LTV — co to jest, prognozowanie wartości użytkownika

Co to jest LTV?

LTV (Lifetime Value) — przewidywany zysk netto, jaki przyniesie jeden użytkownik przez cały okres korzystania z produktu. W tworzeniu aplikacji mobilnych LTV jest kamieniem węgielnym ekonomiki aplikacji: to właśnie ta metryka określa, ile można wydać na pozyskanie użytkownika przez reklamę.

Metryka łączy w sobie trzy komponenty: średni dochód za okres (ARPU), średni czas życia użytkownika oraz marżę brutto. Bez LTV nie można uzasadnić budżetu na UA (User Acquisition). Inwestorzy oceniają startup według mnożnika LTV: firmy SaaS są wyceniane na 5–10× LTV rocznej subskrypcji.

Według danych OpenView (2025), mediana LTV w aplikacjach mobilnych wynosi 14,50 dolara dla kategorii Games, 22 dolary dla Social i 45 dolarów dla Health & Fitness. Rozrzut jest ogromny — od 0,50 dolara w Hypercasual do 500+ dolarów w aplikacjach randkowych z długim LifeTime.

Po co potrzebny jest LTV w tworzeniu aplikacji mobilnych

LTV rozwiązuje trzy zadania biznesowe. Pierwsze — ocena zwrotu z reklamy. Jeśli LTV jest mniejsze niż CPI, aplikacja jest nierentowna. Drugie — priorytetyzacja funkcji: które zmiany produktu zwiększają LTV, te są wdrażane. Trzecie — prognozowanie przychodów: znając LTV nowych użytkowników, można przewidzieć dochód na 6–12 miesięcy naprzód.

Drugie i trzecie zadanie wymagają danych historycznych. Dla nowej aplikacji bez historii używa się benchmarków kategorii. Sensor Tower i Data.ai dostarczają szacunki LTV według kategorii i regionów. Jednak benchmarki to wskazówka, a nie prawda: LTV konkretnej aplikacji może różnić się 2–3 razy od średniej rynkowej.

LTV vs Lifetime Gross Profit

LTV może być obliczane na podstawie dochodu (Revenue LTV) lub zysku (Profit LTV). Profit LTV odejmuje od Revenue LTV cost of goods sold (COGS): prowizje sklepów (15–30%), koszty serwerowe, acquirer. Apple i Google pobierają 15–30% od każdego zakupu — to znacząco obniża rzeczywisty LTV. Do prawidłowego porównania z CAC używaj Profit LTV.

Jak obliczyć LTV

Istnieją trzy metody obliczania LTV: historyczna, kohortowa i prognostyczna. Każda metoda daje inną dokładność na różnych horyzontach. Historyczne LTV liczy się dla użytkowników, którzy już zakończyli cykl życia — jest dokładne, ale nie ma zastosowania dla aktywnych użytkowników.

Metoda kohortowa — złoty standard. Użytkownicy grupowani są według daty instalacji (Day 0 cohort), a dla każdej kohorty budowana jest krzywa dochodu według dni. Ekstrapolacja tej krzywej daje prognozę LTV. Według danych Amplitude (2025), kohortowe LTV dla okna 90-dniowego ma błąd zaledwie 5–8% przy prognozie na 12 miesięcy.

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
    )
}

Metoda extrapolateRevenue wykorzystuje krzywą zaniku dochodu. Zazwyczaj jest aproksymowana funkcją potęgową (power law): revenue na day N = revenue_day_1 × N^(-alpha). Alpha obliczana jest z danych historycznych. ApplyDiscountRate sprowadza przyszłe dochody do bieżącej wartości — standardowa praktyka finansowa dla prawidłowej wyceny.

Wzór podstawowego LTV

Najprostszy wzór LTV: ARPU × Average Lifetime. Średni czas życia to Average Churn Rate^−1. Jeśli użytkownicy odchodzą z szybkością 10% miesięcznie, Average Lifetime = 1 / 0,10 = 10 miesięcy. Przy miesięcznym ARPU 2 dolary LTV = 2 × 10 = 20 dolarów. Wzór jest przydatny do szybkiej oceny, ale ignoruje zmianę ARPU w czasie.

Modele prognozowania LTV

Prognozowanie LTV — złożone zadanie wymagające zaawansowanych metod statystycznych. Do dokładnej prognozy na wczesnych etapach (Day 1 — Day 30) używa się modeli ML, które analizują sygnały behawioralne: pierwsze zakupy, częstotliwość sesji i zaangażowanie.

Probabilistic Models — BG/NBD (Beta-Geometric / Negative Binomial Distribution) — klasyczne podejście do prognozowania powtórnych zakupów. Model ocenia prawdopodobieństwo, że użytkownik pozostanie aktywny, oraz oczekiwaną liczbę transakcji. Model Fader & Hardie (2013) pozostaje de facto standardem dla LTV bez ML.

Modele ML — Random Forest, XGBoost i sieci neuronowe. Uwzględniają dziesiątki cech: źródła ruchu, urządzenie, kraj, pierwsze działania. Google Cloud recommandation.ai wykorzystuje Deep Neural Network do prognozy LTV na podstawie zdarzeń z pierwszych 7 dni. Dokładność takich modeli jest o 15–25% wyższa od probabilistycznych (Google, 2025).

Podejście hybrydowe łączy model probabilistyczny dla podstawowej prognozy i korektę ML dla grup o anormalnym zachowaniu. W praktyce hybryda daje najlepszy stosunek dokładności do kosztów obliczeniowych. Większość platform (Amplitude, Mixpanel) używa modeli hybrydowych do automatycznego LTV.

Prognoza LTV w 7. dniu

Day-7 LTV — najpopularniejsza wczesna prognoza. Jeśli użytkownik nie dokonał zakupu w ciągu 7 dni, prawdopodobieństwo zakupu w przyszłości spada o 80%. Metryka Day-7 LTV obliczana jest przez pomnożenie Daily ARPU za 7 dni przez przewidywany Lifetime. Korelacja Day-7 LTV z 365-dniowym LTV osiąga 0,85 w kategorii Games.

Stosunek LTV do CAC

LTV / CAC ratio — główny wskaźnik ekonomiki jednostkowej aplikacji mobilnej. Zasada zdrowego biznesu: LTV/CAC >= 3. Jeśli stosunek jest mniejszy niż 3, biznes nie skaluje się — każdy pozyskany użytkownik przynosi niewystarczający dochód, aby pokryć koszty marketingowe i operacyjne.

Inwestorzy venture capital wymagają LTV/CAC > 3 dla seed-round i > 5 dla Series A. Według danych OpenView (2025), mediana LTV/CAC dla firm mobile-first wynosi 3,2. Najlepsze firmy osiągają 5–7. Payback period (czas zwrotu CAC) nie powinien przekraczać 12 miesięcy dla modeli subskrypcyjnych.

Ważne jest, aby uwzględnić, że LTV/CAC liczy się na podstawie prognozowanego LTV, a nie historycznego. Jeśli prognoza jest zawyżona — stosunek wydaje się zdrowy, a rzeczywisty biznes jest nierentowny. Konserwatywna prognoza LTV oparta na P50 (medianie) jest bardziej wiarygodna niż na średniej.

LTV w różnych kategoriach aplikacji

LTV znacznie się różni w zależności od kategorii. Zrozumienie typowych wartości pomaga wyznaczać realistyczne cele i wybierać strategię monetyzacji. Przedstawione dane oparte są na raportach Data.ai i Sensor Tower za 2025 rok.

Hypercasual Games mają najniższe LTV — 0,20–0,50 dolara. Model opiera się na reklamie: użytkownik gra 3–5 dni, ogląda rewarded video, a następnie odchodzi. Przy takim LTV CAC nie może przekraczać 0,10–0,15 dolara, co jest osiągalne tylko przy masowym ruchu i zoptymalizowanych kreacjach.

Strategy Games — najwyższe LTV w gamingu: 25–50 dolarów. Użytkownicy pozostają na 6–18 miesięcy, aktywnie kupują boostery i subskrypcje. Wysokie LTV pozwala wydawać na UA do 10–15 dolarów za instalację. Jakość ruchu staje się ważniejsza niż jego ilość.

Health & Fitness — LTV 30–60 dolarów dzięki subskrypcjom. Przeciętny użytkownik płaci 8–15 dolarów miesięcznie przez 4–6 miesięcy. Subskrypcje zapewniają przewidywalne LTV i wysoką wycenę biznesu przez inwestorów.

Social Dating — LTV osiąga 100–500 dolarów. Użytkownicy płacą za subskrypcje i wirtualne prezenty, Lifetime może przekraczać 12 miesięcy. To najbardziej dochodowa kategoria aplikacji mobilnych z punktu widzenia LTV, ale CAC jest tu maksymalny — 20–50 dolarów.

Jak zwiększyć LTV

Zwiększanie LTV — strategiczne zadanie rozwiązywane poprzez ulepszanie produktu. Wszystkie metody dzielą się na trzy grupy: zwiększanie retention, zwiększanie ARPU i zmniejszanie churn. Każda grupa daje efekt mnożnikowy na LTV.

Pierwsza grupa — retention. Zwiększenie Day-7 retention o 10% daje wzrost LTV o 15–20%. Metody: personalizacja onboardingu, powiadomienia push z odpowiednimi treściami, grywalizacja (achievements, leaderboards, streaks). Duolingo — klasyczny przykład: mechanika streak utrzymuje użytkowników przez lata, zapewniając LTV 3–4 razy wyższe niż średnia w EdTech.

Druga grupa — ARPU. Metody opisane są w artykule o ARPU: subskrypcje, optymalizacja miejsc reklamowych, personalizacja ofert. Wzrost ARPU o 10% przy tym samym retention daje bezpośredni wzrost LTV o 10%.

Trzecia grupa — zmniejszanie churn. Kampanie Win-back (powrót byłych użytkowników), poprawa customer support, analiza punktów odpływu. Zmniejszenie miesięcznego churn z 15% do 10% zwiększa Average Lifetime z 6,7 do 10 miesięcy — wzrost LTV o 50% przy niezmienionym ARPU.