Как правильно считать LTV для подписочных сервисов с учётом churn и реактивации

Введение

Понимание LTV (Lifetime Value) клиента — ключевой элемент управления подписочным бизнесом. Для сервисов с периодическими платежами (подписка на месяц/год) LTV влияет на маркетинговые бюджеты, ценовую политику и прогнозирование доходов. Однако классические модели LTV часто игнорируют два важных фактора: churn rate (отток) и реактивацию (вернувшиеся клиенты). В этой статье описывается подход к учету этих факторов, даются формулы, примеры и практические советы.

Основные понятия

Что такое LTV

LTV — суммарный дисконтированный доход, который приносит один клиент за всё время взаимодействия с сервисом. Для подписок обычно рассчитывают на основе ARPU (средний доход на пользователя) и средней продолжительности подписки.

Churn rate

Churn rate — доля подписчиков, переставших платить за период (обычно в месяц). Например, месячный churn 5% означает, что в конце месяца остаётся 95% от изначальной базы.

Реактивация

Реактивация — процент ушедших клиентов, которые возвращаются и снова становятся платящими. Включение реактивации в модель LTV меняет предположения о том, насколько «окончателен» отток.

Базовая формула LTV для подписок

Типичная упрощённая формула (без учета дисконтирования и реактивации):

LTV = ARPU / Churn

Для месячных показателей ARPU — средний доход в месяц на пользователя, а Churn — месячный отток (в долях, например 0.05).

Ограничения базовой формулы

• Игнорирует дисконтирование будущих доходов (Time Value of Money).
• Не учитывает реактивацию ушедших клиентов.
• Предполагает постоянный ARPU и постоянный churn во времени.

Расширенная модель: учитываем реактивацию

Чтобы учесть возвраты, можно рассматривать клиента как процесс с несколькими состояниями: активный, ушедший (неактивный), реактивированный. При постоянной вероятности реактивации r (за период) модель упрощается.

Математическая формулировка

Пусть:

• ARPU — средний доход в период (месяц).
• c — месячный churn (вероятность ухода за месяц), 0 < c < 1.
• r — месячная вероятность реактивации ушедшего клиента (вернуться в любой следующий месяц).
• δ — дисконтная ставка за период (если учитывать дисконтирование).

Тогда ожидаемая доля времени, в течение которого клиент будет активен в долгосрочной перспективе, может быть выражена как сумма бесконечной геометрической прогрессии периодов активности с вероятностями чередования ухода и возврата. При условии независимых событий модель даёт:

E(активных периодов) = (1 — c) / (c — r) при c > r

При c <= r модель становится нестабильной (ожидаемая активность стремится к бесконечности), что редко в реальности: реактивация обычно ниже оттока.

Тогда LTV (без дисконтирования) можно записать как:

LTV = ARPU * E(активных периодов) = ARPU * (1 — c) / (c — r)

Если учитывать дисконтирование δ (в долях за период):

LTV = ARPU * Σ_{t=1..∞} P(клиент активен в период t) / (1+δ)^t

Где P(клиент активен в период t) рассчитывается с учётом вероятности ухода и возврата. Для практического применения часто используют численные методы и моделирование.

Пример расчёта: практическая таблица

Рассмотрим два варианта: без реактивации и с реактивацией.

Видно, что даже относительная небольшая реактивация (2%) существенно увеличивает оценку LTV — почти на 58% в данном примере. Это подчёркивает важность учёта реактивации при планировании маркетинга и удержания.

Уточнение: корректная модель вероятностей

Формула E(активных периодов) = (1 — c) / (c — r) выведена при предположении, что после ухода клиент сразу становится кандидатом на реактивацию с вероятностью r в каждый последующий период и что ARPU одинаков для новых и реактивированных клиентов. Если вероятность реактивации меняется во времени (например, спадает со временем), расчёт требует явного суммирования сценариев или использования марковских цепей.

Марковская модель двух состояний

Проще всего задать матрицу переходов для состояний Active (A) и Inactive (I):

P = | 1-c c |
| r 1-r |

При этом длительность в состоянии A и I позволяет посчитать стационарное распределение и ожидаемую долю времени в активном состоянии. Для LTV интересен начальный вектор [1,0] (сначала клиент активен) и суммарный дисконтированный доход.

Учет дисконтирования

Дисконтирование важно для долгосрочных оценок: 100 рублей через 5 лет стоят меньше, чем 100 рублей сегодня. Для месячной дисконтной ставки δ (например, годовая ставка 10% → месячная ≈ 0.10/12 ≈ 0.0083) LTV вычисляют как сумма дисконтированных ожидаемых платежей.

Численный алгоритм:

1. Задайте распределения событий (churn c, реактивация r, ARPU, месячная δ).
2. Смоделируйте процесс на горизонте T месяцев (например, 60–120 мес.) или до тех пор, пока вклад новых периодов мал.
3. Для каждого месяца t посчитайте вероятность того, что клиент активен, умножьте на ARPU/(1+δ)^t и суммируйте.

Такой подход даёт точную численную оценку LTV с учётом любого временного поведения churn и r.

Реальные данные и статистика

Ниже приведены усреднённые ориентиры по оттоку и реактивации для разных типов подписочных сервисов (условные данные на базе отраслевых наблюдений):

Эти величины сильно зависят от ценовой политики, качества продукта и каналов привлечения. Например, по собственным наблюдениям: при churn 6% и реактивации 1% LTV может быть в 50–70% от LTV при реакции 0% в зависимости от ARPU и дисконтирования.

Практические советы по использованию LTV с учётом реактивации

• Всегда учитывать реактивацию в сценарном анализе: даже небольшая r может заметно поднять LTV.
• Сегментировать LTV по каналам привлечения: некоторые каналы дают клиентов с более высокой вероятностью возврата.
• Моделировать разные профили реактивации: быстрые (в течение 1–3 месяцев) и поздние (через 6–12 месяцев).
• Использовать симуляции (Monte Carlo или простое развертывание по месяцам) для сложных зависимостей и изменения churn во времени.
• Включать дисконтирование для стратегических решений — особенно при долгих горизонтах.

Примеры применения

Маркетинговые бюджеты

Если LTV с учётом реактивации составляет 316 руб., а CAC (стоимость привлечения клиента) 150 руб., то такой канал выгоден. Но если не учесть реактивацию, LTV = 200 руб. может показаться невыгодным, и компания ошибочно сократит инвестиции.

Retention-стратегии

Инвестиции в механики ре-таргетинга и win-back кампаний можно оценивать по дополнительному приросту LTV: если повышение r с 1% до 2% увеличивает LTV на 20%, то это оправдывает расходы на персонализированные email-кампании или специальные предложения.

Ограничения и предостережения

• Реактивация может иметь меньший ARPU (например, пользователи возвращаются на более дешёвых тарифах). Это нужно учесть в модели.
• Параметры churn и r могут зависеть от сезонов, акций и изменений продукта.
• Большие прогнозные горизонты увеличивают неопределённость; лучше строить сценарии (пессимистичный/базовый/оптимистичный).

Инструменты для расчёта

Для практических расчётов подходят любые таблицы или BI-инструменты. Простая Excel/Google Sheets-модель с табличной симуляцией по месяцам позволяет быстро оценить влияние изменений c и r, а также проверить эффект дисконтирования и изменений ARPU.

Шаблонный алгоритм в таблице

1. Задайте c, r, ARPU и δ.
2. Создайте строки для месяцев 1..T.
3. Рассчитайте вероятность активности в каждом месяце (с учётом шансa возврата после ухода).
4. Рассчитайте дисконтированный доход по месяцу: ARPU * P(active,t) / (1+δ)^t.
5. Суммируйте по всем месяцам → LTV.

Мнение автора

Учитывать реактивацию — значит видеть реальную ценность клиента. Даже небольшие показатели возврата существенно меняют экономику подписочных сервисов, поэтому модели LTV без реактивации часто недооценивают возможности роста и неправильно направляют бюджет. Рекомендую всем подписочным продуктам внедрить в анализ модели с реактивацией и регулярную валидацию параметров по когортам.

Заключение

LTV для подписочных сервисов нельзя надёжно оценить, игнорируя churn и реактивацию. Простые формулы дают быстрые ориентиры, но для точного планирования нужно использовать расширенные модели с учётом вероятности возврата, возможных изменений ARPU и дисконтирования. Практическая польза от учёта реактивации проявляется в более точном распределении маркетинговых бюджетов, оправдании инвестиций в удержание и win-back, а также в улучшении стратегического планирования.

Ключевые выводы:

• Небольшая реактивация может значительно повысить LTV.
• Стоит сегментировать LTV по каналам и когортам.
• Используйте моделирование и дисконтирование для долгосрочных решений.