Научный подход к пониманию LTV. Часть 1

В интернете есть немало информации об LTV: что представляет из себя эта метрика, зачем она нужна и как правильно ее считать. Однако, несмотря на столь высокую популярность данного показателя, в открытых русскоязычных источниках крайне немного информации о том, как LTV освещается в западной научно-популярной литературе.

Цель данной статьи – описать аспекты LTV, которые, возможно, на практике не всегда принимаются во внимание при расчете, но при этом могут быть полезны для интерпретации метрики в целом.

LTV (lifetime value) или CLV (customer lifetime value) - это приведенная стоимость всех будущих потоков прибыли, которые отдельный клиент генерирует в течение всего срока использования продукта. Проще говоря, LTV – это текущая стоимость будущих денежных потоков с клиента, соответственно, один и тот же доход с потребителя может меняться в зависимости от реальной стоимости денег в будущем (NPV). В нижеперечисленных расчетах именно использование NPV является отличительной особенностью расчета LTV.

Модели расчета LTV можно условно разделить на 2 категории:

1. Модели, которые рассматривают не только поведение потребителя в прошлом, но еще измеряют его ценность в будущем.

2. Модели, учитывающие поведение потребителя в прошлом без прогнозирования покупок в будущем (RFM, SOW, PCV)

Безусловно, существуют и другие методы классификации, однако данный подход, на мой взгляд, является наиболее всеобъемлющим, т.к. он показывает ключевую разницу между формулами – учитываются ли только прошлое потребительское поведение или рассчитываются будущие покупки с поправками на NPV, вероятность повторной покупки и др. факторы. В данном случае каждая из групп может дополняться новыми формулами, которые будут рассматриваться в дальнейшем.

i - временной период

N - прогнозируемый срок жизни клиента (количество периодов)

R1- выручка с клиентов за период

C1- себестоимость производства продукции за период (прямые затраты, связанные с объёмом производства и покупкой сырья)

d – ставка дисконтирования

В основе данной формулы лежит показатель NPV. Такой расчет прост в понимании и удобен в использовании. Тем не менее, как указывают исследователи, данный метод расчета обладает рядом недостатков:

- Оценивает только тех клиентов, которые участвуют в текущем денежном потоке за период, не принимаются во внимание ушедшие или временно ушедшие пользователи, а также потенциальные потребители.

- Не учитываются затраты на привлечение клиента.

- Не рассматривается частота покупок и не принимаются во внимание вероятность того или иного сценария поведения клиента (совершит ли он повторную покупку, уйдет к конкуренту).

Пример расчета: Компания поставщик программного обеспечения «PAS» предоставляет услуги банку «Закрытие». Ожидаемый срок жизни банка в качестве клиента «PAS» - 2 года (подробнее о расчете срока жизни здесь). Выручка с банка за 1 год – 5 млн руб. Выручка с банка за 2 год – 6 млн руб. Себестоимость за 1 год – 1,5 млн. Себестоимость за 2 год – 3 млн Ставка дисконтирования = 9%

Существует также более усовершенствованный способ расчета LTV, которые идентичен базовой структурной модели, но еще и учитывает затраты на привлечение клиента.

В данном подходе будущее поведение потребителя основывается на давности совершенной покупки (recency). Предполагается, что клиент может вновь совершить транзакцию через определенное время . RFM – один из более продвинутых способов сегментации, который используется для расчета LTV на основе модели клиентской миграции.

В вертикальном столбце "Period" представлен рассматриваемый период, а в горизонтальном "Recency state" указан период с последней покупки. В верхней строке таблицы – показатели вероятности покупки в текущем периоде (основаны на данных компании). Соответственно, склонность к покупке варьируется в зависимости от совершенной транзакции в периоде. Например, к концу периода 7 существует 9% вероятности того, что клиент будет находиться в строке 5, когда последняя покупка была совершена в периоде 3.

Фактически данные расчеты являются дополнением к базовой структурной модели, т. к. учитывают фактор вероятности при сегментации клиентской базы. Даже если клиент не совершал покупок за определенный период, в данной модели он все равно учитывается, в отличие от базовой структурной модели. Тем не менее, клиентская миграция также несовершенна:

- Предполагается, что покупка происходит в строго зафиксированный период времени, что наилучшим образом применимо только для бизнес модели на основе подписки.

- Учитывается только показатель recency, другие факторы (частота покупок, цена и т.д.) игнорируются.

Таким образом, в вышеупомянутых моделях были рассмотрены 2 аспекта при расчет LTV:

- NPV.

- Вероятность повторной покупки.

О других моделях - в следующей части.

#маркетинг #метрики #продукт