# 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. **Рубрика:** Статьи **Дата:** 2026-07-05 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:** [LTV/CAC: какое соотношение считается здоровым и как его улучшить через CRM](https://blog.clientcore.ru/articles/ltv-cac-kakoe-sootnoshenie-schitaetsya-zdorovym-i-kak-ego-uluchshit-cherez-crm) ## Почему «средний LTV» врет и кому он вообще нужен 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:** [Как считать LTV в Mindbox: от данных платформы до управленческого решения](https://blog.clientcore.ru/articles/kak-schitat-ltv-v-mindbox-ot-dannyh-platformy-do-upravlencheskogo-resheniya) --- [Открыть статью на сайте](https://blog.clientcore.ru/articles/prognozirovanie-ltv-kak-zaranee-ponyat-cennost-klienta-i-kuda-vkladyvat)