Прогнозирование LTV: как заранее понять ценность клиента и куда вкладывать
Как предсказать, сколько принесет клиент еще до второй покупки — и перестать сливать бюджет на тех, кто уйдет через месяц.
Маркетинг считает CAC до копейки, а ценность клиента берет «по средней». В итоге на привлечение тратятся одинаковые деньги — и на того, кто купит раз и пропадет, и на того, кто за два года принесет полмиллиона. Бюджет уходит, а ROI плавает от месяца к месяцу без понятной причины.
Прогнозирование LTV меняет эту картину. Вы перестаете смотреть на клиента как на разовую транзакцию и начинаете видеть его траекторию: сколько он принесет, как долго останется, когда начнет отваливаться. О том, как это работает на практике и какие решения по деньгам это реально меняет, рассказывает Екатерина Чернова, CRM-маркетолог ClientCore.
ЧИТАЙТЕ ТАКЖЕ
«Разбираем, какой LTV/CAC считается рабочим, почему 3:1 — не догма и как удержание через CRM двигает эту цифру быстрее любого нового трафика.»
Большинство компаний считают LTV ретроспективно: берут historical-выручку клиента, делят на что-нибудь, получают цифру. Проблема в том, что она описывает прошлое. А решения по бюджету вы принимаете про будущее — кого привлекать, кому давать скидку, кого удерживать прямо сейчас.
Средний LTV по всей базе вообще бесполезен для управления. У вас есть клиенты, которые приносят 80% выручки, и клиенты, которые приносят убыток после вычета затрат на обслуживание и коммуникации. Когда вы их усредняете, получается «температура по больнице». На такой цифре нельзя построить ни сегментацию, ни бюджет на привлечение.
Был кейс в fashion-ритейле: средний LTV считали 12 тысяч рублей и под него верстали бюджет на привлечение. А когда разложили базу — оказалось, что верхние 15% клиентов дают 41 тысячу, а нижняя половина не отбивает даже стоимость SMS-рассылок. Перестроили привлечение под look-alike верхнего сегмента и за квартал подняли окупаемость каналов на треть.
Екатерина Чернова
CRM-маркетолог, ClientCore
Что такое прогнозный LTV и чем он отличается от исторического
Прогнозный LTV отвечает на вопрос «сколько этот клиент принесет в будущем», а не «сколько он принес». Для этого модель LTV смотрит на поведение клиента в первые недели и месяцы — частоту покупок, средний чек, паузы между заказами, реакцию на коммуникации — и проецирует это вперед.
Ключевая ценность в том, что прогноз можно получить рано. Иногда — после первой-второй покупки. И вместо того чтобы год ждать, оправдался ли клиент, вы уже на старте понимаете, в какой он группе ценности. Это меняет всю экономику работы с базой: деньги идут туда, где они вернутся.
Норма
LTV считается на горизонте (12, 24, 36 месяцев), а не «вообще»
прогноз пересчитывается по мере поступления новых данных о клиенте
модель привязана к деньгам и решениям, а не живет в дашборде аналитика
Red flag
LTV — одна цифра на всю базу, которую никто не использует в кампаниях
прогноз считали один раз полгода назад и с тех пор не трогали
модель есть, но отдел маркетинга про нее даже не знает
Какие модели прогнозного LTV вообще бывают
Не нужно сразу строить нейросеть. Под разный уровень зрелости данных подходят разные подходы, и начинать почти всегда стоит с простого.
Первый уровень — модель LTV на исторических средних по сегментам. Вы делите базу на группы по поведению и присваиваете каждой ожидаемую ценность на основе того, как вели себя похожие клиенты раньше. Грубо, но уже в разы лучше «средней по базе». Работает на любой нормальной CRM, хоть в Mindbox, хоть в выгрузке в Excel.
Второй уровень — вероятностные модели вроде BG/NBD и Gamma-Gamma. Они отдельно прогнозируют, сколько раз клиент еще купит и какой будет средний чек, а потом перемножают. Это рабочая классика для бизнеса без выраженной подписки: ритейл, e-commerce, услуги с повторными продажами. Третий уровень — ML-модели на десятках признаков, когда данных много и бизнес готов вкладываться в data-команду.
Часто слышу "давайте сразу машинное обучение". Но если у вас грязные данные о заказах и не сшита идентификация клиента между онлайн и офлайн — ML выдаст красивую чушь. Мы в 70% проектов стартуем с вероятностной модели: она прозрачна, ее можно объяснить финансовому директору, и она уже дает решения, на которых видно деньги.
Екатерина Чернова
CRM-маркетолог, ClientCore
LTV по когортам: где прячется самая полезная аналитика
Одна цифра прогнозного LTV — это хорошо. Но настоящая управленческая ценность появляется, когда вы смотрите LTV по когортам. Когорта — это группа клиентов, объединенная по моменту или каналу привлечения: «пришли в марте», «пришли через performance», «первая покупка была по промокоду».
Когортный разрез отвечает на вопросы, которые напрямую бьют по бюджету. Какой канал приводит клиентов с высоким прогнозным LTV, а какой — одноразовых охотников за скидкой? Как меняется ценность клиентов от месяца к месяцу — база «стареет» хорошо или деградирует? Когда вы видите, что когорта из контекста окупается за 4 месяца, а из агрегаторов — за 14, решение по перераспределению бюджета принимается само.
Отдельная история — промо-когорты. Очень часто клиенты, привлеченные глубокой скидкой, показывают красивый первый чек и нулевую повторную активность. Без когортного LTV вы этого не увидите и продолжите лить деньги в канал, который выглядит прибыльным только на дистанции одной покупки.
Норма
когорты сравниваются по прогнозному LTV, а не только по первой выручке
видно динамику: каждая новая когорта лучше или хуже предыдущих
решения по каналам и промо опираются на когортные данные
Red flag
каналы оценивают только по CAC и ROMI первой покупки
промо запускают, не зная, какой LTV у привлеченных клиентов
когорты не строят, потому что «данных мало» — хотя данные есть
Как прогнозный LTV меняет решения по бюджету
Здесь начинается самое интересное — ради чего все и затевалось. Когда у вас есть прогноз ценности клиента, привлечение перестает быть игрой «лишь бы CAC ниже». Появляется логика: сколько мы готовы заплатить за клиента с прогнозным LTV в 60 тысяч и сколько — за того, кто принесет 8 тысяч.
Это разворачивает бюджет на привлечение. Вместо одинакового CAC по всем каналам вы устанавливаете допустимую стоимость привлечения под прогнозную ценность. Под высокоценные сегменты можно платить дороже — и оставаться в плюсе. Под низкоценные — резать ставки или вообще отключать. Тот же бюджет начинает приносить больше выручки просто потому, что распределен по ценности, а не по средней.
Внутри базы логика та же. Программы удержания, бонусы, персональные предложения — все это стоит денег. Прогнозный LTV подсказывает, в кого вкладывать удержание, а кого отпустить без боя. Дорогую заботу — клиентам с высоким потенциалом и риском оттока. Дешевую автоматику — остальным.
У клиента в нише товаров для дома была единая программа лояльности — всем одинаковые баллы. Подключили прогнозный LTV и разделили бонусную механику на три уровня. Высокоценным дали персонального менеджера и ранний доступ к коллекциям, низкоценным — оставили базовую автоматику. Затраты на программу не выросли, а удержание топ-сегмента прибавило 9 пунктов за полгода.
Екатерина Чернова
CRM-маркетолог, ClientCore
С чего начать, если модели еще нет
Главная ошибка — пытаться построить идеальную модель сразу. Прогнозирование LTV приносит деньги не точностью до рубля, а тем, что вы перестаете принимать решения вслепую. Даже грубая модель, которая делит базу на три-четыре группы ценности, уже лучше «средней по базе».
Стартовый план простой. Сначала навести порядок в данных: единая идентификация клиента, чистая история заказов, сшитые онлайн и офлайн. Без этого любая модель LTV врет. Дальше — выбрать горизонт прогноза под цикл вашего бизнеса и собрать первую вероятностную модель на исторических данных. Потом — проверить ее на старых когортах: если бы вы посчитали прогноз год назад, насколько он совпал бы с реальностью.
И последнее, без чего вся работа уходит в стол: прогнозный LTV должен попасть в руки маркетинга и зашиться в кампании. В сегменты, в правила коммуникаций, в логику бюджета на привлечение. Модель, которая живет в отчете и не влияет на решения, — это просто красивая презентация.
Норма
модель проверена на исторических когортах перед запуском
прогноз LTV доступен прямо в CRM и используется в сегментации
горизонт прогноза совпадает с реальным циклом покупок
Red flag
модель строили «чтобы было», без привязки к решениям
данные не чистили — клиент задвоен, заказы теряются
прогноз считает аналитик, а маркетинг живет старой «средней»
ЧИТАЙТЕ ТАКЖЕ
«Mindbox не покажет LTV кнопкой. Разбираем, как собрать метрику из сырых данных платформы и превратить ее в решения по сегментам.»
Сколько данных нужно, чтобы построить прогноз LTV?
Зависит от модели. Для вероятностного подхода (BG/NBD и подобные) достаточно истории заказов за 12–24 месяца и хотя бы части клиентов с повторными покупками. Для ML-моделей данных нужно сильно больше и они должны быть чистыми. Если база молодая, начинайте с сегментных средних — это работает уже на нескольких сотнях клиентов.
Насколько точен прогнозный LTV и можно ли ему доверять при планировании бюджета?
Точность до рубля по конкретному клиенту никто не обещает — и она не нужна. Ценность модели в том, что она верно ранжирует клиентов и когорты по ожидаемой ценности. Этого достаточно, чтобы перераспределить бюджет на привлечение и удержание. Проверяется все на исторических когортах: если прогноз совпадает с фактом по уже «дозревшим» группам, модели можно доверять.
Можно ли прогнозировать LTV прямо в Mindbox или нужна отдельная система?
Mindbox хорошо хранит и сегментирует данные, но полноценную прогнозную модель в нем «из коробки» не построить. Обычно модель LTV считается отдельно — на выгрузке данных или в аналитическом контуре, — а результат возвращается в Mindbox как атрибут клиента. Дальше по этому атрибуту строятся сегменты, рассылки и правила. Так прогноз начинает реально работать в кампаниях, а не остается в таблице.
