LTV — vad är det, prognostisering av användarvärde

Vad är LTV?

LTV (Lifetime Value) — den prognostiserade nettovinsten som en användare kommer att generera under hela produktens användningstid. Inom mobilutveckling är LTV hörnstenen i appens ekonomi: det är just detta mätvärde som avgör hur mycket som kan spenderas på att attrahera en användare genom reklam.

Mätvärdet kombinerar tre komponenter: genomsnittlig intäkt per period (ARPU), genomsnittlig användarlivslängd och bruttomarginal. Utan LTV är det omöjligt att motivera budgeten för UA (User Acquisition). Investorer bedömer startupen baserat på LTV-multiplikatorn: SaaS-företag värderas till 5–10× LTV av årsprenumerationen.

Enligt data från OpenView (2025) är median-LTV i mobilappar 14,50 dollar för kategorin Games, 22 dollar för Social och 45 dollar för Health & Fitness. Spridningen är enorm — från 0,50 dollar i Hypercasual till 500+ dollar i dejtingappar med lång LifeTime.

Varför LTV behövs inom mobilutveckling

LTV löser tre affärsuppgifter. Första — bedömning av reklamens avkastning. Om LTV är lägre än CPI är appen förlustbringande. Andra — prioritering av funktioner: vilka produktändringar som ökar LTV, de implementeras. Tredje — intäktsprognos: med kunskap om nya användares LTV kan intäkter förutsägas 6–12 månader framåt.

Den andra och tredje uppgiften kräver historiska data. För en ny app utan historik används kategoribenchmarks. Sensor Tower och Data.ai tillhandahåller LTV-uppskattningar per kategori och region. Men benchmarks är vägledning, inte sanning: LTV för en specifik app kan skilja sig 2–3 gånger från marknadsgenomsnittet.

LTV vs Lifetime Gross Profit

LTV kan beräknas baserat på intäkter (Revenue LTV) eller vinst (Profit LTV). Profit LTV drar från Revenue LTV av cost of goods sold (COGS): butikskommissioner (15–30%), serverkostnader, acquirer. Apple och Google tar 15–30% från varje köp — detta minskar avsevärt den verkliga LTV. För korrekt jämförelse med CAC, använd Profit LTV.

Hur man beräknar LTV

Det finns tre metoder för att beräkna LTV: historisk, kohort och prediktiv. Varje metod ger olika noggrannhet på olika horisonter. Historisk LTV beräknas för användare som redan har avslutat sin livscykel — den är korrekt men inte tillämplig för aktiva användare.

Kohortmetoden — guldstandarden. Användare grupperas efter installationsdatum (Day 0 cohort), och för varje kohort byggs en intäktskurva per dag. Extrapolering av denna kurva ger en LTV-prognos. Enligt data från Amplitude (2025) har kohort-LTV för ett 90-dagarsfönster ett fel på endast 5–8% vid prognos på 12 månader.

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
    )
}

Metoden extrapolateRevenue använder intäktsförfallskurvan. Den approximeras vanligtvis med en potensfunktion (power law): revenue on day N = revenue_day_1 × N^(-alpha). Alpha beräknas från historiska data. ApplyDiscountRate bringar framtida intäkter till nuvärde — en standard finansiell praxis för korrekt värdering.

Formel för grundläggande LTV

Den enklaste LTV-formeln: ARPU × Average Lifetime. Genomsnittlig livslängd är Average Churn Rate^−1. Om användare lämnar med en hastighet på 10% per månad är Average Lifetime = 1 / 0,10 = 10 månader. Vid månatlig ARPU på 2 dollar är LTV = 2 × 10 = 20 dollar. Formeln är användbar för snabb bedömning men ignorerar förändringen av ARPU över tid.

Modeller för LTV-prognos

LTV-prognos — en komplex uppgift som kräver avancerade statistiska metoder. För noggrann prognos i tidiga skeden (Day 1 — Day 30) används ML-modeller som analyserar beteendesignaler: första köp, sessionsfrekvens och engagemang.

Probabilistic Models — BG/NBD (Beta-Geometric / Negative Binomial Distribution) — det klassiska tillvägagångssättet för att prognostisera återkommande köp. Modellen uppskattar sannolikheten att en användare förblir aktiv och det förväntade antalet transaktioner. Modellen Fader & Hardie (2013) förblir de facto-standarden för LTV utan ML.

ML-modeller — Random Forest, XGBoost och neurala nätverk. De tar hänsyn till dussintals egenskaper: trafikkällor, enhet, land, första åtgärder. Google Cloud recommandation.ai använder Deep Neural Network för LTV-prognos baserat på händelser under de första 7 dagarna. Noggrannheten hos sådana modeller är 15–25% högre än sannolikhetsmodeller (Google, 2025).

Hybridmetod kombinerar en sannolikhetsmodell för basprognos och ML-korrigering för grupper med avvikande beteende. I praktiken ger hybridmetoden bästa förhållandet mellan noggrannhet och beräkningskostnad. De flesta plattformar (Amplitude, Mixpanel) använder hybridmodeller för automatisk LTV.

LTV-prognos på dag 7

Day-7 LTV — den mest populära tidiga prognosen. Om en användare inte har gjort ett köp inom 7 dagar minskar sannolikheten för framtida köp med 80%. Mätvärdet Day-7 LTV beräknas genom att multiplicera daglig ARPU i 7 dagar med prognostiserad Lifetime. Korrelationen mellan Day-7 LTV och 365-dagars LTV når 0,85 i kategorin Games.

Förhållandet LTV och CAC

LTV / CAC-kvoten — den främsta indikatorn på enhets ekonomi för en mobilapp. Regeln för ett hälsosamt företag: LTV/CAC >= 3. Om kvoten är lägre än 3 är verksamheten inte skalbar — varje anskaffad användare genererar otillräckliga intäkter för att täcka marknadsföringskostnader och driftskostnader.

Riskkapitalinvestorer kräver LTV/CAC > 3 för seed-round och > 5 för Series A. Enligt data från OpenView (2025) är median-LTV/CAC för mobile-first-företag 3,2. De bästa företagen uppvisar 5–7. Payback period (återbetalningstid för CAC) bör inte överstiga 12 månader för prenumerationsmodeller.

Det är viktigt att beakta att LTV/CAC beräknas baserat på prognostiserad LTV, inte historisk. Om prognosen är överskattad — ser kvoten frisk ut, men den verkliga verksamheten är förlustbringande. En konservativ LTV-prognos baserad på P50 (median) är mer tillförlitlig än en baserad på medelvärde.

LTV i olika appkategorier

LTV varierar kraftigt mellan kategorier. Att förstå typiska värden hjälper till att sätta realistiska mål och välja intäktsstrategi. De presenterade uppgifterna baseras på rapporter från Data.ai och Sensor Tower för 2025.

Hypercasual Games har lägst LTV — 0,20–0,50 dollar. Modellen bygger på reklam: användaren spelar 3–5 dagar, tittar på rewarded video och lämnar sedan. Med sådan LTV kan CAC inte överstiga 0,10–0,15 dollar, vilket endast är uppnåeligt med massiv trafik och optimerade kreativa material.

Strategy Games — högst LTV inom gaming: 25–50 dollar. Användare stannar i 6–18 månader och köper aktivt boosters och prenumerationer. Hög LTV gör det möjligt att spendera upp till 10–15 dollar per installation på UA. Trafikkvalitet blir viktigare än kvantitet.

Health & Fitness — LTV 30–60 dollar tack vare prenumerationer. Genomsnittsanvändaren betalar 8–15 dollar per månad i 4–6 månader. Prenumerationer säkerställer förutsägbar LTV och hög värdering av verksamheten av investerare.

Social Dating — LTV når 100–500 dollar. Användare betalar för prenumerationer och virtuella gåvor, LifeTime kan överstiga 12 månader. Detta är den mest lönsamma kategorin av mobilappar ur LTV-synpunkt, men CAC här är maximal — 20–50 dollar.

Hur man ökar LTV

Att öka LTV — en strategisk uppgift som löses genom produktförbättring. Alla metoder delas in i tre grupper: öka retention, öka ARPU och minska churn. Varje grupp har en multiplikativ effekt på LTV.

Första gruppen — retention. En ökning av Day-7 retention med 10% ger en LTV-ökning på 15–20%. Metoder: personalisering av onboarding, pushmeddelanden med relevant innehåll, spelifiering (achievements, leaderboards, streaks). Duolingo — ett klassiskt exempel: streak-mekaniken behåller användare i flera år och ger en LTV som är 3–4 gånger högre än genomsnittet inom EdTech.

Andra gruppen — ARPU. Metoder beskrivs i artikeln om ARPU: prenumerationer, optimering av reklamplatser, personalisering av erbjudanden. En ARPU-ökning på 10% med samma retention ger en direkt LTV-ökning på 10%.

Tredje gruppen — minska churn. Win-back-kampanjer (återföring av avgångna användare), förbättring av kundsupport, analys av avgångspunkter. Minskning av månatlig churn från 15% till 10% ökar Average Lifetime från 6,7 till 10 månader — en LTV-ökning på 50% med oförändrad ARPU.