LTV — คืออะไร การพยากรณ์มูลค่าผู้ใช้

LTV คืออะไร?

LTV (มูลค่าตลอดอายุการใช้งาน) คือกำไรสุทธิที่คาดการณ์ว่าผู้ใช้หนึ่งคนจะสร้างได้ตลอดระยะเวลาการใช้ผลิตภัณฑ์ ในการพัฒนาแอปมือถือ LTV เป็นรากฐานของเศรษฐกิจแอป: เมตริกนี้กำหนดว่าสามารถใช้จ่ายเท่าใดในการหาผู้ใช้ผ่านการโฆษณา

เมตริกนี้รวมสามองค์ประกอบ: รายได้เฉลี่ยต่อช่วงเวลา (ARPU), อายุการใช้งานเฉลี่ยของผู้ใช้ และอัตรากำไรขั้นต้น หากไม่มี LTV เป็นไปไม่ได้ที่จะแสดงเหตุผลของงบประมาณ UA (การหาผู้ใช้) นักลงทุนประเมิน สตาร์ทอัพด้วยตัวคูณ LTV: บริษัท SaaS มีมูลค่าที่ 5–10 เท่าของ LTV ของการสมัครสมาชิกรายปี

ตามข้อมูลของ OpenView (2025) ค่ามัธยฐานของ LTV ในแอปมือถือคือ 14.50 ดอลลาร์สำหรับหมวดหมู่เกม 22 ดอลลาร์สำหรับโซเชียล และ 45 ดอลลาร์สำหรับสุขภาพและการออกกำลังกาย ช่วงกว้างมาก — จาก 0.50 ดอลลาร์ในเกมไฮเปอร์แคชชวลไปจนถึง 500+ ดอลลาร์ในแอปหาคู่ที่มีอายุการใช้งานยาวนาน

ทำไม LTV ถึงสำคัญในการพัฒนาแอปมือถือ

LTV แก้ปัญหาทางธุรกิจสามประการ ประการแรก — การประเมิน ROI ของโฆษณา หาก LTV ต่ำกว่า CPI แอปจะขาดทุน ประการที่สอง — การจัดลำดับความสำคัญของฟีเจอร์: การเปลี่ยนแปลงผลิตภัณฑ์ที่เพิ่ม LTV จะถูกนำไปใช้ ประการที่สาม — การพยากรณ์รายได้: การรู้ LTV ของผู้ใช้ใหม่ช่วยให้สามารถคาดการณ์รายได้ล่วงหน้า 6–12 เดือน

ประการที่สองและสามต้องการข้อมูลในอดีต สำหรับแอปใหม่ที่ไม่มีประวัติ จะใช้เกณฑ์มาตรฐานของหมวดหมู่ Sensor Tower และ Data.ai ให้ค่าประมาณ LTV ตามหมวดหมู่และภูมิภาค อย่างไรก็ตาม เกณฑ์มาตรฐานเป็นเพียงข้อมูลอ้างอิง ไม่ใช่ความจริง: LTV ของแอปเฉพาะอาจแตกต่างจากค่าเฉลี่ยของตลาด 2–3 เท่า

LTV เทียบกับกำไรขั้นต้นตลอดอายุการใช้งาน

LTV สามารถคำนวณตามรายได้ (Revenue LTV) หรือกำไร (Profit LTV) Profit LTV หักต้นทุนขาย (COGS) ออกจาก Revenue LTV: ค่านายหน้าร้านค้า (15–30%), ค่าใช้จ่ายเซิร์ฟเวอร์, การดำเนินการชำระเงิน Apple และ Google รับ 15–30% ของการซื้อแต่ละครั้ง — ซึ่งลด LTV จริงลงอย่างมาก สำหรับการเปรียบเทียบกับ CAC อย่างถูกต้อง ให้ใช้ Profit LTV

วิธีคำนวณ LTV

มีสามวิธี ในการคำนวณ LTV: วิธีในอดีต วิธีกลุ่ม และวิธีพยากรณ์ แต่ละวิธีให้ความแม่นยำแตกต่างกันในขอบเขตที่แตกต่างกัน LTV ในอดีตคำนวณสำหรับผู้ใช้ที่สิ้นสุดวงจรชีวิตแล้ว — แม่นยำแต่ไม่สามารถใช้กับผู้ใช้ที่ยังใช้งานอยู่

วิธีกลุ่ม เป็นมาตรฐานทองคำ ผู้ใช้ถูกจัดกลุ่มตามวันที่ติดตั้ง (กลุ่มวันที 0) และสร้างเส้นโค้งรายได้สำหรับแต่ละกลุ่มตามวัน การคาดการณ์ภายนอกของเส้นโค้งนี้ให้การพยากรณ์ LTV ตามข้อมูลของ Amplitude (2025) LTV แบบกลุ่มสำหรับช่วง 90 วันมีค่าคลาดเคลื่อนเพียง 5–8% เมื่อพยากรณ์ 12 เดือน

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
    )
}

วิธี extrapolateRevenue ใช้เส้นโค้งการลดลงของรายได้ โดยทั่วไปจะประมาณด้วยกฎกำลัง: รายได้ในวันที่ N = revenue_day_1 × N^(-alpha) Alpha คำนวณจากข้อมูลในอดีต ApplyDiscountRate นำรายได้ในอนาคตมาคิดเป็นมูลค่าปัจจุบัน — แนวปฏิบัติทางการเงินมาตรฐานสำหรับการประเมินมูลค่าที่ถูกต้อง

สูตร LTV พื้นฐาน

สูตร LTV ที่ง่ายที่สุด: ARPU × อายุการใช้งานเฉลี่ย อายุการใช้งานเฉลี่ยคือส่วนกลับของอัตราการออก หากผู้ใช้ออกในอัตรา 10% ต่อเดือน อายุการใช้งานเฉลี่ย = 1 / 0.10 = 10 เดือน ด้วย ARPU รายเดือน 2 ดอลลาร์ LTV = 2 × 10 = 20 ดอลลาร์ สูตรนี้มีประโยชน์สำหรับการประมาณอย่างรวดเร็วแต่ไม่คำนึงถึงการเปลี่ยนแปลงของ ARPU เมื่อเวลาผ่านไป

โมเดลการพยากรณ์ LTV

การพยากรณ์ LTV เป็นงานที่ซับซ้อนซึ่งต้องใช้วิธีการทางสถิติขั้นสูง สำหรับการพยากรณ์ที่แม่นยำในระยะต้น (วันที่ 1 — วันที่ 30) จะใช้โมเดล ML ที่วิเคราะห์สัญญาณพฤติกรรม: การซื้อครั้งแรก ความถี่เซสชัน และการมีส่วนร่วม

โมเดลความน่าจะเป็น — BG/NBD (Beta-Geometric / Negative Binomial Distribution) — วิธีการคลาสสิกสำหรับการพยากรณ์การซื้อซ้ำ โมเดลประมาณความน่าจะเป็นที่ผู้ใช้จะยังคงใช้งานอยู่และจำนวนธุรกรรมที่คาดหวัง โมเดล Fader & Hardie (2013) ยังคงเป็นมาตรฐานโดยพฤตินัยสำหรับ LTV โดยไม่ต้องใช้ ML

โมเดล ML — Random Forest, XGBoost และโครงข่ายประสาทเทียม พิจารณาคุณลักษณะหลายสิบประการ: แหล่งที่มาของการเข้าชม, อุปกรณ์, ประเทศ, การกระทำแรก Google Cloud recommendation.ai ใช้โครงข่ายประสาทเทียมเชิงลึกสำหรับการพยากรณ์ LTV based บนเหตุการณ์ใน 7 วันแรก ความแม่นยำของโมเดลเหล่านี้สูงกว่าโมเดลความน่าจะเป็น 15–25% (Google, 2025)

วิธีการแบบผสม รวมโมเดลความน่าจะเป็นสำหรับการพยากรณ์พื้นฐานและการปรับแก้ ML สำหรับกลุ่มที่มีพฤติกรรมผิดปกติ ในทางปฏิบัติ วิธีการแบบผสมให้ความสมดุลที่ดีที่สุดระหว่างความแม่นยำและต้นทุนการคำนวณ แพลตฟอร์มส่วนใหญ่ (Amplitude, Mixpanel) ใช้โมเดลแบบผสมสำหรับ LTV อัตโนมัติ

การพยากรณ์ LTV ในวันที่ 7

LTV ในวันที่ 7 เป็นการพยากรณ์ต้นที่ได้รับความนิยมมากที่สุด หากผู้ใช้ไม่ได้ทำการซื้อภายใน 7 วัน ความน่าจะเป็นในการซื้อในอนาคตจะลดลง 80% LTV ในวันที่ 7 คำนวณโดยการคูณ ARPU รายวันเป็นเวลา 7 วันด้วยอายุการใช้งานที่คาดการณ์ ความสัมพันธ์ของ LTV ในวันที่ 7 กับ LTV 365 วัน สูงถึง 0.85 ในหมวดหมู่เกม

อัตราส่วน LTV และ CAC

อัตราส่วน LTV/CAC เป็นเมตริกหลักของเศรษฐศาสตร์หน่วยของแอปมือถือ กฎสำหรับธุรกิจที่แข็งแรง: LTV/CAC >= 3 หากอัตราส่วนน้อยกว่า 3 ธุรกิจไม่สามารถขยายขนาดได้ — ผู้ใช้ที่ถูกหามาแต่ละคนสร้างรายได้ไม่เพียงพอที่จะครอบคลุมค่าใช้จ่ายทางการตลาดและค่าใช้จ่ายในการดำเนินงาน

นักลงทุนร่วมทุนต้องการ LTV/CAC > 3 สำหรับรอบเริ่มต้นและ > 5 สำหรับ Series A ตามข้อมูลของ OpenView (2025) ค่ามัธยฐานของ LTV/CAC สำหรับบริษัทที่เน้นมือถือคือ 3.2 บริษัทชั้นนำ ทำได้ 5–7 ระยะเวลาคืนทุนไม่ควรเกิน 12 เดือนสำหรับโมเดลสมัครสมาชิก

สิ่งสำคัญที่ต้องทราบคือ LTV/CAC คำนวณจาก LTV ที่พยากรณ์ ไม่ใช่ในอดีต หากการพยากรณ์สูงเกินไป — อัตราส่วนดูแข็งแรงในขณะที่ธุรกิจจริงขาดทุน การพยากรณ์ LTV แบบอนุรักษ์นิยม โดยใช้ P50 (ค่ามัธยฐาน) เชื่อถือได้มากกว่าการพยากรณ์โดยใช้ค่าเฉลี่ย

LTV ตามประเภทแอป

LTV แตกต่างกันอย่างมีนัยสำคัญ ตามประเภท การทำความเข้าใจค่าทั่วไปช่วยกำหนดเป้าหมายที่สมจริงและเลือกกลยุทธ์การสร้างรายได้ ข้อมูลด้านล่างอ้างอิงจากรายงานของ Data.ai และ Sensor Tower ปี 2025

เกมไฮเปอร์แคชชวล มี LTV ต่ำที่สุด — 0.20–0.50 ดอลลาร์ โมเดลอิงจากโฆษณา: ผู้ใช้เล่น 3–5 วัน ดูวิดีโอที่มีรางวัล แล้วออกไป ด้วย LTV ดังกล่าว CAC จะต้องไม่เกิน 0.10–0.15 ดอลลาร์ ซึ่งทำได้เฉพาะกับการเข้าชมจำนวนมากและครีเอทีฟที่ปรับให้เหมาะสมที่สุด

เกมวางแผน มี LTV สูงที่สุดในวงการเกม: 25–50 ดอลลาร์ ผู้ใช้คงอยู่ 6–18 เดือน ซื้อบูสเตอร์และการสมัครสมาชิกอย่างกระตือรือร้น LTV ที่สูง ช่วยให้ใช้จ่ายถึง 10–15 ดอลลาร์ต่อการติดตั้งสำหรับ UA คุณภาพของการเข้าชมมีความสำคัญมากกว่าปริมาณ

สุขภาพและการออกกำลังกาย — LTV 30–60 ดอลลาร์จากการสมัครสมาชิก ผู้ใช้เฉลี่ยจ่าย 8–15 ดอลลาร์ต่อเดือนเป็นเวลา 4–6 เดือน การสมัครสมาชิกให้ LTV ที่คาดการณ์ได้และการประเมินมูลค่าธุรกิจสูงโดยนักลงทุน

โซเชียลหาคู่ — LTV สูงถึง 100–500 ดอลลาร์ ผู้ใช้จ่ายค่าสมัครสมาชิกและของขวัญเสมือน; อายุการใช้งานอาจเกิน 12 เดือน นี่คือหมวดหมู่แอปมือถือที่ทำกำไรได้มากที่สุดในแง่ของ LTV แต่ CAC ก็สูงที่สุดเช่นกัน — 20–50 ดอลลาร์

วิธีเพิ่ม LTV

การเพิ่ม LTV เป็นภารกิจเชิงกลยุทธ์ที่แก้ไขได้ผ่านการปรับปรุงผลิตภัณฑ์ ทุกวิธีแบ่งออกเป็นสามกลุ่ม: การปรับปรุงการรักษาผู้ใช้ การเพิ่ม ARPU และการลดอัตราการออก แต่ละกลุ่มมีผลทวีคูณต่อ LTV

กลุ่มแรก — การรักษาผู้ใช้ การเพิ่มการรักษาผู้ใช้ในวันที่ 7 ขึ้น 10% ทำให้ LTV เติบโต 15–20% วิธีการ: การปรับแต่งการเริ่มต้นใช้งาน, การแจ้งเตือนแบบพุชด้วยเนื้อหาที่เกี่ยวข้อง, การทำให้เป็นเกม (ความสำเร็จ, ตารางอันดับ, สตรีค) Duolingo เป็นตัวอย่างคลาสสิก: กลไกสตรีครักษาผู้ใช้ไว้นานเป็นปี ทำให้ LTV สูงกว่าค่าเฉลี่ยของ EdTech 3–4 เท่า

กลุ่มที่สอง — ARPU วิธีการอธิบายไว้ในบทความเกี่ยวกับ ARPU: การสมัครสมาชิก, การปรับปรุงตำแหน่งโฆษณา, การปรับแต่งข้อเสนอ การเพิ่ม ARPU 10% ด้วยการรักษาผู้ใช้เท่าเดิมทำให้ LTV เพิ่มขึ้นโดยตรง 10%

กลุ่มที่สาม — การลดอัตราการออก แคมเปญเรียกกลับ (การเรียกผู้ใช้ออกกลับมา), การปรับปรุงการสนับสนุนลูกค้า, การวิเคราะห์จุดที่ผู้ใช้ออก การลดอัตราการออกต่อเดือน จาก 15% เป็น 10% เพิ่มอายุการใช้งานเฉลี่ยจาก 6.7 เป็น 10 เดือน — LTV เติบโต 50% โดย ARPU ไม่เปลี่ยนแปลง