LTV — o que é, previsão do valor do utilizador

O que é LTV?

LTV (Lifetime Value) é o lucro líquido previsto que um utilizador gerará durante todo o período de uso do produto. No desenvolvimento móvel, o LTV é a pedra angular da economia da aplicação: esta métrica determina quanto pode ser gasto na aquisição de utilizadores através de publicidade.

A métrica combina três componentes: receita média por período (ARPU), vida média do utilizador e margem bruta. Sem LTV, é impossível justificar um orçamento de UA (User Acquisition). Os investidores avaliam uma startup pelo multiplicador de LTV: as empresas SaaS são valorizadas em 5–10× o LTV da subscrição anual.

Segundo a OpenView (2025), o LTV médio em aplicações móveis é de $14.50 para a categoria Games, $22 para Social e $45 para Health & Fitness. A variação é enorme — desde $0.50 em Hypercasual até $500+ em aplicações de Dating com vida útil longa.

Porque é que o LTV é importante no desenvolvimento móvel

O LTV resolve três problemas empresariais. Primeiro — avaliar o ROI publicitário. Se o LTV for inferior ao CPI, a aplicação não é rentável. Segundo — priorização de funcionalidades: as alterações do produto que aumentam o LTV são implementadas. Terceiro — previsão de receitas: conhecendo o LTV dos novos utilizadores, é possível prever as receitas com 6–12 meses de antecedência.

O segundo e terceiro problemas requerem dados históricos. Para uma aplicação nova sem histórico, utilizam-se referências da categoria. A Sensor Tower e a Data.ai fornecem estimativas de LTV por categoria e região. No entanto, os benchmarks são uma referência, não a verdade: o LTV de uma aplicação específica pode diferir 2–3 vezes da média do mercado.

LTV vs lucro bruto vitalício

O LTV pode ser calculado com base na receita (Revenue LTV) ou no lucro (Profit LTV). O Profit LTV subtrai o custo dos bens vendidos (COGS) do Revenue LTV: comissões das lojas (15–30%), custos de servidor, processamento de pagamentos. A Apple e a Google cobram 15–30% de cada compra — isto reduz significativamente o LTV real. Para uma comparação correta com o CAC, utilize o Profit LTV.

Como calcular o LTV

Existem três métodos para calcular o LTV: histórico, de coorte e preditivo. Cada método oferece uma precisão diferente em horizontes diferentes. O LTV histórico é calculado para utilizadores que já completaram o seu ciclo de vida — é preciso mas não aplicável a utilizadores ativos.

O método de coorte é o padrão de ouro. Os utilizadores são agrupados por data de instalação (coorte Day 0) e é construída uma curva de receita para cada coorte por dia. A extrapolação desta curva fornece uma previsão de LTV. Segundo a Amplitude (2025), o LTV de coorte para uma janela de 90 dias tem uma margem de erro de apenas 5–8% ao prever 12 meses.

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
    )
}

O método extrapolateRevenue utiliza uma curva de decaimento de receita. Geralmente é aproximado por uma lei de potência: receita no dia N = revenue_day_1 × N^(-alpha). O Alpha é calculado a partir de dados históricos. O ApplyDiscountRate traz as receitas futuras para o valor presente — prática financeira padrão para uma avaliação correta.

Fórmula básica do LTV

A fórmula mais simples do LTV: ARPU × Average Lifetime. A vida média é Average Churn Rate^−1. Se os utilizadores abandonam a uma taxa de 10% mensal, Average Lifetime = 1 / 0.10 = 10 meses. Com um ARPU mensal de $2, LTV = 2 × 10 = $20. Esta fórmula é útil para estimativas rápidas, mas ignora as alterações do ARPU ao longo do tempo.

Modelos de previsão de LTV

A previsão de LTV é uma tarefa complexa que requer métodos estatísticos avançados. Para previsões precisas em fases iniciais (Day 1 — Day 30), são utilizados modelos de ML que analisam sinais comportamentais: primeiras compras, frequência de sessões e envolvimento.

Modelos probabilísticos — BG/NBD (Beta-Geometric / Negative Binomial Distribution) — uma abordagem clássica para prever compras repetidas. O modelo estima a probabilidade de um utilizador permanecer ativo e o número esperado de transações. O modelo de Fader & Hardie (2013) continua a ser o padrão de facto para LTV sem ML.

Modelos de ML — Random Forest, XGBoost e redes neuronais. Têm em conta dezenas de características: fontes de tráfego, dispositivo, país, primeiras ações. O Google Cloud recommendation.ai utiliza redes neuronais profundas para previsão de LTV com base nos eventos dos primeiros 7 dias. A precisão destes modelos é 15–25% superior à dos modelos probabilísticos (Google, 2025).

Abordagem híbrida combina um modelo probabilístico para a previsão base e uma correção de ML para grupos com comportamento anómalo. Na prática, a abordagem híbrida oferece o melhor equilíbrio entre precisão e custo computacional. A maioria das plataformas (Amplitude, Mixpanel) utiliza modelos híbridos para LTV automático.

Previsão de LTV no dia 7

O LTV do dia 7 é a previsão precoce mais popular. Se um utilizador não realizar uma compra em 7 dias, a probabilidade de compra futura diminui 80%. O LTV do dia 7 é calculado multiplicando o ARPU diário de 7 dias pela vida útil prevista. A correlação do LTV do dia 7 com o LTV de 365 dias atinge 0.85 na categoria de Games.

Relação LTV e CAC

A relação LTV/CAC é a principal métrica de economia unitária de uma aplicação móvel. A regra para um negócio saudável: LTV/CAC >= 3. Se a relação for inferior a 3, o negócio não escala — cada utilizador adquirido gera receita insuficiente para cobrir os custos de marketing e as despesas operacionais.

Os investidores de capital de risco exigem LTV/CAC > 3 para a ronda seed e > 5 para a Série A. Segundo a OpenView (2025), a mediana de LTV/CAC para empresas mobile-first é de 3.2. As melhores empresas alcançam 5–7. O período de retorno do investimento não deve exceder 12 meses para modelos de subscrição.

É importante notar que o LTV/CAC é calculado com base no LTV previsto, não no histórico. Se a previsão for exagerada — a relação parece saudável enquanto o negócio real não é rentável. Uma previsão conservadora do LTV baseada no P50 (mediana) é mais fiável do que uma baseada na média.

LTV por categoria de aplicação

O LTV varia significativamente consoante a categoria. Conhecer os valores típicos ajuda a definir objetivos realistas e escolher uma estratégia de monetização. Os dados seguintes baseiam-se em relatórios da Data.ai e da Sensor Tower de 2025.

Hypercasual Games têm o LTV mais baixo — $0.20–$0.50. O modelo baseia-se em anúncios: os utilizadores jogam 3–5 dias, veem vídeos recompensados e depois saem. Com este LTV, o CAC não pode exceder $0.10–$0.15, o que só é alcançável com tráfego massivo e criativos otimizados.

Strategy Games têm o LTV mais alto no gaming: $25–$50. Os utilizadores permanecem 6–18 meses, comprando ativamente boosters e subscrições. Um LTV elevado permite gastar até $10–$15 por instalação em UA. A qualidade do tráfego torna-se mais importante do que o volume.

Health & Fitness — LTV de $30–$60 graças às subscrições. O utilizador médio paga $8–$15 por mês durante 4–6 meses. As subscrições proporcionam um LTV previsível e uma elevada valorização empresarial por parte dos investidores.

Social Dating — o LTV atinge $100–$500. Os utilizadores pagam por subscrições e presentes virtuais; a vida útil pode exceder 12 meses. É a categoria de aplicações móveis mais rentável em termos de LTV, mas o CAC também é o mais elevado — $20–$50.

Como aumentar o LTV

Aumentar o LTV é uma tarefa estratégica que se resolve melhorando o produto. Todos os métodos dividem-se em três grupos: melhorar a retenção, aumentar o ARPU e reduzir a taxa de abandono. Cada grupo tem um efeito multiplicador sobre o LTV.

Primeiro grupo — retenção. Aumentar a retenção no Day-7 em 10% produz um crescimento do LTV de 15–20%. Métodos: integração personalizada, notificações push com conteúdo relevante, gamificação (conquistas, tabelas de classificação, rachas). O Duolingo é um exemplo clássico: a mecânica de rachas retém os utilizadores durante anos, garantindo um LTV 3–4 vezes superior à média da EdTech.

Segundo grupo — ARPU. Os métodos estão descritos no artigo sobre ARPU: subscrições, otimização de espaços publicitários, personalização de ofertas. Um aumento do ARPU de 10% com a mesma retenção dá um aumento direto do LTV de 10%.

Terceiro grupo — redução da taxa de abandono. Campanhas de reactivação (recuperar utilizadores perdidos), melhoria do apoio ao cliente, análise dos pontos de abandono. Reduzir a taxa de abandono mensal de 15% para 10% aumenta a vida média de 6.7 para 10 meses — um crescimento do LTV de 50% com o ARPU inalterado.