LTV — 什么是用户生命周期价值，如何预测用户价值

什么是LTV？

LTV（Lifetime Value）——一个用户在整段产品使用期间所带来的预期净利润。在移动应用开发中，LTV是应用经济的基石：正是这个指标决定了可以通过广告吸引用户投入多少成本。

该指标包含三个组成部分：每期平均收入（ARPU）、用户平均生命周期和毛利率。没有LTV，就无法论证UA（用户获取）预算。投资者根据LTV倍数评估初创企业：SaaS公司的估值通常为年订阅费的5–10倍LTV。

根据OpenView（2025）的数据，移动应用中LTV的中位数在Games类别中为14.50美元，Social为22美元，Health & Fitness为45美元。差异巨大——从Hypercasual的0.50美元到具有长LifeTime的交友应用的500美元以上。

为什么移动开发中需要LTV

LTV解决三个业务任务。第一——评估广告的回报率。如果LTV低于CPI，应用就是亏损的。第二——功能优先级排序：哪些产品变更可以提高LTV，就实施哪些。第三——收入预测：了解新用户的LTV后，可以预测未来6–12个月的收入。

第二和第三个任务需要历史数据。对于没有历史的新应用，使用类别基准。Sensor Tower和Data.ai按类别和地区提供LTV估算。但基准只是指南，不是真理：特定应用的LTV可能与市场平均水平相差2–3倍。

LTV vs 生命周期毛利润

LTV可以基于收入（Revenue LTV）或利润（Profit LTV）计算。Profit LTV从Revenue LTV中扣除销售成本（COGS）：商店佣金（15–30%）、服务器费用、收单费用。苹果和谷歌从每笔购买中抽取15–30%——这显著降低了实际LTV。要正确与CAC比较，请使用Profit LTV。

如何计算LTV

存在三种方法计算LTV：历史法、群组法和预测法。每种方法在不同的周期上提供不同的准确性。历史LTV针对已完成生命周期的用户计算——准确，但不适用于活跃用户。

群组法——黄金标准。用户按安装日期分组（Day 0群组），并为每个群组构建每日收入曲线。对该曲线进行外推得到LTV预测。根据Amplitude（2025）的数据，90天窗口的群组LTV在12个月预测中的误差仅为5–8%。

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方法使用收入衰减曲线。通常用幂函数（power law）近似：revenue on day N = revenue_day_1 × N^(-alpha)。Alpha从历史数据计算得出。ApplyDiscountRate将未来收入折算为现值——这是正确估值的标准财务做法。

基础LTV公式

最简单的LTV公式：ARPU × Average Lifetime。平均生命周期为Average Churn Rate^−1。如果用户以每月10%的速度流失，Average Lifetime = 1 / 0.10 = 10个月。若月均ARPU为2美元，则LTV = 2 × 10 = 20美元。该公式有助于快速评估，但忽略了ARPU随时间的变化。

LTV预测模型

LTV预测——需要高级统计方法的复杂任务。为在早期阶段（Day 1 – Day 30）进行准确预测，使用ML模型分析行为信号：首次购买、会话频率和参与度。

概率模型——BG/NBD（Beta-Geometric / Negative Binomial Distribution）——预测重复购买的经典方法。该模型评估用户保持活跃的概率以及预期的交易数量。Fader & Hardie模型（2013）仍然是无需ML的LTV的事实标准。

ML模型——随机森林、XGBoost和神经网络。它们考虑数十个特征：流量来源、设备、国家、首次操作。Google Cloud recommandation.ai使用深度神经网络基于前7天的事件进行LTV预测。这些模型的准确率比概率模型高15–25%（Google，2025）。

混合方法结合了用于基础预测的概率模型和针对异常行为群体的ML校正。在实践中，混合方法提供了最佳准确性和计算成本比。大多数平台（Amplitude、Mixpanel）使用混合模型进行自动LTV。

第7天的LTV预测

Day-7 LTV——最流行的早期预测。如果用户在7天内没有进行购买，未来购买的概率降低80%。Day-7 LTV指标通过将7天的每日ARPU乘以预测的生命周期来计算。Day-7 LTV与365天LTV的相关性在Games类别中达到0.85。

LTV与CAC的比率

LTV / CAC比率——移动应用单位经济的主要指标。健康业务的规则：LTV/CAC >= 3。如果比率低于3，业务就无法扩展——每个获取的用户带来的收入不足以覆盖营销费用和运营支出。

风险投资者要求种子轮LTV/CAC > 3，A轮 > 5。根据OpenView（2025）的数据，移动优先公司的中位数LTV/CAC为3.2。最佳公司达到5–7。对于订阅模式，投资回收期（CAC的回本时间）不应超过12个月。

需要注意的是，LTV/CAC是基于预测LTV而非历史LTV计算的。如果预测过高——比率看似健康，但实际业务是亏损的。基于P50（中位数）的保守LTV预测比基于平均值更可靠。

不同类别应用中的LTV

LTV因类别而异。了解典型值有助于设定现实目标并选择变现策略。呈现的数据基于Data.ai和Sensor Tower的2025年报告。

Hypercasual Games拥有最低的LTV——0.20–0.50美元。该模型基于广告：用户玩3–5天，观看激励视频，然后流失。在这样的LTV下，CAC不能超过0.10–0.15美元，这只能通过大规模流量和优化创意来实现。

Strategy Games——游戏中最高的LTV：25–50美元。用户留存6–18个月，积极购买加速器和订阅。高LTV允许在UA上花费高达每次安装10–15美元。流量质量变得比数量更重要。

Health & Fitness——LTV为30–60美元，得益于订阅。平均用户每月支付8–15美元，持续4–6个月。订阅确保了可预测的LTV和投资者对业务的高估值。

Social Dating——LTV达到100–500美元。用户为订阅和虚拟礼物付费，LifeTime可能超过12个月。这是从LTV角度来看最赚钱的移动应用类别，但这里的CAC也是最高的——20–50美元。

如何提高LTV

提高LTV——通过改进产品来解决的战略任务。所有方法分为三组：提高留存率、提高ARPU和降低流失率。每组对LTV都有倍增效应。

第一组——留存率。Day-7留存率提高10%可实现LTV增长15–20%。方法：个性化入职引导、带相关内容的推送通知、游戏化（成就、排行榜、连续签到）。Duolingo——经典案例：连续签到机制使用户留存数年，LTV比EdTech平均水平高3–4倍。

第二组——ARPU。方法在ARPU文章中描述：订阅、优化广告位、个性化推荐。在留存率不变的情况下，ARPU增长10%可直接带来LTV增长10%。

第三组——降低流失率。赢回活动（挽回流失用户）、改善客户支持、分析流失点。月流失率从15%降低到10%将平均生命周期从6.7个月增加到10个月——在ARPU不变的情况下LTV增长50%。