTV è un compito strategico che si risolve migliorando il prodotto. Tutti i metodi si dividono in tre gruppi: migliorare la retention, aumentare l’ARPU e ridurre il churn. Ogni gruppo ha un effetto moltiplicativo sul LTV.

Primo gruppo — retention. Aumentare la retention al Day-7 del 10% porta a una crescita del LTV del 15–20%. Metodi: onboarding personalizzato, notifiche push con contenuti pertinenti, gamification (risultati, classifiche, streak). Duolingo è un esempio classico: la meccanica degli streak mantiene gli utenti per anni, garantendo un LTV 3–4 volte superiore alla media EdTech.

Secondo gruppo — ARPU. I metodi sono descritti nell’articolo sull’ARPU: abbonamenti, ottimizzazione degli spazi pubblicitari, personalizzazione delle offerte. Un aumento dell’ARPU del 10% con la stessa retention dà un aumento diretto del LTV del 10%.

Terzo gruppo — riduzione del churn. Campagne di win-back (riattivazione degli utenti abbandonati), miglioramento dell’assistenza clienti, analisi dei punti di abbandono. Ridurre il churn mensile dal 15% al 10% aumenta la durata media da 6,7 a 10 mesi — una crescita del LTV del 50% con ARPU invariato.