Как рассчитать ltv в эксель
Lifetime Value (LTV) — это показатель дохода от одного пользователя. Если говорить про мобильную аналитику — деньги, которые принесёт клиент до того, как он удалит приложение и забудет о нём.
Например, пользователь играет в игру три месяца, а затем удаляет её. В первый месяц он потратил $2, во второй — $3, а в третий — не стал ничего покупать и удалил приложение: его LTV составил $5.
У пользователя, пришедшего по рекламе, есть стоимость привлечения — это показатель CAC (Customer Acquisition Cost). Допустим, мы потратили на объявление $1000. По нему пришли 100 человек. Стоимость привлечения каждого пользователя — $10.
Если среднее LTV всех пользователей составило $5, то мы потратили на их привлечение больше денег, чем они принесут — невыгодная ситуация. Знание LTV даёт понимание, сколько можно тратить на привлечение пользователя.
Повышение LTV — задача продакт-менеджера. Среди способов — попытка удержать пользователя или повысить его средний чек. А в этой статье мы поговорим только о том, как рассчитать LTV.
Считайте прибыль на определённый день
Может получиться так, что пользователь принесёт больше денег, чем стоило его привлечение, но сделает это, например, только через два года. А приложение должно окупиться через год.
Основной совет — не считать LTV в его классическом понимании. С точки зрения бизнеса, сам по себе показатель, сколько денег пользователь принесёт за всё время игры, имеет мало практического смысла.
Куда важнее понимать, какой доход принесет привлеченный пользователь в каждый его день с момента регистрации. Это дает нам понимание, когда пользователь окупится и совпадает ли это с нашими ожиданиями. Такие данные позволяют строить прогнозы и модели окупаемости.
Если бизнес не готов ждать окупаемости бесконечно, то лучше считать не LTV, а на какой день вернутся деньги. Эта задача решается проще.
Посчитать прибыль на определённый день поможет способ на основе накопительного ARPU, о котором мы расскажем дальше.
Делите пользователей на группы
Если анализировать всех сразу, получится среднее число, которое будет далёким от реальности. Поэтому пользователей нужно делить на группы — они называются когортами. Людей можно сгруппировать по дате регистрации, территориальным признакам, после какой рекламы пришли и так далее.
Например, люди, которые пришли после рекламы в Facebook, — это одна группа. Которые пришли из «ВКонтакте» — другая.
А если у вас много данных, то пробуйте считать LTV для одного пользователя, а не группы. Эта информация будет ещё ценнее. Например, от этих данных может зависеть монетизация конкретного человека: показывать ему рекламу или предлагать внутриигровые покупки.
Помните о пользователях с аномальным поведением
Почти в каждой группе есть игроки, чьё поведение отличается от других. Например, все тратят по $5 в неделю, а кто-то один — по $1000. Из-за него расчёт LTV получится неточным — этого человека лучше на время исключить. Но при этом совсем забывать о таких людях не нужно.
Если полностью исключить топ-плательщиков из расчётов окупаемости, можно не учесть часть прибыли. В результате вы ограничите себя в объеме инвестиций в успешный проект. Вариант решения проблемы «китов» — выбирать размер когорт таким образом, чтобы появление топ-плательщика было статистически прогнозируемо.
Не стоит доверять средним показателям по рынку
Даже с небольшим LTV у вас может быть всё хорошо, если вы умеете оптимизировать затраты и дешёво закупать платящих игроков.
Невозможно точно предсказать, сколько человек будет пользоваться приложением и сколько денег заплатит. Мы можем сделать лишь примерный прогноз. Каждый аналитик должен выбрать, какой из способов лучше подходит для его приложения, либо придумать свой.
На основе удержания — сложный способ, придётся сделать много расчётов. Подойдёт продвинутым аналитикам, если нужно определить LTV как можно точнее. Он работает хорошо, если пользователи платят стабильно, без резких изменений.
Накопительный ARPU — способ, который можно применять при наличии небольшого количества данных и за недолгий срок. Позволяет точнее понять, на какой день окупится привлечение пользователя.
Этот способ хорош тем, что здесь мы точнее определяем, сколько в среднем дней или месяцев люди пользуются нашим приложением — Lifetime. Чтобы его рассчитать, нужно обратиться к другой метрике — показатель удержания (Retention).
Чтобы объяснить, что такое показатель удержания, возьмём простой пример. Мы запустили приложение — в первый день в него зашли 100 человек. А на второй день из них зашли только 60. Значит, показатель удержания на второй день — 60%. Его изображают в виде такого графика.
Когда приложение молодое, мы не знаем, сколько люди будут в него играть. Поэтому показатель удержания приходится прогнозировать.
Наш фактический график удержания изгибается примерно равномерно. Поэтому, если мы найдём функцию, график которой будет изгибаться похожим образом, то сможем сделать прогноз.
Есть несколько формул. Использовать можно все. Просто одна из них построит новый график чуть точнее, чем остальные. Понять, какая именно, можно только попробовав все. Если ни одна из них не подошла, можно поискать на просторах интернета другие. Например, здесь. Вот некоторые из формул:
«X» в уравнении — период времени. Например, нам известно удержание за 30 дней. Поэтому попробуем построить график на чуть больший срок — 90 суток. Соответственно, наше «X» — 90.
«A, B, C, D» — параметры функции. Это определённые числа, которые нужно подобрать так, чтобы новый график был максимально схож с фактическим. Это можно сделать вручную, либо воспользоваться инструментом Solver для Excel. Как им пользоваться, можно найти тут.
Строим графики и сравниваем их с фактическим. Должно получиться похоже на это:
Подробное руководство по графику удержания (Retention) можно найти в этой статье.
Итак, мы построили график на 90 дней. Теперь нужно узнать, сколько в среднем платит один игрок в месяц — ARPU.
Берём валовую прибыль за месяц и делим её на количество клиентов, которые пользовались приложением в этом месяце. Например, игра работает 30 дней. За это время мы заработали $5000, а поиграли в нашу игру 100 человек. Получается, в среднем каждый игрок приносит нам в месяц по $50 — это ARPU.
Теперь, чтобы посчитать LTV, нужно поделить график удержания на месяцы. У нас он на 90 дней, значит делим его на три части — по 30 дней. И смотрим, какой показатель удержания был в конце каждого месяца. Напомним, что в наших примерах мы завысили и округлили все цифры, чтобы было проще считать, — в реальности они намного ниже.
Главная проблема LTV в том, что на сбор данных требуется время, которого, обычно, нет. Например, вы в течение месяца тестировали новый рекламный канал, и теперь вам нужно решить, продолжать или нет. За месяц покупок было немного, канал еще далек от точки безубыточности, но вы готовы вкладывать, если будете знать, что за год клиенты окупятся.
Сегодня я расскажу, как прогнозировать годовую выручку когорты по первому месяцу её существования. Для прогноза будем использовать линейную регрессию.
- Эксель (Гугл-таблицы тоже подойдут, но там немного другой интерфейс);
- исторические данные о продажах (на них будем обучать модель).
Если, вдруг, ваш бизнес молодой, и данных за год пока нет, — ничего страшного. Постройте прогноз на тот период, за который данные есть.
Для этого упражнения я подготовил специальный файл, на котором вы можете потренироваться. Скачайте его и откройте в Экселе.
Позже попросите программиста выгрузить ваши данные в таком же формате. Покажите этот файл как пример.
Когорты, в которых больше людей, скорее всего, принесут больше денег просто потому, что там больше людей. Единственный вывод, который вы сделаете из модели: “нужно больше покупателей”. Не очень полезно. Вместо этого спрогнозируем среднюю выручку с покупателя. Для этого поделим итоговую выручку с когорты на количество людей.
Начинается самое интересное. Чтобы построить модель, нужно понять, как взаимосвязаны данные. Для этого построим scatter plot (такие графики мы все в школе строили).
Каждая точка на графике — одна когорта. По оси X — выручка за месяц. По оси Y — выручка за год.
На графике видна сильная и весьма логичная линейная зависимость: люди, принесшие больше за первый месяц, скорее всего, принесут больше и за год.
Вопрос в том, на сколько больше?
Мы всего в паре шагов от победы. Добавьте на график линию тренда. И не забудьте вывести на экран формулу графика.
Получившаяся формула — и есть нужная нам модель. Напомню, что Y — LTV за год, а X — LTV за первый месяц. То есть:
LTV за год = 4.67 * LTV за месяц – 0.72
«Леша, ты хочешь сказать, что можно вот так вот спрогнозировать выручку за год с помощью сложения и умножения? Не может быть!»
Именно так. Но мы еще не закончили. Остался последний шаг.
Под формулой есть показатель R^2. Он показывает, на сколько хорошо модель описывает имеющиеся данные. 0.93 означает «чертовски хорошо описывает».
Но нам гораздо интересней знать, с какой точностью модель прогнозирует будущее.
Скажу сразу, моделей со 100% точностью не бывает. Вообще.
Чтобы оценить точность модели, разделим имеющиеся данные на 2 группы: обучающую и тестовую.
Обучающую группу пометим нулем, тестовую — единицей.
На основе обучающей группы построим модель: добавим график с линей тренда и получим формулу.
Формула немного изменилась. Это нормально.
LTV за год = 5 * LTV за месяц — 1.72
Теперь применим формулу для прогноза на тестовой выборке.
На графике голубая линия — реальный LTV каждой когорты, а оранжевая — прогноз, результат работы модели. Смотрите, как они близко.
В статистике используют специальный показатель MSE, сводящий точность модели к одной цифре. Но, чтобы не перегружать вас в одной статье, предлагаю почитать про него на Википедии.
Вернемся к тому, зачем мы все это делали?
Напомню, что вам нужно принять решение, продолжать ли рекламную кампанию.
Допустим, что за месяц вы потратили $10.000 и привлекли 600 новых пользователей. Эти пользователи за месяц принесли $2400 выручки.
Стоимость одного пользователя = $10.000/600 = $16.7
LTV за первый месяц = $2400/600 = $4
Подставим значения в модель:
LTV за год = 5 * $4 — 1.72 = $18.28
Прогнозный ROMI = $18.28/$16.17 = 113%.
Похоже, что рекламная кампания за год не только окупится, но и принесет небольшую прибыль. Если вас устраивает этот результат, смело продолжайте рекламироваться.
P.S. Естественно, периоды 30 и 365 дней можно менять на любые другие. Я, например, часто прогнозирую первый месяц по первому дню.
15 уроков о работе с данными для маркетологов, менеджеров и предпринимателей с теорией, практикой и домашними заданиями.
Я уже рассказывал о том, почему важно считать LTV, и какиспользовать метрику для планирования рекламных бюджетов.
Главная проблема LTV в том, что на сбор данных требуется время, которого обычно нет. Например, вы в течение месяца тестировали новый рекламный канал, и теперь вам нужно решить, продолжать или нет. За месяц покупок было немного, канал еще далек от точки безубыточности, но вы готовы вкладывать, если будете знать, что за год клиенты окупятся.
Сегодня я расскажу, как прогнозировать годовую выручку когорты по первому месяцу её существования. Для прогноза будем использовать линейную регрессию.
- Excel (Google-таблицы тоже подойдут, но там немного другой интерфейс);
- исторические данные о продажах (на них будем обучать модель).
Если вдруг ваш бизнес молодой, и данных за год пока нет, — ничего страшного. Постройте прогноз на тот период, за который данные есть.
Для этого упражнения я подготовил специальный файл, на котором вы можете потренироваться. Скачайте его и откройте в Excel.
Позже попросите программиста выгрузить ваши данные в таком же формате. Покажите этот файл как пример.
Когорты, в которых больше людей, скорее всего, принесут больше денег просто потому, что там больше людей. Единственный вывод, который вы сделаете из модели: «нужно больше покупателей». Не очень полезно. Вместо этого спрогнозируем среднюю выручку с покупателя. Для этого поделим итоговую выручку с когорты на количество людей.
Начинается самое интересное. Чтобы построить модель, нужно понять, как взаимосвязаны данные. Для этого построим scatter plot (такие графики мы все в школе строили).
Каждая точка на графике — одна когорта. По оси X — выручка за месяц. По оси Y — выручка за год.
На графике видна сильная и весьма логичная линейная зависимость: люди, принесшие больше за первый месяц, скорее всего, принесут больше и за год.
Вопрос в том, насколько больше?
Мы всего в паре шагов от победы. Добавьте на график линию тренда. И не забудьте вывести на экран формулу графика.
Получившаяся формула — и есть нужная нам модель. Напомню, что Y — LTV за год, а X — LTV за первый месяц. То есть:
LTV за год = 4.67 * LTV за месяц — 0,72
«Леша, ты хочешь сказать, что можно вот так вот спрогнозировать выручку за год с помощью сложения и умножения? Не может быть!»
Именно так. Но мы еще не закончили. Остался последний шаг.
Под формулой есть показатель R^2. Он показывает, насколько хорошо модель описывает имеющиеся данные. 0,93 означает «чертовски хорошо описывает».
Но нам гораздо интересней знать, с какой точностью модель прогнозирует будущее.
Скажу сразу, моделей со 100% точностью не бывает. Вообще.
Чтобы оценить точность модели, разделим имеющиеся данные на 2 группы: обучающую и тестовую.
Обучающую группу пометим нулем, тестовую — единицей.
На основе обучающей группы построим модель: добавим график с линей тренда и получим формулу.
Формула немного изменилась. Это нормально.
LTV за год = 5 * LTV за месяц — 1.72
Теперь применим формулу для прогноза на тестовой выборке.
На графике голубая линия — реальный LTV каждой когорты, а оранжевая — прогноз, результат работы модели. Смотрите, как они близко.
В статистике используют специальный показатель MSE, сводящий точность модели к одной цифре. Но чтобы не перегружать вас в одной статье, предлагаю почитать про него на «Википедии».
Вернемся к тому, зачем мы все это делали.
Напомню, что вам нужно принять решение, продолжать ли рекламную кампанию.
Допустим, что за месяц вы потратили $10 тысяч и привлекли 600 новых пользователей. Эти пользователи за месяц принесли $2400 выручки.
Стоимость одного пользователя = $10000/600 = $16,7
LTV за первый месяц = $2400/600 = $4
Подставим значения в модель:
LTV за год = 5 * $4 — 1,72 = $18,28
Прогнозный ROMI = $18,28/$16,17 = 113%.
Похоже, что рекламная кампания за год не только окупится, но и принесет небольшую прибыль. Если вас устраивает этот результат, смело продолжайте рекламироваться.
P. S. Естественно, периоды 30 и 365 дней можно менять на любые другие. Я, например, часто прогнозирую первый месяц по первому дню.
Вопрос расчёта lifetime value (он же LTV, customer lifetime value, CLV) рано или поздно встаёт перед разработчиками мобильных (впрочем, и не только) приложений. Методов расчёта придумано множество, и по поводу того, как считать LTV, существует сколько людей, столько же и мнений. В данном материале я решил описать наиболее распространённые методы, обозначить их плюсы и минусы. Данные методы подходят прежде всего для описания f2p-модели.
2. Взять всё и поделить, или метод Шарикова
Наиболее быстрый, но грубый метод. Берём весь доход приложения за период и делим на общее количество пользователей за тот же период.
Плюс у этого метода только один: считается довольно быстро, буквально в одно действие.
- не учитывается доход от тех пользователей, которые уже успели стать активными (попали в знаменатель), но еще не успели принести доход (который попал бы в числитель);
- в расчёт попадают значения метрик приложения с самого начала его жизни; не стоит забывать, что приложения имеют свой жизненный цикл, и как правило, в начале своего жизненного цикла показатели лучше, чем спустя некоторое время после (читайте об этом отличное исследование от GameAnalytics). В этом же методе все этапы жизни приложения объединены.
- также в этом методе трудно посчитать LTV отдельно для каждого пользовательского сегмента, для этого нужно заранее знать размер сегмента и количество денег, принесенных пользователями этого сегмента.
Ну а ARPU (в данном случае ARPU = ARPDAU) рассчитывается как дневной Revenue, делённый на DAU. Перемножаем lifetime на ARPU и получаем LTV.
- Простота расчётов. Рассчитать lifetime таким образом нетрудно, ещё легче рассчитать ARPU. А перемножить одно на другое сможет любой школьник.
- Можно рассчитывать LTV хоть каждый день.
- LTV можно рассчитать по каждому пользовательскому сегменту в отдельности.
- Значение сильно зависит от периода неактивности, задаваемого, как правило, экспертно.
- Мы умножаем среднее значение lifetime на среднее значение ARPU, получаем накопленную ошибку.
- При расчёте lifetime мы смотрим на тех пользователей, которые уже покинули приложение. При расчёте же ARPU мы смотрим на пользователей текущего дня. Получается, что множества пользователей, формирующих lifetime и ARPU, не пересекаются: lifetime считается по данным прошлых дней, ARPU — по текущему дню.
- Сильное предположение о неизменности ARPU. Мы берём ARPU лишь за один день и на его основании прогнозируем LTV на множество дней вперёд.
4. Lifetime по-сложному, или Bottoms Up
Второе название этого метода взято из материала Wooga, а это, согласитесь, источник, к которому стоит прислушаться. Формула метода точно такая же:
Но lifetime тут считается немного сложнее и получается намного точнее. Вспомним, как выглядит график retention:
Дело в том, что lifetime — это площадь фигуры под графиком retention, иначе говоря — интеграл от retention по времени.
Но прежде чем считать интеграл, надо построить саму функцию. Как это делается:
1) Как правило, у вас есть значения показателей retention за несколько дней (например, за 1 день, 7 дней, 28 дней). Если есть за другие дни, а ещё лучше — за бОльшие промежутки времени — это прекрасно, это сделает расчёты лишь точнее.
2) На основании известных значений (допустим, за 1, 7 и 28 дней) нам нужно построить кривую retention. Будем искать уравнение кривой вида:
где t — количество дней от первого визита, F(t) — будущее уравнение retention, а A, B и C — коэффициенты модели.
3) Подставляем известные значения retention, сколько бы их ни было, в уравнение, и получаем систему уравнений относительно коэффициентов A, B и C.
4) Рассчитываем сумму квадратов разностей отклонений между фактическими и моделируемыми значениями F(t).
5) Находим такие значения A, B и C, которые минимизируют суммарное отклонение. Это можно прекрасно выполнить, например, с помощью инструмента Solver (Поиск решения) в MS Excel.
6) Подставляем найденные значения A, B, C в уравнение и получаем функцию, с помощью которой можно оценить retention за сколько угодно дней.
Это ещё не всё, но мы уже близко. Дальше по-прежнему можно выбрать сложный или простой метод.
Сложный метод заключается в нахождении интеграла от функции retention.
Напомним, что
Простой же метод заключается в том, чтобы, пусть и примерно, поделить кривую retention на сегменты в зависимости от значения lifetime. Например, на пользователей, ушедших через день, проживших в приложении от 2 до 7 дней, от 8 до 30 дней, от 1 до 3 месяцев, свыше 3 месяцев. Чем больше сегментов, тем лучше. Для каждого сегмента посчитать по таблице retention процент пользователей (вес сегмента), относящихся к нему, а затем посчитать средневзвешенный lifetime по всем сегментам.
Но какой бы метод вы ни выбрали, вы столкнётесь с вопросом, до какого момента считать LTV (в случае с интегралом это будет правый край области интегрирования, в случае с суммой — количество дней в самом последнем сегменте). И здесь вновь существует два метода решения: простой и сложный.
Простой метод заключается в том, что правый край задаётся экспертно. Обычно это происходит так:
— а давайте возьмём полгода!
— почему?
— а почему бы и нет?
— хорошо, давайте полгода.
Сложный метод заключается в использовании дисконтирования и нахождении ставки дисконтирования WACC (признайтесь, вы не ожидали увидеть финансовую математику в этом материале?). Дело в том, что тысяча долларов сейчас и тысяча долларов завтра — это разные суммы денег. Завтрашняя тысяча долларов сегодня будет равна девятистам долларам или около того, в зависимости от выбора ставки дисконтирования.
Формула такова:
Здесь PV (present value) — текущая стоимость будущих денег,
CFi — деньги, которые вы получите через i временных периодов,
WACC (weighted average cost of capital) — та самая ставка дисконтирования.
Как её найти? Обычно WACC делают равным фактической рентабельности капитала в среднем по фирме. Также можно приравнять его к желаемой рентабельности капитала, либо к рентабельности капитала альтернативных проектов. Если вы не поняли этот абзац, спросите у своих финансистов, они наверняка знают WACC вашей компании.
Итак, зная WACC, вы сможете дисконтировать будущие временные потоки, а следовательно, в качестве правого края интегрирования выбрать хоть бесконечность. Дело в том, что добавление WACC делает из вашей суммы (или из вашего интеграла) бесконечно убывающую последовательность, у которой можно найти сумму.
Будем считать, что lifetime мы посчитали. Теперь же считаем ARPU (Revenue/DAU), умножаем ARPU на lifetime и получаем LTV.
- Точность. Lifetime рассчитан очень точно, погрешность в нём минимальна.
- Побочным эффектом от расчёта такого метода является то, что вы бонусом получаете ещё и прогноз retention на сколько угодно дней.
- Возможность посчитать LTV для каждого сегмента в отдельности.
- Сложно считать (хотя опытный аналитик при наличии всех данных посчитает вам LTV за пять минут).
- Вновь предположение о неизменности ARPU во времени. Можно немного перестраховаться и взять в расчёт не ARPU за один день, а среднедневной ARPU за lifetime, это увеличит точность.
- Во-первых, можно взять lifetime.
- Во-вторых, можно вновь задать это t экспертно.
- В-третьих, можно вернуться к дисконтированию и добавить в получившееся уравнение знаменатель , в этом случае рано или поздно на графике станет намечаться асимптотическое значение (как на картинке выше — примерно $3,7, выше которого LTV быть не сможет. Вот это значение и берите.
Итак, мы рассмотрели пять методов расчёта LTV, которые, как вы могли заметить, упорядочены от наименее точного к наиболее точному. Выбирайте тот метод, который вам по душе, рассчитывайте свой LTV и принимайте правильные решения. А теперь главное правило LTV: делите пользователей на сегменты, и считайте LTV каждого сегмента в отдельности. Это даст вам и более высокую точность, и больше поводов для принятия правильных решений по вашему продукту.
Так уж повелось, что Life Time Value (LTV) – одна из наиболее важных метрик, которые просто необходимо учитывать разработчикам коммерческих приложений. Проблема в том, что как раз разработчики этот показатель используют не так уж часто. Согласно опросу, проведенному Tapdaq, почти 100% создателей приложений согласны с тем, что LTV – это наиболее важная метрика для коммерческих приложений.
При этом 95% авторов используют сторонние инструменты аналитики для своих программ, но только 1 из 20 таких инструментов просчитывает LTV! Сейчас большинство разработчиков оценивают успешность своих приложений по количеству загрузок или по положению в рейтинге каталога. Но на самом деле эти показатели не отражают финансовую успешность приложения. Загрузки и рейтинг – это отлично, но сколько денег отдельно взятый пользователь «вкладывает» в программу за определенное время? Давайте разберемся.
В общем-то, некоторые разработчики не используют LTV, зато просчитывают ARPU, поскольку просчитать ARPU можно быстрее и легче, чем LTV. Но показатели все же различаются, и ARPU не является самодостаточным.
Давайте посмотрим на четыре способа просчета LTV, а затем ознакомимся с опытом некоторых компаний в плане увеличения LTV.
Что такое LTV?
Да, стоит сразу прояснить значение этого термина. В противном случае может возникнуть непонимание сути метрики. LTV, или Life Time Value, это сумма, которую человек тратит в приложении за все время использования программы или за определенный период. Ключевое значение имеет слово «сумма», а не «доход» или «прибыль». Дело в том, что «сумма» может быть определена как нечто отличное от выручки. LTV может зависеть не только от чисто денежного значения, но и от действий, которые предпринимает пользователь в отношении приложения, и эти действия имеют значение для продвижения программы. Например, это «беспроволочный телеграф», когда пользователь делится информацией о приложении в социальной сети. Это могут быть и деньги, которые тратит пользователь на In-App-покупки или приносит при клику по рекламе.
Что касается социальных сетей, здесь все просто. Пользователь делится информацией о программе, и эта информация привлекает еще двух пользователей, которые тратят уже реальные деньги. Несмотря на то что первый пользователь ничего не потратил, его «работа» может быть оценена суммой дохода, который обеспечили привлеченные им пользователи.
LTV лучше всего измерять, беря отдельные категории пользователей, а не сразу всю базу. Это позволяет оценить паттерны поведения пользователей, что может быть полезно.
В чем отличие LTV и ARPU?
Порой LTV кажется аналогом ARPU (Average Revenue Per User), но все же это различные метрики.
ARPU – относительно просто подсчитываемый показатель. И да, при расчете ARPU во внимание принимается именно выручка, приносимая отдельно взятым пользователем.
Самым простым способом подсчитать ARPU может быть такой метод: берем общий доход и делим его на общее количество загрузок. Это позволит понять, сколько в среднем приносит каждая загрузка приложения.
ARPU просчитывается по всей базе пользователей, здесь не нужно брать отдельные категории или сегменты.
Факторы, используемые при подсчете LTV
При подсчете LTV стоит учитывать несколько факторов. Усиление каждого из них позволяет увеличить и LTV.
Удержание пользователей
Хорошо известный разработчикам фактор. Здесь подразумевается то, насколько часто пользователи работают с приложением. Удержание является важным компонентом LTV, поскольку чем чаще пользователь возвращается, тем больше шансов на то, что пользователь сделает определенный «вклад» – либо деньги, либо, как мы уже писали выше, что-то иное. Можно сказать, что удержание – самый важный фактор, который влияет на LTV.
Монетизация
Это простой показатель, который выражается в том, сколько денег вкладывает пользователь в приложение. Очевидно, что чем больше тратит отдельно взятый пользователь, тем выше LTV.
Этот показатель отражает количество новых пользователей, приведенных существующим пользователем приложения. Это может быть и личная беседа, и публикация информации о программе в Сети, и все прочее.
Average Revenue Per User (ARPU)
Как говорилось выше, этот показатель вычисляется просто: берем общее количество дохода приложения и делим на общее количество загрузок.
Average Revenue Per Daily Active User (ARPDAU)
То же самое, что и ARPU, только здесь показатель просчитывается ежедневно. Берем дневной доход и делим на количество пользователей за день.
4 способа подсчета LTV
Есть несколько методов подсчета LTV, мы предлагаем рассмотреть четыре основных, которые используются чаще всего.
Средний LTV
Это довольно простой (если честно – очень простой) способ подсчета LTV. Берем APRDAU (Average Revenue Per Daily Active User), умножаем на среднее значение удержания.
LTV = APRDAU × ср. удержание
Помните, что APRDAU получаем путем деления дохода за день на суточное количество пользователей. Этот метод подходит для приложений со значительной пользовательской базой и доходом. Если же у приложения еще не так много пользователей и минимальный доход, этот метод подсчета не слишком подходит.
Второй метод довольно значительно отличается от первого. Здесь вводится дополнительная метрика – Churn.
Для просчета этой метрики нужно знать, сколько людей прекращают использовать приложение за определенное время. Например, если у приложения 100 пользователей и 20 из них прекращают работать с программой в течение месяца, то ежемесячный показатель churn равен 20%.
Также необходимо знать ARPU. Как вычислить этот показатель, мы уже знаем.
Ну, а теперь используем вот такую формулу:
LTV = ARPU × (1 ÷ Churn)
Weekly Cohort
Еще один интересный метод, где применяется разделение всей базы пользователей на группы с периодом в неделю или год.
LTV рассчитывается отдельно для каждого сегмента. Например, пользователи, которые скачали приложение 50 недель назад, записываются в отдельную группу. А те, кто скачал приложение 4 недели назад, – соответственно, в другую группу.
Формула здесь довольно простая. Для каждого недельного сегмента просчитываем вот что:
LTV = общий In-App Purchase доход ÷ количество пользователей в сегменте
Метод подсчета с использованием «вирусности»
Как упоминалось ранее, распространение пользователем информации о приложении имеет важное значение при подсчете LTV. И в этом методе как раз и «беспроволочный телеграф» используется.
Для того чтобы принять этот фактор во внимание, нужно ввести определенный коэффициент, например k. Он будет равен единице, если каждый пользователь приложения привел еще одного человека. В этом случае формула будет очень простой, поскольку коэффициент можно не учитывать.
У программы, где этот коэффициент больше единицы, база пользователей будет стремительно увеличиваться, поскольку они постоянно добавляются. Правда, программы с k > 1 достаточно редки.
В общем, здесь нужно знать, какой коэффициент именно у вашего приложения. Затем можно использовать вот такую формулу:
LTV= (1 + K) × ARPU
Если у вас приложение с ARPU = $1,2 и вирусным коэффициентом 0,2, то значение LTV будет следующим:
LTV = (1 + 0,2) × $1,20
Вывод
Каждый из способов вычисления LTV по-своему хорош. Мы в Appodeal предлагаем попробовать сразу несколько методов и выбрать тот, который оптимально подойдет вам. Если вы до сих пор не отслеживали LTV, самое время это сделать.
Как только вы определите, какой у вас LTV, можно будет понять, что сделать для вывода приложения на новый уровень.
В качестве примера увеличения LTV можно привести случай с приложением компании Secret Escapes, которая занимается туризмом. Компании хотелось понять, будет ли приложение эффективно работать, если ввести обязательную регистрацию.
Мнения команды здесь разделились. С одной стороны, обязательная регистрация в приложении вводит в игру некую эксклюзивность, элемент причастности к сообществу избранных. С другой – обязательная регистрация может отпугивать новых пользователей, и это случается достаточно часто.
Чтобы выяснить, как повлияет обязательная регистрация на поведение пользователей, было решено провести эксперимент, разделенный на две части. Первый позволял пользователям пропускать экран регистрации. Второй делал регистрацию в приложении обязательной.
Как оказалось, опасения были напрасными: обязательная регистрация положительно повлияла на популярность приложения. А выяснить это удалось путем просчета LTV одним из описанных выше способов. LTV приложения с обязательной регистрацией значительно превышал LTV приложения, где экран регистрации можно было пропустить.
И, конечно, мы рассчитываем, что по дороге к успешной монетизации своих приложений вы решите подключить и наш сервис, ведь оптимальная реклама может быть одним из слагаемых высокого LTV.
Читайте также: