LTV — یہ کیا ہے، صارف کی قدر کی پیش گوئی

LTV کیا ہے؟

LTV (Lifetime Value) متوقع خالص منافع ہے جو ایک صارف پروڈکٹ استعمال کرنے کی پوری مدت میں پیدا کرے گا۔ موبائل ڈویلپمنٹ میں، LTV ایپ کی معیشت کا سنگ بنیاد ہے: یہ میٹرک طے کرتا ہے کہ اشتہارات کے ذریعے صارفین کے حصول پر کتنا خرچ کیا جا سکتا ہے۔

یہ میٹرک تین اجزاء کو یکجا کرتا ہے: فی مدت اوسط آمدنی (ARPU)، اوسط صارف زندگی، اور مجموعی مارجن۔ LTV کے بغیر، UA (صارف حصول) بجٹ کا جواز پیش کرنا ناممکن ہے۔ سرمایہ کار LTV ضرب سے اسٹارٹ اپ کی قدر کرتے ہیں: SaaS کمپنیوں کی قیمت سالانہ سبسکرپشن کے LTV کے 5–10 گنا لگائی جاتی ہے۔

OpenView (2025) کے مطابق، موبائل ایپس میں اوسط LTV گیمز کیٹیگری کے لیے $14.50، سوشل کے لیے $22 اور ہیلتھ اینڈ فٹنس کے لیے $45 ہے۔ حد بہت وسیع ہے — Hypercasual میں $0.50 سے لے کر لمبی زندگی والی ڈیٹنگ ایپس میں $500+ تک۔

موبائل ڈویلپمنٹ میں LTV کیوں اہم ہے

LTV تین کاروباری مسائل حل کرتا ہے۔ پہلا — اشتہاری ROI کا جائزہ۔ اگر LTV، CPI سے کم ہے، تو ایپ منافع بخش نہیں ہے۔ دوسرا — خصوصیات کی ترجیح: پروڈکٹ کی تبدیلیاں جو LTV بڑھاتی ہیں، لاگو کی جاتی ہیں۔ تیسرا — آمدنی کی پیش گوئی: نئے صارفین کا LTV جان کر، 6–12 ماہ آگے کی آمدنی کا اندازہ لگایا جا سکتا ہے۔

دوسرے اور تیسرے کام کے لیے تاریخی ڈیٹا کی ضرورت ہوتی ہے۔ تاریخ کے بغیر نئی ایپ کے لیے، کیٹیگری بینچ مارک استعمال کیے جاتے ہیں۔ Sensor Tower اور Data.ai کیٹیگری اور علاقے کے مطابق LTV کا تخمینہ فراہم کرتے ہیں۔ تاہم، بینچ مارک ایک حوالہ ہیں، حقیقت نہیں: کسی مخصوص ایپ کا LTV مارکیٹ اوسط سے 2–3 گنا مختلف ہو سکتا ہے۔

LTV بمقابلہ کل زندگی بھر کا منافع

LTV کا حساب آمدنی (Revenue LTV) یا منافع (Profit LTV) کی بنیاد پر کیا جا سکتا ہے۔ Profit LTV Revenue LTV سے فروخت شدہ اشیا کی لاگت (COGS) منہا کرتا ہے: اسٹور کمیشن (15–30%)، سرور کے اخراجات، ادائیگی کی پروسیسنگ۔ Apple اور Google ہر خریداری کا 15–30% لیتے ہیں — یہ حقیقی LTV کو کافی کم کر دیتا ہے۔ CAC کے ساتھ صحیح موازنہ کے لیے، Profit LTV استعمال کریں۔

LTV کا حساب کیسے کریں

LTV کے حساب کے تین طریقے ہیں: تاریخی، کوہورٹ اور پیش گوئی کرنے والا۔ ہر طریقہ مختلف افق پر مختلف درستگی دیتا ہے۔ تاریخی LTV ان صارفین کے لیے شمار کیا جاتا ہے جنہوں نے اپنا زندگی کا چکر مکمل کر لیا ہے — یہ درست ہے لیکن فعال صارفین پر لاگو نہیں ہوتا۔

کوہورٹ طریقہ سنہری معیار ہے۔ صارفین کو انسٹال کی تاریخ (دن 0 کوہورٹ) کے مطابق گروپ کیا جاتا ہے، اور ہر کوہورٹ کے لیے دن بہ دن آمدنی کا منحنی بنایا جاتا ہے۔ اس منحنی کا ایکسٹراپولیشن LTV کی پیش گوئی دیتا ہے۔ Amplitude (2025) کے مطابق، 90 دن کی ونڈو کے لیے کوہورٹ LTV میں 12 ماہ کی پیش گوئی کرتے وقت صرف 5–8% کی غلطی کا مارجن ہوتا ہے۔

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 طریقہ آمدنی کے زوال کے منحنی کا استعمال کرتا ہے۔ یہ عام طور پر پاور لا سے لگایا جاتا ہے: دن N پر آمدنی = revenue_day_1 × N^(-alpha)۔ Alpha کا حساب تاریخی ڈیٹا سے کیا جاتا ہے۔ ApplyDiscountRate مستقبل کی آمدنی کو موجودہ قیمت پر لاتا ہے — درست تشخیص کے لیے معیاری مالی عمل۔

بنیادی LTV فارمولا

سب سے آسان LTV فارمولا: ARPU × اوسط زندگی۔ اوسط زندگی اوسط چھوڑنے کی شرح^−1 ہے۔ اگر صارف 10% ماہانہ شرح سے چھوڑتے ہیں، اوسط زندگی = 1 / 0.10 = 10 ماہ۔ $2 ماہانہ ARPU کے ساتھ، LTV = 2 × 10 = $20۔ یہ فارمولا فوری تخمینوں کے لیے مفید ہے لیکن وقت کے ساتھ ARPU میں تبدیلی کو نظر انداز کرتا ہے۔

LTV پیش گوئی کے ماڈل

LTV کی پیش گوئی ایک پیچیدہ کام ہے جس کے لیے جدید شماریاتی طریقوں کی ضرورت ہوتی ہے۔ ابتدائی مراحل (دن 1 — دن 30) میں درست پیش گوئی کے لیے، ML ماڈل استعمال کیے جاتے ہیں جو رویے کے اشاروں کا تجزیہ کرتے ہیں: پہلی خریداری، سیشن کی تعدد اور مصروفیت۔

احتمالی ماڈل — BG/NBD (Beta-Geometric / Negative Binomial Distribution) — بار بار خریداریوں کی پیش گوئی کے لیے ایک کلاسک طریقہ۔ ماڈل اس امکان کا اندازہ لگاتا ہے کہ صارف فعال رہے گا اور متوقع لین دین کی تعداد۔ Fader & Hardie ماڈل (2013) ML کے بغیر LTV کے لیے حقیقی معیار بنا ہوا ہے۔

ML ماڈل — Random Forest، XGBoost اور عصبی نیٹ ورک۔ وہ درجنوں خصوصیات کو مدنظر رکھتے ہیں: ٹریفک ذرائع، ڈیوائس، ملک، پہلی حرکات۔ Google Cloud recommendation.ai پہلے 7 دنوں کے واقعات کی بنیاد پر LTV کی پیش گوئی کے لیے گہرے عصبی نیٹ ورک استعمال کرتا ہے۔ ایسے ماڈلز کی درستگی احتمالی ماڈلز سے 15–25% زیادہ ہے (Google، 2025)۔

ہائبرڈ طریقہ بنیادی پیش گوئی کے لیے ایک احتمالی ماڈل اور غیر معمولی رویے والے گروہوں کے لیے ML اصلاح کو یکجا کرتا ہے۔ عملی طور پر، ہائبرڈ درستگی اور کمپیوٹیشنل لاگت کا بہترین توازن دیتا ہے۔ زیادہ تر پلیٹ فارم (Amplitude، Mixpanel) خودکار LTV کے لیے ہائبرڈ ماڈل استعمال کرتے ہیں۔

دن-7 LTV پیش گوئی

دن-7 LTV سب سے مشہور ابتدائی پیش گوئی ہے۔ اگر صارف نے 7 دنوں میں خریداری نہیں کی، تو مستقبل میں خریداری کا امکان 80% کم ہو جاتا ہے۔ دن-7 LTV کا حساب 7 دنوں کے روزانہ ARPU کو متوقع زندگی سے ضرب دے کر کیا جاتا ہے۔ دن-7 LTV کا 365 دن کے LTV سے ارتباط گیمز کیٹیگری میں 0.85 تک پہنچتا ہے۔

LTV اور CAC کا تناسب

LTV/CAC تناسب موبائل ایپ کی اکائی معیشت کا بنیادی میٹرک ہے۔ صحت مند کاروبار کا اصول: LTV/CAC >= 3۔ اگر تناسب 3 سے کم ہے، تو کاروبار قابل توسیع نہیں ہے — حاصل کردہ ہر صارف مارکیٹنگ کے اخراجات اور آپریٹنگ اخراجات پورے کرنے کے لیے ناکافی آمدنی پیدا کرتا ہے۔

وینچر سرمایہ کار سیڈ راؤنڈ کے لیے LTV/CAC > 3 اور سیریز A کے لیے > 5 کا مطالبہ کرتے ہیں۔ OpenView (2025) کے مطابق، موبائل-اول کمپنیوں کے لیے اوسط LTV/CAC 3.2 ہے۔ بہترین کمپنیاں 5–7 حاصل کرتی ہیں۔ سبسکرپشن ماڈلز کے لیے واپسی کی مدت 12 ماہ سے زیادہ نہیں ہونی چاہیے۔

یہ نوٹ کرنا ضروری ہے کہ LTV/CAC کا حساب تاریخی LTV کی بجائے پیش گوئی کردہ LTV کی بنیاد پر کیا جاتا ہے۔ اگر پیش گوئی بڑھا چڑھا کر کی گئی ہے — تناسب صحت مند نظر آتا ہے جبکہ حقیقی کاروبار منافع بخش نہیں ہے۔ P50 (وسط) پر مبنی LTV کا محتاط پیش گوئی اوسط پر مبنی پیش گوئی سے زیادہ قابل اعتماد ہے۔

ایپ کی قسم کے مطابق LTV

LTV قسم کے مطابق نمایاں طور پر مختلف ہوتا ہے۔ عام اقدار کو سمجھنا حقیقت پسندانہ اہداف طے کرنے اور منیٹائزیشن کی حکمت عملی منتخب کرنے میں مدد کرتا ہے۔ نیچے دیا گیا ڈیٹا Data.ai اور Sensor Tower کی 2025 کی رپورٹس پر مبنی ہے۔

Hypercasual گیمز میں سب سے کم LTV ہے — $0.20–$0.50۔ ماڈل اشتہار پر مبنی ہے: صارف 3–5 دن کھیلتے ہیں، ریوارڈڈ ویڈیوز دیکھتے ہیں، پھر چلے جاتے ہیں۔ اس LTV کے ساتھ، CAC $0.10–$0.15 سے تجاوز نہیں کر سکتا، جو صرف بڑے پیمانے پر ٹریفک اور بہتر بنائے گئے تخلیقی مواد سے حاصل کیا جا سکتا ہے۔

اسٹریٹیجی گیمز میں گیمنگ میں سب سے زیادہ LTV ہے: $25–$50۔ صارف 6–18 ماہ رہتے ہیں، فعال طور پر بوسٹر اور سبسکرپشن خریدتے ہیں۔ اعلیٰ LTV UA پر فی انسٹال $10–$15 تک خرچ کرنے کی اجازت دیتا ہے۔ ٹریفک کا معیار مقدار سے زیادہ اہم ہو جاتا ہے۔

ہیلتھ اینڈ فٹنس — سبسکرپشن کی بدولت $30–$60 کا LTV۔ اوسط صارف 4–6 ماہ تک ماہانہ $8–$15 ادا کرتا ہے۔ سبسکرپشنز پیش گوئی کے قابل LTV اور سرمایہ کاروں کی طرف سے اعلیٰ کاروباری تشخیص فراہم کرتی ہیں۔

سوشل ڈیٹنگ — LTV $100–$500 تک پہنچتا ہے۔ صارف سبسکرپشن اور ورچوئل گفٹ کے لیے ادائیگی کرتے ہیں؛ زندگی 12 ماہ سے تجاوز کر سکتی ہے۔ LTV کے لحاظ سے یہ سب سے منافع بخش موبائل ایپ کیٹیگری ہے، لیکن CAC بھی سب سے زیادہ ہے — $20–$50۔

LTV کیسے بڑھائیں

LTV بڑھانا ایک اسٹریٹجک کام ہے جو پروڈکٹ کی بہتری کے ذریعے حل کیا جاتا ہے۔ تمام طریقے تین گروپوں میں آتے ہیں: برقرار رکھنے میں بہتری، ARPU میں اضافہ اور چھوڑنے کی شرح میں کمی۔ ہر گروپ کا LTV پر ضرب اثر ہوتا ہے۔

پہلا گروپ — برقرار رکھنا۔ دن-7 برقرار رکھنے میں 10% اضافہ LTV میں 15–20% اضافہ دیتا ہے۔ طریقے: ذاتی نوعیت کا آن بورڈنگ، متعلقہ مواد کے ساتھ پش نوٹیفیکیشن، گیمیفیکیشن (کامیابیاں، لیڈر بورڈ، سلسلے)۔ Duolingo ایک بہترین مثال ہے: سلسلہ میکنزم صارفین کو سالوں تک برقرار رکھتا ہے، EdTech اوسط سے 3–4 گنا زیادہ LTV یقینی بناتا ہے۔

دوسرا گروپ — ARPU۔ طریقے ARPU مضمون میں بیان کیے گئے ہیں: سبسکرپشن، اشتہار کی جگہ کی اصلاح، پیشکشوں کی ذاتی نوعیت۔ اسی برقرار رکھنے کے ساتھ ARPU میں 10% اضافہ LTV میں براہ راست 10% اضافہ دیتا ہے۔

تیسرا گروپ — چھوڑنے کی شرح میں کمی۔ واپس لانے کی مہم (چھوڑنے والوں کو دوبارہ فعال کرنا)، کسٹمر سپورٹ میں بہتری، چھوڑنے کے نکات کا تجزیہ۔ ماہانہ چھوڑنے کی شرح کو 15% سے کم کرکے 10% کرنا اوسط زندگی کو 6.7 سے بڑھا کر 10 ماہ کر دیتا ہے — غیر تبدیل شدہ ARPU کے ساتھ LTV میں 50% اضافہ۔