LTV — wat is het, voorspellen van gebruikerswaarde

Wat is LTV?

LTV (Lifetime Value) — de voorspelde nettowinst die één gebruiker gedurende de hele gebruiksperiode van het product zal opleveren. In mobiele ontwikkeling is LTV de hoeksteen van de app-economie: precies deze metriek bepaalt hoeveel er kan worden uitgegeven aan het aantrekken van een gebruiker via advertenties.

De metriek combineert drie componenten: het gemiddelde inkomen per periode (ARPU), de gemiddelde levensduur van de gebruiker en de brutomarge. Zonder LTV is het onmogelijk om het budget voor UA (User Acquisition) te rechtvaardigen. Investeerders beoordelen een startup op basis van de LTV-multiplier: SaaS-bedrijven worden gewaardeerd op 5–10× LTV van het jaarlijkse abonnement.

Volgens gegevens van OpenView (2025) bedraagt de mediane LTV in mobiele apps $14,50 voor de categorie Games, $22 voor Social en $45 voor Health & Fitness. De spreiding is enorm — van $0,50 in Hypercasual tot $500+ in datingapps met een lange LifeTime.

Waarom LTV nodig is in mobiele ontwikkeling

LTV lost drie bedrijfstaken op. Ten eerste — beoordeling van de terugverdientijd van advertenties. Als LTV lager is dan CPI, is de app verlieslatend. Ten tweede — prioritering van functies: welke productwijzigingen LTV verhogen, worden geïmplementeerd. Ten derde — inkomstenvoorspelling: met kennis van de LTV van nieuwe gebruikers kan de omzet 6–12 maanden vooruit worden voorspeld.

De tweede en derde taak vereisen historische gegevens. Voor een nieuwe app zonder geschiedenis worden categoriebenchmarks gebruikt. Sensor Tower en Data.ai bieden LTV-schattingen per categorie en regio. Benchmarks zijn echter een richtlijn, geen waarheid: de LTV van een specifieke app kan 2–3 keer afwijken van het marktgemiddelde.

LTV vs Lifetime Gross Profit

LTV kan worden berekend op basis van inkomen (Revenue LTV) of winst (Profit LTV). Profit LTV trekt van Revenue LTV de cost of goods sold (COGS) af: winkelcommissies (15–30%), serverkosten, acquirer. Apple en Google rekenen 15–30% van elke aankoop — dit verlaagt de werkelijke LTV aanzienlijk. Gebruik Profit LTV voor een correcte vergelijking met CAC.

Hoe LTV te berekenen

Er zijn drie methoden om LTV te berekenen: historisch, cohort en voorspellend. Elke methode geeft een andere nauwkeurigheid op verschillende horizonten. Historische LTV wordt berekend voor gebruikers die hun levenscyclus al hebben voltooid — het is nauwkeurig, maar niet toepasbaar voor actieve gebruikers.

De cohortmethode — de gouden standaard. Gebruikers worden gegroepeerd op installatiedatum (Day 0 cohort) en voor elk cohort wordt een inkomenscurve per dag opgesteld. Extrapolatie van deze curve geeft een LTV-voorspelling. Volgens gegevens van Amplitude (2025) heeft cohort-LTV voor een venster van 90 dagen slechts 5–8% foutmarge bij een voorspelling van 12 maanden.

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
    )
}

De extrapolateRevenue-methode gebruikt de inkomensvervalcurve. Deze wordt meestal benaderd met een machtsfunctie (power law): revenue on day N = revenue_day_1 × N^(-alpha). Alpha wordt berekend uit historische gegevens. ApplyDiscountRate brengt toekomstige inkomsten terug naar de huidige waarde — een standaard financiële praktijk voor een correcte waardering.

Formule voor basis-LTV

De eenvoudigste LTV-formule: ARPU × Average Lifetime. De gemiddelde levensduur is Average Churn Rate^−1. Als gebruikers vertrekken met een snelheid van 10% per maand, is Average Lifetime = 1 / 0,10 = 10 maanden. Bij een maandelijkse ARPU van $2 is LTV = 2 × 10 = $20. De formule is nuttig voor een snelle beoordeling, maar negeert de verandering van ARPU in de loop van de tijd.

Modellen voor LTV-voorspelling

LTV-voorspelling — een complexe taak die geavanceerde statistische methoden vereist. Voor een nauwkeurige voorspelling in vroege stadia (Day 1 — Day 30) worden ML-modellen gebruikt die gedragssignalen analyseren: eerste aankopen, sessiefrequentie en betrokkenheid.

Probabilistic Models — BG/NBD (Beta-Geometric / Negative Binomial Distribution) — de klassieke benadering voor het voorspellen van herhaalaankopen. Het model schat de kans dat een gebruiker actief blijft en het verwachte aantal transacties. Het model van Fader & Hardie (2013) blijft de de facto standaard voor LTV zonder ML.

ML-modellen — Random Forest, XGBoost en neurale netwerken. Ze houden tientallen kenmerken in overweging: verkeersbronnen, apparaat, land, eerste acties. Google Cloud recommandation.ai gebruikt Deep Neural Network voor LTV-voorspelling op basis van gebeurtenissen in de eerste 7 dagen. De nauwkeurigheid van dergelijke modellen is 15–25% hoger dan probabilistische modellen (Google, 2025).

Hybride benadering combineert een probabilistisch model voor de basisvoorspelling en ML-correctie voor groepen met afwijkend gedrag. In de praktijk geeft de hybride benadering de beste verhouding tussen nauwkeurigheid en rekenkosten. De meeste platforms (Amplitude, Mixpanel) gebruiken hybride modellen voor automatische LTV.

LTV-voorspelling op dag 7

Day-7 LTV — de meest populaire vroege voorspelling. Als een gebruiker binnen 7 dagen geen aankoop heeft gedaan, neemt de kans op een toekomstige aankoop met 80% af. De metriek Day-7 LTV wordt berekend door de dagelijkse ARPU van 7 dagen te vermenigvuldigen met de voorspelde Lifetime. De correlatie van Day-7 LTV met 365-dagen LTV bereikt 0,85 in de categorie Games.

Verhouding LTV en CAC

LTV / CAC-ratio — de belangrijkste indicator van de eenheidseconomie van een mobiele app. Regel van een gezond bedrijf: LTV/CAC >= 3. Als de verhouding lager is dan 3, is het bedrijf niet schaalbaar — elke aangetrokken gebruiker levert onvoldoende inkomen op om de marketingkosten en operationele uitgaven te dekken.

Venture capital-investeerders eisen LTV/CAC > 3 voor een seed-ronde en > 5 voor Series A. Volgens gegevens van OpenView (2025) is de mediane LTV/CAC voor mobile-first bedrijven 3,2. De beste bedrijven behalen 5–7. De payback period (terugverdientijd van CAC) mag voor abonnementsmodellen niet langer zijn dan 12 maanden.

Het is belangrijk om te bedenken dat LTV/CAC wordt berekend op basis van voorspelde LTV, niet historische LTV. Als de voorspelling te hoog is, lijkt de verhouding gezond, maar is het werkelijke bedrijf verlieslatend. Een conservatieve voorspelling van LTV op basis van P50 (mediaan) is betrouwbaarder dan op basis van het gemiddelde.

LTV in verschillende app-categorieën

LTV varieert sterk per categorie. Inzicht in typische waarden helpt bij het stellen van realistische doelen en het kiezen van een monetisatiestrategie. De gepresenteerde gegevens zijn gebaseerd op rapporten van Data.ai en Sensor Tower voor 2025.

Hypercasual Games hebben de laagste LTV — $0,20–0,50. Het model is gebaseerd op advertenties: de gebruiker speelt 3–5 dagen, bekijkt rewarded video en vertrekt. Bij een dergelijke LTV mag CAC niet hoger zijn dan $0,10–0,15, wat alleen haalbaar is met massaal verkeer en geoptimaliseerde creatives.

Strategy Games — de hoogste LTV in gaming: $25–50. Gebruikers blijven 6–18 maanden, kopen actief boosters en abonnementen. Hoge LTV maakt het mogelijk om tot $10–15 per installatie aan UA te besteden. De kwaliteit van verkeer wordt belangrijker dan de kwantiteit.

Health & Fitness — LTV van $30–60 dankzij abonnementen. De gemiddelde gebruiker betaalt $8–15 per maand gedurende 4–6 maanden. Abonnementen zorgen voor voorspelbare LTV en een hoge bedrijfswaardering door investeerders.

Social Dating — LTV bereikt $100–500. Gebruikers betalen voor abonnementen en virtuele cadeaus, LifeTime kan langer zijn dan 12 maanden. Dit is de meest winstgevende categorie mobiele apps qua LTV, maar de CAC is hier maximaal — $20–50.

Hoe LTV te verhogen

LTV verhogen — een strategische taak die wordt opgelost door productverbetering. Alle methoden vallen uiteen in drie groepen: retention verhogen, ARPU verhogen en churn verlagen. Elke groep heeft een multiplicatief effect op LTV.

Eerste groep — retention. Verhoging van Day-7 retention met 10% leidt tot een LTV-groei van 15–20%. Methoden: personalisatie van onboarding, pushmeldingen met relevante inhoud, gamification (achievements, leaderboards, streaks). Duolingo — een klassiek voorbeeld: de streak-mechaniek houdt gebruikers jaren vast en zorgt voor een LTV die 3–4 keer hoger ligt dan het gemiddelde in EdTech.

Tweede groep — ARPU. Methoden worden beschreven in het artikel over ARPU: abonnementen, optimalisatie van advertentieplekken, personalisatie van aanbiedingen. Een ARPU-stijging van 10% bij gelijkblijvende retention leidt tot een directe LTV-stijging van 10%.

Derde groep — churn verlagen. Win-back campagnes (terugbrengen van vertrokken gebruikers), verbetering van klantenondersteuning, analyse van vertrekpunten. Verlaging van maandelijkse churn van 15% naar 10% verhoogt de Average Lifetime van 6,7 naar 10 maanden — een LTV-stijging van 50% bij ongewijzigde ARPU.