LTV — що це таке, прогнозування цінності користувача

Що таке LTV?

LTV (Lifetime Value) — прогнозований чистий прибуток, який принесе один користувач за весь період використання продукту. У мобільній розробці LTV є наріжним каменем економіки застосунку: саме ця метрика визначає, скільки можна витратити на залучення користувача через рекламу.

Метрика об'єднує в собі три компоненти: середній дохід за період (ARPU), середню тривалість життя користувача та валову маржу. Без LTV неможливо обґрунтувати бюджет на UA (User Acquisition). Інвестори оцінюють стартап за мультиплікатором LTV: SaaS-компанії оцінюються в 5–10× LTV річної підписки.

За даними OpenView (2025), медіанний LTV у мобільних застосунках становить 14,50 долара для категорії Games, 22 долари для Social і 45 доларів для Health & Fitness. Розкид величезний — від 0,50 долара в Hypercasual до 500+ доларів у Dating-застосунках із довгим LifeTime.

Навіщо потрібен LTV у мобільній розробці

LTV вирішує три бізнес-задачі. Перша — оцінка окупності реклами. Якщо LTV менший за CPI, застосунок збитковий. Друга — пріоритизація функцій: які зміни продукту збільшують LTV, ті й впроваджуються. Третя — прогнозування виручки: знаючи LTV нових користувачів, можна передбачити дохід на 6–12 місяців вперед.

Друга і третя задачі вимагають історичних даних. Для нового застосунку без історії використовують бенчмарки категорії. Sensor Tower і Data.ai надають оцінки LTV за категоріями та регіонами. Однак бенчмарки — це орієнтир, а не істина: LTV конкретного застосунку може відрізнятися в 2–3 рази від середнього по ринку.

LTV vs Lifetime Gross Profit

LTV може розраховуватися на основі доходу (Revenue LTV) або прибутку (Profit LTV). Profit LTV віднімає з Revenue LTV cost of goods sold (COGS): комісії магазинів (15–30%), серверні витрати, еквайринг. Apple і Google беруть 15–30% від кожної покупки — це суттєво знижує реальний LTV. Для коректного порівняння з CAC використовуйте Profit LTV.

Як розрахувати LTV

Існує три методи розрахунку LTV: історичний, когортний і прогнозний. Кожен метод дає різну точність на різних горизонтах. Історичний LTV розраховується для користувачів, які вже завершили життєвий цикл — він точний, але незастосовний для активних користувачів.

Когортний метод — золотий стандарт. Користувачі групуються за датою встановлення (Day 0 cohort), і для кожної когорти будується крива доходу по днях. Екстраполяція цієї кривої дає прогноз LTV. За даними Amplitude (2025), когортний LTV для 90-денного вікна має похибку всього 5–8% при прогнозі на 12 місяців.

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 використовує криву загасання доходу. Зазвичай вона апроксимується степеневою функцією (power law): revenue на day N = revenue_day_1 × N^(-alpha). Alpha обчислюється за історичними даними. ApplyDiscountRate приводить майбутні доходи до поточної вартості — стандартна фінансова практика для коректної оцінки.

Формула базового LTV

Найпростіша формула LTV: ARPU × Average Lifetime. Середня тривалість життя — це Average Churn Rate^−1. Якщо користувачі йдуть зі швидкістю 10% на місяць, Average Lifetime = 1 / 0,10 = 10 місяців. При Monthly ARPU 2 долари LTV = 2 × 10 = 20 доларів. Формула корисна для швидкої оцінки, але ігнорує зміну ARPU з часом.

Моделі прогнозування LTV

Прогнозування LTV — складне завдання, що потребує просунутих статистичних методів. Для точного прогнозу на ранніх етапах (Day 1 — Day 30) використовуються ML-моделі, які аналізують поведінкові сигнали: перші покупки, частоту сесій і залученість.

Probabilistic Models — BG/NBD (Beta-Geometric / Negative Binomial Distribution) — класичний підхід для прогнозування повторних покупок. Модель оцінює ймовірність, що користувач залишиться активним, і очікувану кількість транзакцій. Модель Fader & Hardie (2013) залишається де-факто стандартом для LTV без ML.

ML-моделі — Random Forest, XGBoost і нейронні мережі. Вони враховують десятки фіч: джерела трафіку, пристрій, країну, перші дії. Google Cloud recommendation.ai використовує Deep Neural Network для LTV прогнозу на основі подій перших 7 днів. Точність таких моделей на 15–25% вища за ймовірнісні (Google, 2025).

Гібридний підхід поєднує ймовірнісну модель для базового прогнозу та ML-корекцію для груп з аномальною поведінкою. На практиці гібрид дає найкраще співвідношення точності та обчислювальної вартості. Більшість платформ (Amplitude, Mixpanel) використовують гібридні моделі для автоматичного LTV.

Прогноз LTV на 7-й день

Day-7 LTV — найбільш популярний ранній прогноз. Якщо користувач не здійснив покупку за 7 днів, ймовірність покупки в майбутньому знижується на 80%. Метрика Day-7 LTV обчислюється множенням Daily ARPU за 7 днів на прогнозований Lifetime. Кореляція Day-7 LTV з 365-денним LTV досягає 0,85 у категорії Games.

Співвідношення LTV і CAC

LTV / CAC ratio — головний показник юніт-економіки мобільного застосунку. Правило здорового бізнесу: LTV/CAC >= 3. Якщо співвідношення менше 3, бізнес не масштабується — кожен залучений користувач приносить недостатньо доходу, щоб окупити маркетингові витрати та операційні витрати.

Венчурні інвестори вимагають LTV/CAC > 3 для seed-раунду і > 5 для Series A. За даними OpenView (2025), медіанний LTV/CAC для mobile-first компаній становить 3,2. Найкращі компанії показують 5–7. Payback period (час окупності CAC) не повинен перевищувати 12 місяців для subscription-моделей.

Важливо враховувати, що LTV/CAC розраховується на основі прогнозного LTV, а не історичного. Якщо прогноз завищений — співвідношення здається здоровим, а реальний бізнес збитковий. Консервативний прогноз LTV на основі P50 (медіани) надійніший, ніж на основі середнього.

LTV у різних категоріях застосунків

LTV сильно варіюється за категоріями. Розуміння типових значень допомагає ставити реалістичні цілі та вибирати стратегію монетизації. Наведені дані засновані на звітах Data.ai та Sensor Tower за 2025 рік.

Hypercasual Games мають найнижчий LTV — 0,20–0,50 долара. Модель заснована на рекламі: користувач грає 3–5 днів, дивиться rewarded video, потім іде. При такому LTV CAC не може перевищувати 0,10–0,15 долара, що досяжно тільки при масовому трафіку та оптимізованих креативах.

Strategy Games — найвищий LTV у геймінгу: 25–50 доларів. Користувачі залишаються на 6–18 місяців, активно купують бустери та підписки. Високий LTV дозволяє витрачати на UA до 10–15 доларів за встановлення. Якість трафіку стає важливішою за його обсяг.

Health & Fitness — LTV 30–60 доларів за рахунок підписок. Середній користувач платить 8–15 доларів на місяць протягом 4–6 місяців. Subscriptions забезпечують передбачуваний LTV і високу оцінку бізнесу інвесторами.

Social Dating — LTV досягає 100–500 доларів. Користувачі платять за підписки та віртуальні подарунки, Lifetime може перевищувати 12 місяців. Це найприбутковіша категорія мобільних застосунків з точки зору LTV, але й CAC тут максимальний — 20–50 доларів.

Як збільшити LTV

Збільшення LTV — стратегічне завдання, яке вирішується через покращення продукту. Всі методи поділяються на три групи: підвищення retention, підвищення ARPU та зниження churn. Кожна група дає мультиплікативний ефект на LTV.

Перша група — retention. Збільшення Day-7 retention на 10% дає зростання LTV на 15–20%. Методи: персоналізація онбордингу, push-повідомлення з релевантним контентом, гейміфікація (achievements, leaderboards, streaks). Duolingo — класичний приклад: streak-механіка утримує користувачів роками, забезпечуючи LTV у 3–4 рази вищий за середній по EdTech.

Друга група — ARPU. Методи описані в статті про ARPU: підписки, оптимізація рекламних місць, персоналізація пропозицій. Зростання ARPU на 10% при тому ж retention дає прямий ріст LTV на 10%.

Третя група — зниження churn. Win-back кампанії (повернення користувачів, що пішли), покращення customer support, аналіз точок відтоку. Зниження місячного churn з 15% до 10% збільшує Average Lifetime з 6,7 до 10 місяців — ріст LTV на 50% при незмінному ARPU.