В этой деятельности не обойтись без аналитики. Аналитика является обратной связью на действия, глазами в продуктовом мире. Сначала аналитика позволяет понять, где мы находимся, что за продукт сделали, как им пользуются в реальном мире, а затем позволяет увидеть то, как действия, вносимые изменения влияют на продукт. Аналитикой на картинке ниже я называю этапы: Measure, Data, Learn.
Спасибо, очень полезно, сохранил в избранном.
Как посчитать изменение LTV, не выжидая каждый раз по 8 недель после апдейта, пока все пользователи не отвалятся?
Потому что даже если подождать эти 8 недель, то этот LTV как верхнюю планку для CAC использовать уже будет нельзя, потому что за это время уже выкатили несколько апдейтов продукта и метрика изменилась.
Как решить эту проблему?
Обычно соотношение APRU через неделю-две-месяц и ARPU за лайфтайм остается примерно постоянным (если не было каких-то кардинальных эффективных изменений, нацеленных на 2х или 3х месячных пользователей, например). Так что по динамике первых недель часто можно достаточно точно предсказать финальное значение. Этим в частности хвастается система аналитики Upsight - у них называется predictive LTV.
Но с подобными оценками надо быть аккуратными, ибо если траты конкретного пользователя не ограничены сверху, то ценность таких оценок невелика
Затронутая вами проблема - проблема любых длинных метрик, и простых решений этой проблемы я не знаю.
Курс Аналитики и Growth Hacking - реально самое полезное что есть на ресурсе. Большое спасибо за отличную инфу!
Великолепные статьи, спасибо.
Расскажите как LTV считать
Берете группу пользователей, считаете сколько денег они потратили за время использования продукта, делите сумму денег на количество пользователей.
Вообще, LTV может расти не только при трате реальных денег, но и, например, когда клиент приводит новых пользователей.