LTV — nedir, kullanıcı değerini tahmin etme

LTV Nedir?

LTV (Yaşam Boyu Değer), tek bir kullanıcının ürünü kullanma süresi boyunca üreteceği tahmini net kârdır. Mobil geliştirmede LTV, uygulama ekonomisinin temel taşıdır: bu metrik, reklam yoluyla kullanıcı edinmeye ne kadar harcanabileceğini belirler.

Metrik üç bileşeni birleştirir: dönem başına ortalama gelir (ARPU), ortalama kullanıcı yaşam süresi ve brüt marj. LTV olmadan, bir UA (Kullanıcı Edinme) bütçesini haklı çıkarmak imkansızdır. Yatırımcılar bir startup'ı LTV çarpanı ile değerlendirir: SaaS şirketleri yıllık aboneliğin LTV'sinin 5–10 katı ile değerlenir.

OpenView (2025)'e göre, mobil uygulamalarda medyan LTV, Oyunlar kategorisi için 14,50 dolar, Sosyal için 22 dolar ve Sağlık ve Fitness için 45 dolardır. Aralık çok geniştir — Hypercasual'da 0,50 dolardan uzun yaşam süreli Arkadaşlık uygulamalarında 500+ dolara kadar.

Mobil Geliştirmede LTV Neden Önemlidir

LTV üç iş sorununu çözer. Birincisi — reklam ROI'sinin değerlendirilmesi. LTV, CPI'den düşükse uygulama kârlı değildir. İkincisi — özellik önceliklendirmesi: LTV'yi artıran ürün değişiklikleri uygulanır. Üçüncüsü — gelir tahmini: yeni kullanıcıların LTV'sini bilerek, 6–12 ay ilerideki gelir tahmin edilebilir.

İkinci ve üçüncü görevler geçmiş veri gerektirir. Geçmişi olmayan yeni bir uygulama için kategori kıyaslamaları kullanılır. Sensor Tower ve Data.ai, kategori ve bölgeye göre LTV tahminleri sağlar. Ancak kıyaslamalar bir referanstır, gerçek değildir: belirli bir uygulamanın LTV'si piyasa ortalamasından 2–3 kat farklı olabilir.

LTV ve Toplam Brüt Kâr

LTV, gelir bazlı (Revenue LTV) veya kâr bazlı (Profit LTV) hesaplanabilir. Profit LTV, Revenue LTV'den satılan malın maliyetini (COGS) çıkarır: mağaza komisyonları (%15–30), sunucu maliyetleri, ödeme işleme. Apple ve Google her satın almanın %15–30'unu alır — bu gerçek LTV'yi önemli ölçüde azaltır. CAC ile doğru karşılaştırma için Profit LTV kullanın.

LTV Nasıl Hesaplanır

LTV'yi hesaplamak için üç yöntem vardır: tarihsel, kohort ve tahmine dayalı. Her yöntem farklı ufuklarda farklı doğruluk sağlar. Tarihsel LTV, yaşam döngüsünü tamamlamış kullanıcılar için hesaplanır — doğrudur ancak aktif kullanıcılar için uygulanamaz.

Kohort yöntemi altın standarttır. Kullanıcılar kurulum tarihine göre gruplandırılır (0. Gün kohortu) ve her kohort için günlük gelir eğrisi oluşturulur. Bu eğrinin tahminlenmesi LTV tahmini sağlar. Amplitude (2025)'e göre, 90 günlük bir pencere için kohort LTV'si, 12 ay tahmin ederken yalnızca %5–8 hata payına sahiptir.

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
    )
}

extrapolateRevenue yöntemi bir gelir azalma eğrisi kullanır. Genellikle bir kuvvet yasası ile tahminlenir: N. gündeki gelir = revenue_day_1 × N^(-alpha). Alpha geçmiş verilerden hesaplanır. ApplyDiscountRate gelecekteki gelirleri bugünkü değere getirir — doğru değerleme için standart finansal uygulama.

Temel LTV Formülü

En basit LTV formülü: ARPU × Ortalama Yaşam Süresi. Ortalama yaşam süresi, Ortalama Ayrılma Oranı^−1'dir. Kullanıcılar aylık %10 oranında ayrılıyorsa, Ortalama Yaşam Süresi = 1 / 0,10 = 10 aydır. Aylık ARPU 2 dolar olduğunda, LTV = 2 × 10 = 20 dolar. Bu formül hızlı tahminler için kullanışlıdır ancak ARPU'nun zaman içindeki değişimini göz ardı eder.

LTV Tahmin Modelleri

LTV tahmini, gelişmiş istatistiksel yöntemler gerektiren karmaşık bir görevdir. Erken aşamalarda (1. Gün — 30. Gün) doğru tahminler için, davranışsal sinyalleri (ilk satın almalar, oturum sıklığı ve etkileşim) analiz eden ML modelleri kullanılır.

Olasılıksal Modeller — BG/NBD (Beta-Geometrik / Negatif Binom Dağılımı) — tekrarlayan satın almaları tahmin etmek için klasik bir yaklaşım. Model, bir kullanıcının aktif kalma olasılığını ve beklenen işlem sayısını tahmin eder. Fader & Hardie modeli (2013), ML olmadan LTV için fiili standart olmaya devam etmektedir.

ML Modelleri — Random Forest, XGBoost ve sinir ağları. Trafik kaynakları, cihaz, ülke, ilk eylemler gibi düzinelerce özelliği dikkate alır. Google Cloud recommendation.ai, ilk 7 günlük olaylara dayalı LTV tahmini için Derin Sinir Ağları kullanır. Bu modellerin doğruluğu, olasılıksal modellerden %15–25 daha yüksektir (Google, 2025).

Hibrit yaklaşım, temel tahmin için olasılıksal bir model ile anormal davranış gösteren gruplar için ML düzeltmesini birleştirir. Pratikte hibrit, doğruluk ve hesaplama maliyeti arasında en iyi dengeyi sağlar. Çoğu platform (Amplitude, Mixpanel) otomatik LTV için hibrit modeller kullanır.

7. Gün LTV Tahmini

7. Gün LTV'si en popüler erken tahmindir. Bir kullanıcı 7 gün içinde satın alma yapmamışsa, gelecekte satın alma olasılığı %80 azalır. 7. Gün LTV'si, 7 günlük günlük ARPU'nun tahmini yaşam süresiyle çarpılmasıyla hesaplanır. 7. Gün LTV'sinin 365 günlük LTV ile korelasyonu Oyunlar kategorisinde 0,85'e ulaşır.

LTV ve CAC Oranı

LTV/CAC oranı bir mobil uygulamanın birim ekonomisinin birincil metriğidir. Sağlıklı bir işletme kuralı: LTV/CAC >= 3. Oran 3'ten düşükse, işletme ölçeklenemez — edinilen her kullanıcı, pazarlama maliyetlerini ve işletme giderlerini karşılamak için yetersiz gelir üretir.

Girişim yatırımcıları tohum turu için LTV/CAC > 3 ve Seri A için > 5 talep eder. OpenView (2025)'e göre, mobil-öncelikli şirketler için medyan LTV/CAC 3,2'dir. En iyi şirketler 5–7'ye ulaşır. Abonelik modelleri için geri ödeme süresi 12 ayı geçmemelidir.

LTV/CAC'nin tarihsel LTV'ye değil, tahmini LTV'ye dayalı olarak hesaplandığını unutmamak önemlidir. Tahmin olduğundan yüksekse — gerçek işletme kârlı değilken oran sağlıklı görünür. P50'ye (medyan) dayalı ihtiyatlı LTV tahmini, ortalamaya dayalı tahminden daha güvenilirdir.

Uygulama Kategorisine Göre LTV

LTV, kategoriye göre önemli ölçüde değişir. Tipik değerleri anlamak, gerçekçi hedefler belirlemeye ve bir para kazanma stratejisi seçmeye yardımcı olur. Aşağıdaki veriler Data.ai ve Sensor Tower'ın 2025 raporlarına dayanmaktadır.

Hypercasual Oyunlar en düşük LTV'ye sahiptir — 0,20–0,50 dolar. Model reklam tabanlıdır: kullanıcılar 3–5 gün oynar, ödüllü videolar izler, sonra ayrılır. Bu LTV ile CAC, 0,10–0,15 doları aşamaz ve bu yalnızca büyük miktarda trafik ve optimize edilmiş reklam öğeleriyle ulaşılabilir.

Strateji Oyunları oyun sektöründe en yüksek LTV'ye sahiptir: 25–50 dolar. Kullanıcılar 6–18 ay kalır, aktif olarak güçlendiriciler ve abonelikler satın alır. Yüksek LTV, UA'da kurulum başına 10–15 dolara kadar harcamaya izin verir. Trafik kalitesi hacimden daha önemli hale gelir.

Sağlık ve Fitness — abonelikler sayesinde 30–60 dolar LTV. Ortalama kullanıcı 4–6 ay boyunca aylık 8–15 dolar öder. Abonelikler öngörülebilir LTV ve yatırımcılar tarafından yüksek işletme değerlemesi sağlar.

Sosyal Arkadaşlık — LTV 100–500 dolara ulaşır. Kullanıcılar abonelikler ve sanal hediyeler için ödeme yapar; yaşam süresi 12 ayı aşabilir. LTV açısından en kârlı mobil uygulama kategorisidir, ancak CAC de en yüksektir — 20–50 dolar.

LTV Nasıl Artırılır

LTV'yi artırmak, ürün iyileştirme yoluyla çözülen stratejik bir görevdir. Tüm yöntemler üç gruba ayrılır: elde tutmayı iyileştirmek, ARPU'yu artırmak ve ayrılma oranını azaltmak. Her grubun LTV üzerinde çarpan etkisi vardır.

Birinci grup — elde tutma. 7. Günde elde tutmayı %10 artırmak, LTV'de %15–20 büyüme sağlar. Yöntemler: kişiselleştirilmiş oryantasyon, ilgili içerikle push bildirimleri, oyunlaştırma (başarılar, lider tabloları, seriler). Duolingo klasik bir örnektir: seri mekaniği kullanıcıları yıllarca tutar ve EdTech ortalamasından 3–4 kat daha yüksek LTV sağlar.

İkinci grup — ARPU. Yöntemler ARPU makalesinde açıklanmıştır: abonelikler, reklam alanı optimizasyonu, teklif kişiselleştirme. Aynı elde tutma ile ARPU'da %10 artış, LTV'de doğrudan %10 artış sağlar.

Üçüncü grup — ayrılma oranını azaltma. Geri kazanım kampanyaları (ayrılan kullanıcıları yeniden aktifleştirme), müşteri desteğini iyileştirme, ayrılma noktalarını analiz etme. Aylık ayrılma oranını %15'ten %10'a düşürmek ortalama yaşam süresini 6,7 aydan 10 aya çıkarır — değişmeyen ARPU ile LTV'de %50 büyüme.