LTV — что это такое, прогнозирование ценности пользователя

Что такое LTV?

LTV (Lifetime Value) — прогнозируемая чистая прибыль, которую принесёт один пользователь за весь период использования продукта. В мобильной разработке LTV является краеугольным камнем экономики приложения: именно эта метрика определяет, сколько можно потратить на привлечение пользователя через рекламу.

Метрика объединяет в себе три компонента: средний доход за период (ARPU), среднюю продолжительность жизни пользователя и валовую маржу. Без LTV невозможно обосновать бюджет на UA (User Acquisition). Инвесторы оценивают стартап по мультипликатору LTV: SaaS-компании оцениваются в 5–10× LTV годовой подписки.

По данным OpenView (2025), медианный LTV в мобильных приложениях составляет 14,50 доллара для категории Games, 22 доллара для Social и 45 долларов для Health & Fitness. Разброс огромен — от 0,50 доллара в Hypercasual до 500+ долларов в Dating-приложениях с длинным LifeTime.

Зачем нужен LTV в мобильной разработке

LTV решает три бизнес-задачи. Первая — оценка окупаемости рекламы. Если LTV меньше CPI, приложение убыточно. Вторая — приоритизация фич: какие изменения продукта увеличивают LTV, те и внедряются. Третья — прогнозирование выручки: зная LTV новых пользователей, можно предсказать доход на 6–12 месяцев вперёд.

Вторая и третья задачи требуют исторических данных. Для нового приложения без истории используют бенчмарки категории. Sensor Tower и Data.ai предоставляют оценки LTV по категориям и регионам. Однако бенчмарки — это ориентир, а не истина: LTV конкретного приложения может отличаться в 2–3 раза от среднего по рынку.

LTV vs Lifetime Gross Profit

LTV может считаться на основе дохода (Revenue LTV) или прибыли (Profit LTV). Profit LTV вычитает из Revenue LTV cost of goods sold (COGS): комиссии магазинов (15–30%), серверные расходы, эквайринг. Apple и Google берут 15–30% от каждой покупки — это существенно снижает реальный LTV. Для корректного сравнения с CAC используйте Profit LTV.

Как рассчитать LTV

Существует три метода расчёта LTV: исторический, когортный и прогнозный. Каждый метод даёт разную точность на разных горизонтах. Исторический LTV считается для пользователей, которые уже завершили жизненный цикл — он точен, но неприменим для активных пользователей.

Когортный метод — золотой стандарт. Пользователи группируются по дате установки (Day 0 cohort), и для каждой когорты строится кривая дохода по дням. Экстраполяция этой кривой даёт прогноз LTV. По данным Amplitude (2025), когортный LTV для 90-дневного окна имеет погрешность всего 5–8% при прогнозе на 12 месяцев.

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
    )
}

Метод extrapolateRevenue использует кривую затухания дохода. Обычно она аппроксимируется степенной функцией (power law): revenue на day N = revenue_day_1 × N^(-alpha). Alpha вычисляется по историческим данным. ApplyDiscountRate приводит будущие доходы к текущей стоимости — стандартная финансовая практика для корректной оценки.

Формула базового LTV

Самая простая формула LTV: ARPU × Average Lifetime. Средняя продолжительность жизни — это Average Churn Rate^−1. Если пользователи уходят со скоростью 10% в месяц, Average Lifetime = 1 / 0,10 = 10 месяцев. При Monthly ARPU 2 доллара LTV = 2 × 10 = 20 долларов. Формула полезна для быстрой оценки, но игнорирует изменение ARPU со временем.

Модели прогнозирования LTV

Прогнозирование LTV — сложная задача, требующая продвинутых статистических методов. Для точного прогноза на ранних этапах (Day 1 — Day 30) используются ML-модели, которые анализируют поведенческие сигналы: первые покупки, частоту сессий и вовлечённость.

Probabilistic Models — BG/NBD (Beta-Geometric / Negative Binomial Distribution) — классический подход для прогнозирования повторных покупок. Модель оценивает вероятность, что пользователь останется активным, и ожидаемое количество транзакций. Модель Fader & Hardie (2013) остаётся де-факто стандартом для LTV без ML.

ML-модели — Random Forest, XGBoost и нейронные сети. Они учитывают десятки фич: источники трафика, устройство, страну, первые действия. Google Cloud recommandation.ai использует Deep Neural Network для LTV прогноза на основе событий первых 7 дней. Точность таких моделей на 15–25% выше вероятностных (Google, 2025).

Гибридный подход сочетает вероятностную модель для базового прогноза и ML-коррекцию для групп с аномальным поведением. На практике гибрид даёт наилучшее соотношение точности и вычислительной стоимости. Большинство платформ (Amplitude, Mixpanel) используют гибридные модели для автоматического LTV.

Прогноз LTV на 7-й день

Day-7 LTV — наиболее популярный ранний прогноз. Если пользователь не совершил покупку за 7 дней, вероятность покупки в будущем снижается на 80%. Метрика Day-7 LTV высчитывается умножением Daily ARPU за 7 дней на прогнозируемый Lifetime. Корреляция Day-7 LTV с 365 дневным LTV достигает 0,85 в категории Games.

Соотношение LTV и CAC

LTV / CAC ratio — главный показатель юнит-экономики мобильного приложения. Правило здорового бизнеса: LTV/CAC >= 3. Если соотношение меньше 3, бизнес не масштабируется — каждый привлечённый пользователь приносит недостаточно дохода, чтобы окупить маркетинговые затраты и операционные расходы.

Венчурные инвесторы требуют LTV/CAC > 3 для seed-раунда и > 5 для Series A. По данным OpenView (2025), медианный LTV/CAC для mobile-first компаний составляет 3,2. Лучшие компании показывают 5–7. Payback period (время окупаемости CAC) не должен превышать 12 месяцев для subscription-моделей.

Важно учитывать, что LTV/CAC считается на основе прогнозного LTV, а не исторического. Если прогноз завышен — соотношение кажется здоровым, а реальный бизнес убыточен. Консервативный прогноз LTV на основе P50 (медианы) надёжнее, чем на основе среднего.

LTV в разных категориях приложений

LTV сильно варьируется по категориям. Понимание типичных значений помогает ставить реалистичные цели и выбирать стратегию монетизации. Приведённые данные основаны на отчётах Data.ai и Sensor Tower за 2025 год.

Hypercasual Games имеют самый низкий LTV — 0,20–0,50 доллара. Модель основана на рекламе: пользователь играет 3–5 дней, смотрит rewarded video, затем уходит. При таком LTV CAC не может превышать 0,10–0,15 доллара, что достижимо только при массовом трафике и оптимизированных креативах.

Strategy Games — самый высокий LTV в гейминге: 25–50 долларов. Пользователи остаются на 6–18 месяцев, активно покупают бустеры и подписки. Высокий LTV позволяет тратить на UA до 10–15 долларов за установку. Качество трафика становится важнее его объёма.

Health & Fitness — LTV 30–60 долларов за счёт подписок. Средний пользователь платит 8–15 долларов в месяц на протяжении 4–6 месяцев. Subscriptions обеспечивают предсказуемый LTV и высокую оценку бизнеса инвесторами.

Social Dating — LTV достигает 100–500 долларов. Пользователи платят за подписки и виртуальные подарки, Lifetime может превышать 12 месяцев. Это самая прибыльная категория мобильных приложений с точки зрения LTV, но и CAC здесь максимальный — 20–50 долларов.

Как увеличить LTV

Увеличение LTV — стратегическая задача, решаемая через улучшение продукта. Все методы делятся на три группы: повышение retention, повышение ARPU и снижение churn. Каждая группа даёт мультипликативный эффект на LTV.

Первая группа — retention. Увеличение Day-7 retention на 10% даёт рост LTV на 15–20%. Методы: персонализация онбординга, push-уведомления с релевантным контентом, геймификация (achievements, leaderboards, streaks). Duolingo — классический пример: streak-механика удерживает пользователей годами, обеспечивая LTV в 3–4 раза выше среднего по EdTech.

Вторая группа — ARPU. Методы описаны в статье об ARPU: подписки, оптимизация рекламных мест, персонализация предложений. Рост ARPU на 10% при том же retention даёт прямой рост LTV на 10%.

Третья группа — снижение churn. Win-back кампании (возврат ушедших), улучшение customer support, анализ точек оттока. Снижение месячного churn с 15% до 10% увеличивает Average Lifetime с 6,7 до 10 месяцев — рост LTV на 50% при неизменном ARPU.