2020-12-19 10:09:28
Как считать LTV. Битва титанов
Не так давно Олег Якубенков, весьма известный в среде продуктовой аналитики человек и автор симулятора GoPractice, опубликовал эссе о том, как же все-таки правильно считать LTV.
Но вся соль в том, что Олег, по сути, раскритиковал одну из методик расчета LTV из ebook "Lifetime Value: главная метрика проекта" Василия Сабирова. А Василий, собственно, также признанный эксперт в области аналитики, человек с профильным математическим образованием и автор книги "Игра в цифры. Как аналитика позволяет видеоиграм жить лучше". Книга, кстати, бестселлер, посвященный игровой аналитике, права на которую выкупает британское издательство CRC Press - Taylor & Francis для переиздания ее на английском языке.
Хо-хо, вот это замес! Битва титанов!
В своем компактном электронном издании Василий Сабиров определяет LTV как "показатель ценности клиента, которую он приносит за все время в проекте" и представляет ряд методик расчета этой метрики. Читатель вместе с автором проходят путь от элементарных расчетов вроде "взять все доходы и поделить на количество клиентов" до методики LTV=ARPUxLifetime (в книге она №4), где ARPU =Revenue/DAU (выручка/ежедневно_активные_пользователи), а Lifetime — это время жизни пользователя в проекте. Кстати сказать, методика расчета LTV, как произведение ARPU на Lifetime, довольно часто встречается на просторах всемирной сети.
Кстати, ведь как известно, LTV считается с помощью когортного анализа, но где же когорты в формуле LTV=ARPUxLifetime? Все просто: Lifetime — это интеграл от функции Retention, которая изначально имеет зашитую в себе "когортную" логику. Графически это выглядит как площадь под Retention.
Олег же в своей статье подчеркивает ряд недостатков такой методики. Главным образом, критике подвергнут показатель "Lifetime", основной недостаток которого в том, что зачастую в любой когорте есть пользователи, которые становятся постоянными клиентами, т.е. Lifetime (как среднее время жизни пользователя в проекте) будет стремиться к бесконечности. Исчисление Lifetime как интеграла от функции Retention тоже не решает этой проблемы, поскольку остается открытым вопрос относительно правого края интегрирования.
Но Сабиров дает "рецепт" для решения этой проблемы — дисконтирование. За ставку дисконтирования Василий предлагает принимать WACC (Weighted Average
Cost of Capital), а его, в свою очередь, брать равным фактической рентабельности капитала в среднем по фирме или желаемой рентабельности капитала, или же равным рентабельности капитала альтернативных проектов. Однако замечу, что дисконтирование "убьет" рост Lifetime во времени только в случае какого-то невероятно длинного временного диапазона. Кроме того, такой подход не учитывает роста тарифов во времени. Да, деньги дешевеют, но, как правило, и тарифная сетка продукта не стоит на месте.
Итак, мы приходим к тому, что на практике практически невозможно отказаться от экспертного определения диапазона жизненного цикла. Или все-таки нет?
Примирение: мир, дружба, диджитал!
В своем эссе Якубенков предлагает методику, суть которой состоит в том, чтобы взять когорту пользователей, просуммировать доходность по ней с момента регистрации до момента N и поделить на количество пользователей в этой когорте. При этом N предлагается задавать динамически, исходя из целей и объема данных проекта, т.е. по сути, задается экспертно. Иными словами, в этой методике LTV считается как накопленный (кумулятивный) ARPU за N дней. Однако, с поправкой на то, что на практике необходимо прогнозировать LTV.
И тут бинго! Методика №5 Сабирова как раз об этом. Василий в том числе предлагает матмодель, которую удобно использовать для прогнозирования LTV: F (t) = A + ln (t+B), где t — количество дней от первого визита пользователя, F(t) — будущее уравнение, A и B — коэффициенты модели.
Т.е. вот она, золотая методика, которая объединяет двух экспертов: Cumulative ARPU(t), где t Сабирова равно N Якубенкова.
Игорь Кузин, Co-founder&CEO в Smart'е
4.7K viewsedited 07:09
П
