LTV (пожизненная ценность клиента)

Происхождение и история термина

В исторической статье Фейдера, Харди и Ли, опубликованной в журнале Marketing Research летом 2006 года, CLV определяется через стоимость будущих денежных потоков на текущую дату. Авторы связывают интерес к CLV с переходом к оценке отношений с клиентом и доступностью записей покупок. Они противопоставляют прямому переносу прошлых наблюдений вероятностное описание поведения: одинаковое число прошлых покупок ещё не задаёт точное число будущих. Так развитие подхода затрагивает не только подсчёт продаж, но и оценку неопределённости последующих отношений ^[1]. Работа служит документированным этапом обсуждения; первое употребление термина ей не приписывается.

Учебник OpenStax, опубликованный в 2023 году, рассматривает CLV как оценку будущей ценности и отдельно обращает внимание на затраты привлечения, себестоимость и обслуживание ^[2]. В документации Microsoft прогноз строится на истории транзакций, а в Google Analytics рядом с накопленными данными присутствуют прогнозные метрики поведения ^{[3, 4]}. Эти примеры показывают разные задачи: оценить будущие поступления, описать прошлое или предсказать действие.

«Пожизненная» здесь относится к отношениям с компанией, а не к биологической жизни человека. В учебной модели ниже выбран конечный срок. За его пределами результат не рассчитывается, даже если клиент продолжит пользоваться продуктом.

Суть и механизм

Чтобы понять LTV, удобно разделить три вопроса: что приносит клиент, как долго это продолжается и когда поступают деньги. Продажа на тысячу рублей и тысяча рублей после оплаты товара и доставки — разные величины. Ниже денежным потоком называется разность выбранных денежных поступлений и выплат за период. Если часть расходов исключена, результат нельзя без пояснения называть чистой прибылью.

Перечень расходов нужно назвать прямо. Учебный пример: подписчик платит полторы тысячи рублей в месяц. На предоставление услуги приходится триста рублей, на поддержку — сто пятьдесят, на приём платежа — пятьдесят. Тогда поток после этих выплат составляет тысячу рублей: 1500 − 300 − 150 − 50 = 1000. Аренда офиса, налоги и другие не перечисленные расходы в этом примере не вычтены, поэтому тысяча рублей — не чистая прибыль компании. Такой список показывает, что включено в расчёт, и позволяет повторить его.

Маржинальный доход — выручка за вычетом переменных затрат, которые меняются вместе с объёмом продаж или услуг. Этот остаток предназначен для покрытия постоянных расходов и затем формирования прибыли; такое разделение объясняет учебник управленческого учёта OpenStax ^[6]. Поэтому маржинальный доход в рублях отличается от маржинальности в процентах и от чистой прибыли после всех расходов.

В нашем учебном примере примем, что все три перечисленные выплаты меняются вместе с числом оплаченных подписок, других переменных расходов нет, а начисление и оплата происходят в одном периоде. Тогда тысяча рублей одновременно представляет маржинальный доход и выбранный денежный поток. Если поддержку оплачивают фиксированной суммой независимо от числа подписчиков, состав переменных расходов уже другой; если клиент платит позднее, меняется время денежного потока. Поэтому произвольную колонку «маржа» нельзя подставить в C без проверки состава суммы и момента оплаты.

Затраты привлечения отделены от регулярных выплат. В примере ниже пятьсот рублей на получение нового подписчика оплачены в самом начале и будут вычтены один раз. Если включить их также в ежемесячные расходы, одна и та же сумма уменьшит результат повторно.

Вторая составляющая — продолжение отношений. Удержание в учебной модели означает вероятность того, что активный клиент останется активным к следующему периоду. Это не доля открытых писем и не вероятность одной случайной покупки. Например, если из ста действующих подписчиков восемьдесят продлили подписку на следующий месяц, доля продлений равна 80 / 100 = 0,8. Знаменатель — подписчики предыдущего месяца, среди которых возможен уход; новые подписчики следующего месяца в эту долю не входят. Это учебное наблюдение. Если из оставшихся восьмидесяти следующий месяц оплатили шестьдесят четыре, условное удержание снова равно 64 / 80 = 0,8, а доля активных от исходной сотни — 64 / 100 = 0,64. Различие знаменателей объясняет, откуда в формуле появляется квадрат вероятности. Подстановка той же вероятности во все будущие месяцы — предположение, а не установленный будущий факт.

Фейдер, Харди и Ли различают отношения, где уход наблюдается, и отношения, где он скрыт. При отмене подписки завершение договора видно, а длительная пауза между покупками сама по себе не доказывает окончательный уход ^[1]. Поэтому долю клиентов, которые не купили в этом месяце, нельзя автоматически подставить вместо вероятности окончательного прекращения отношений.

Третья составляющая — время. Дисконтирование переводит будущую сумму в сопоставимую стоимость на дату расчёта. В выбранной модели тысяча рублей через один период при ставке десять процентов соответствует 1000 / 1,1 ≈ 909,09 рубля на начальную дату. Это иллюстрация арифметики, а не рекомендуемая ставка.

Ставка относится к тому же периоду, что и поток. Если период — месяц, в формулу входит месячная ставка. Значение годовой ставки нельзя просто использовать как месячное: получилась бы другая оценка времени.

Виды и классификации

Для чтения отчётов полезна следующая редакционная схема. Это способ разделить величины по смыслу, а не обязательный отраслевой стандарт.

Расчёт может относиться к одному человеку или к когорте — группе, выделенной по общей характеристике и времени начала действия. Например, это пользователи, установившие приложение в одну неделю; такое объединение описывает AppMetrica ^[5]. Среднее по группе не означает, что каждый её участник принесёт именно эту сумму.

Учебный пример. У ста новых пользователей приложения за первый месяц накопилась выручка двадцать тысяч рублей. Средняя выручка на исходного пользователя равна двумстам рублям. Если платили только десять человек, среднее по платящим составит две тысячи рублей. Обе величины верны при своих знаменателях, но смешивать их в одном сравнении нельзя. Для результата на одного первоначально привлечённого пользователя исходную сотню сохраняют в знаменателе и в последующие месяцы. Если удалять из неё ушедших, получится среднее среди оставшихся, а не ценность исходной группы. Это математическое различие особенно важно, когда уходят прежде всего мало покупающие участники.

Как применяется на практике

В международной практике Microsoft Dynamics 365 Customer Insights предлагает прогноз CLV для активных клиентов на выбранный будущий срок. В истории операций требуются связь с клиентом, идентификатор и дата транзакции, денежная величина, признак возврата и продукт. Денежная величина может, например, представлять выручку или маржинальный результат ^[3]. Значит, экономический смысл прогноза зависит от подготовленных данных.

В Google Analytics 4 исследование User lifetime описывает поведение пользователей за доступную историю. Документация разделяет первоначальные, последние и накопленные взаимодействия, а также прогнозные метрики. В этой технике выбор диапазона дат отбирает активных в нём пользователей, но сведения могут включать их более раннюю историю ^[4]. Значение за жизненный цикл поэтому не следует читать как продажи только за выбранный месяц.

Российский пример — когортный отчёт AppMetrica. Для Total Revenue он объединяет выручку от рекламы, покупок внутри приложения и подписок; ARPU — средняя выручка на пользователя — рассчитывается через накопленную выручку к выбранному дню и число пользователей когорты ^[5]. Слово «накопленная» означает сумму с начала рассматриваемого периода, а не только поступления последнего дня.

Ни одна из этих двух описанных выручек сама по себе не является результатом после всех расходов. Это вывод из состава показателя: если затраты не вычтены, формула не может показать остаток после них.

Как измерить: конечная учебная модель

Далее используется редакционная модель сценария, совпадающая с формулой мини-инструмента. В ней рассматривается клиент, который уже начал пользоваться услугой: первый оплачиваемый период включён в расчёт с вероятностью единицы. «Активный» здесь означает, что клиент продолжает оплачивать услугу и приносить заданный поток. Это условие модели, а не обещание, что любой посетитель станет покупателем.

Уход возможен только между периодами. Одна и та же вероятность r действует при каждом переходе к следующему периоду среди тех, кто ещё не ушёл; после ухода клиент не возвращается. Пока он остаётся, его поток C одинаков в каждом периоде. Ставка d также постоянна. Все потоки условно относят к концу соответствующего периода, даже если реальный сервис получает оплату в начале месяца. Для платежей в другие моменты формулу нужно изменить.

Горизонт T конечен: после последнего периода расчёт прекращается. Возможная ценность дальнейших отношений в итог не добавляется. Поэтому здесь получена оценка на выбранный срок, а не доказанная сумма за всю будущую жизнь клиента.

Обозначения:

• C — поток за период при условии активности клиента, в рублях на клиента; выбранные текущие расходы уже вычтены.
• r — вероятность, что клиент продолжит оплачивать услугу в следующем периоде, если он оплачивает её сейчас; в формуле это доля от нуля до единицы.
• d — ставка дисконтирования за один период, тоже в долях.
• T — число периодов; t — номер периода от первого до последнего.
• A — затраты привлечения на клиента, выплаченные один раз в начальный момент; они не входят в C.

Сначала складывают приведённые потоки до вычета привлечения:

Затем получают результат с учётом начальных затрат:

Знак суммы означает «посчитать вклад каждого периода и сложить». Вероятность активности в первом периоде равна единице, во втором — r, в третьем — r². Поэтому в числителе стоит r^(t−1). Знаменатель уменьшает стоимость более позднего потока. В калькуляторе вероятности и ставки вводятся в процентах: восемьдесят процентов программа переводит в 0,8.

Учебный расчёт для подписки

Используем описанный выше состав поступлений и выплат: C = 1000 рублей в месяц после расходов на услугу, поддержку и приём платежа. Вероятность продления между месяцами равна восьмидесяти процентам, дисконтирование — ноль. Выбран горизонт три месяца, а привлечение обошлось в пятьсот рублей.

Результат — ожидаемая величина при заданном сценарии. Конкретный клиент не обязан принести дробную долю месячного потока: он может продолжить подписку или прекратить её. Вероятностный вес нужен для оценки ожидания, а не для описания обязательного платежа человека.

Если r=0, первый поток остаётся: уход происходит между периодами. При нулевой ставке результат примера после привлечения составит пятьсот рублей. Если r=1, все три потока сохраняются; при прочих прежних условиях результат после привлечения равен двум с половиной тысячам рублей.

Как увидеть чувствительность результата

Для того же потока и горизонта можно изменить только удержание. При шестидесяти процентах сумма до привлечения равна 1000 + 600 + 360 = 1960, после — 1460. При девяноста процентах получатся 2710 и 2210 рублей соответственно. Это учебные сценарии, а не нижняя и верхняя вероятностные границы. При прежнем удержании восемьдесят процентов увеличение горизонта с трёх до четырёх месяцев добавит ожидаемые 1000 × 0,8³ = 512 рублей: итог после привлечения станет 1940 + 512 = 2452 рубля. Клиент не изменился; изменилась длительность расчёта. Поэтому LTV без подписанного горизонта нельзя сравнивать с другим значением.

Теперь оставим трёхмесячный горизонт, но зададим учебную ставку десять процентов за месяц. Приведённые вклады равны 1000 / 1,1 ≈ 909,09, 800 / 1,1² ≈ 661,16 и 640 / 1,1³ ≈ 480,84 рубля. Сумма без промежуточного округления — примерно 2051,09, после привлечения — 1551,09 рубля. Удержание уменьшает ожидаемое число оплат, а дисконтирование меняет оценку времени этих оплат; это два разных множителя.

При положительной ставке приведённая сумма положительных потоков уменьшится. Если поток отрицателен, например обслуживание убыточно при выбранном составе выплат, знак результата сохраняет экономический смысл. Увеличение удержания такого клиента в этой модели добавит отрицательные потоки. Высокое удержание само по себе не доказывает выгодность отношений.

Мини-инструмент

Открыть калькулятор конечного сценария LTV.

Он принимает C, вероятность продления, ставку, горизонт и начальные затраты. Под каждым полем объяснено его значение; в C нужно ввести уже рассчитанный остаток после выбранных текущих расходов. Результаты «до затрат привлечения» и «после однократного вычета A» соответствуют V_T и LTV_T выше. Поток допускается отрицательный; затраты привлечения — неотрицательные.

Пределы реализации: удержание от нуля до ста процентов, ставка от нуля до тысячи процентов за период, целый горизонт от одного до пятидесяти периодов. Абсолютный поток и затраты привлечения ограничены триллионом денежных единиц каждый. Эти пределы ограничивают ввод и не служат экономической рекомендацией.

Инструмент использует одну валюту и одинаковые периоды. В поле горизонта принимаются только целые числа без дробного разделителя; остальные поля допускают до шести знаков после запятой или точки. Пустые поля и запись через экспоненту отклоняются. Он не оценивает параметры по данным системы управления отношениями с клиентами — CRM — и не учитывает ничего за пределами введённого горизонта. Отображение округляется до двух знаков; точный вид числа не доказывает надёжность предположений.

Как проверить данные и прогноз

Ниже — редакционный протокол проверки, а не описание встроенной функции калькулятора. Начать стоит с понятной карточки расчёта: дата оценки, состав клиентов, срок, валюта, вид потока, перечень расходов и правило привлечения. Без неё одинаковое слово LTV может скрывать несопоставимые расчёты.

Затем проверяют записи операций. Возврат не должен превращаться в новую положительную покупку, отменённый заказ — в состоявшийся платёж, а две записи одного события — в два дохода. Проверка связи операции с клиентом нужна до вычисления средних. Если один человек ошибочно разбит на несколько карточек, размер группы и результат на клиента изменятся.

Когорты сравнивают в одинаковом возрасте. Учебный пример: январская группа наблюдалась три месяца, мартовская — только один. Большая накопленная выручка первой ещё не доказывает лучшее качество привлечения. Для прямого сравнения можно взять первый месяц обеих групп; для оценки последующих месяцев молодой группы понадобится отдельный прогноз.

Отсутствие данных тоже требует различения. Ноль покупок в работающем учёте и пропавшая выгрузка — разные ситуации. Заполнение технического пробела нулём создаёт искусственное падение активности, которое затем попадёт в модель как поведение клиентов.

Для проверки прогноза фиксируют дату, на которую он сделан, и оставляют последующий период для сравнения с фактом. Сведения из этого будущего периода не должны участвовать в исходной оценке: иначе проверка использует ответ заранее. Полезно сравнить не только общую сумму, но и группы клиентов; завышение одной и занижение другой могут взаимно скрыться.

Учебный пример проверки: модель ожидала сто тысяч рублей за следующие три месяца, а наблюдалось девяносто тысяч при том же составе поступлений. Отклонение равно десяти тысячам рублей. Прежде чем менять параметры, проверяют полноту данных, возвраты и состав группы. Одно такое отклонение не показывает причину ошибки и не доказывает качество модели на другом горизонте.

Ошибки, ограничения и спорные вопросы

Первая ошибка — сравнивать многолетнюю выручку с текущей стоимостью привлечения и делать вывод о прибыли. Для такого вывода ещё нужны выбранные расходы и согласованный срок. OpenStax прямо обращает внимание на затраты обслуживания наряду с привлечением ^[2].

Вторая — вычитать привлечение дважды. В этой учебной модели A оплачено в начале, а C его не содержит. Если расходы привлечения уже включены в поток, повторное вычитание занизит результат. Регулярные расходы на удержание относятся к соответствующим периодам; перенос их общей суммы в начальный платёж изменяет время расчёта.

Третья — принять сценарий за проверенный прогноз. Постоянные C и r удобны для объяснения, но не описывают автоматически сезонность, изменение цены, возвращение клиентов после паузы и разные группы покупателей. Калькулятор подходит для вопроса «что получится при этих условиях». Установление самих условий требует данных и отдельного метода.

Четвёртая — считать связь причиной. Даже если пользователи программы лояльности имеют более высокий прогноз, это ещё не доказывает, что именно программа увеличила будущий поток. Такой вывод требует отдельного сравнения воздействия. LTV показывает оценённую ценность, но не добавочную ценность конкретной акции.

Наконец, пересмотр модели не меняет прошлое. Если команда уточнила расходы или горизонт, новая сумма должна сопровождаться новой датой и версией расчёта. Иначе изменение способа оценки легко принять за улучшение отношений с клиентами.

Правовой аспект

Зарубежные счётчики и персональные данные. С 1 июля 2025 года часть 5 статьи 18 закона № 152-ФЗ «О персональных данных» (в редакции Федерального закона от 28.02.2025 № 23-ФЗ) не допускает при сборе персональных данных граждан России, в том числе в интернете, их запись, хранение и другие операции с использованием баз данных за пределами России. Счётчики вроде Google Analytics передают на зарубежные серверы IP-адреса и идентификаторы cookie, которые могут относиться к персональным данным; о трансграничной передаче, кроме того, заранее уведомляют Роскомнадзор (статья 12 того же закона). Нарушения влекут ответственность по статье 13.11 КоАП РФ. Использование такого счётчика на российском сайте требует юридической оценки; для сбора данных о посетителях из России применяют системы веб-аналитики с хранением данных в России, например Яндекс Метрику.

Частые вопросы

Связанные термины

• ROMI
• ROI
• Маржинальность