LTV клиента: три подхода к расчёту и росту дохода

Подход 1. Исторический LTV: быстро, но статично

Исторический LTV считается по накопленным данным: берёте среднюю выручку с клиента за период, умножаете на среднюю «продолжительность жизни» в базе — и получаете число. Формула выглядит просто: LTV = средний чек × среднее количество покупок в год × средний срок удержания (в годах). Для интернет-магазина с историей в три года это может быть, например: 4 200 руб. × 3,2 покупки × 2,4 года ≈ 32 256 руб.

Плюсы: не требует сложной аналитики, считается в Excel за час, понятен собственнику. Хорошо подходит для первичного аудита базы и переговоров с инвесторами. Минусы: это зеркало заднего вида. Исторический LTV не учитывает, что клиент уже «остывает», что изменился ассортимент или сезонность. Он одинаково усредняет лоялиста, который покупает раз в месяц, и случайного покупателя, который зашёл дважды три года назад. Принимать операционные маркетинговые решения на основе такой цифры — значит управлять по карте, нарисованной в прошлом.

Подход 2. Прогнозный LTV: точнее, но требователен к данным

Прогнозный (predictive) LTV строится на моделях вероятности повторной покупки. Самый распространённый класс моделей — BG/NBD (Beta-Geometric / Negative Binomial Distribution) в связке с моделью Gamma-Gamma для монетизации. Упрощённо: по истории транзакций каждого клиента алгоритм вычисляет вероятность того, что клиент ещё «жив» как покупатель, и сколько он, скорее всего, потратит в следующие N месяцев.

Плюсы: прогнозный LTV индивидуален — он разный для каждого клиента в базе. Это позволяет ранжировать клиентов не по тому, сколько они уже принесли, а по тому, сколько принесут. Маркетинг начинает работать проактивно: ресурс вкладывается в тех, у кого высокий потенциал, а не в тех, кто исторически много тратил, но уже фактически ушёл. Минусы: для качественного прогноза нужна история минимум 12–18 месяцев и не менее 3–4 транзакций на клиента. Бизнесам с редкими покупками (раз в полгода-год) модель даёт широкий доверительный интервал — прогноз становится менее точным. Кроме того, внедрение требует либо аналитика с опытом, либо инструмента, который делает это за вас.

Подход 3. Поведенческий сегментный LTV: практичный компромисс

Третий подход не строит индивидуальную модель на каждого клиента, но уходит от усреднения по всей базе. Клиентов делят на поведенческие сегменты — чаще всего на основе RFM (давность, частота, сумма покупок), иногда дополненного товарными категориями или каналом первого касания. Внутри каждого сегмента считается свой средний LTV, и именно он используется как норматив.

Плюсы: работает даже при небольшой истории данных, легко интерпретируется командой без аналитического бэкграунда. Главное — он даёт actionable-сегменты: вы точно знаете, что клиенты из сегмента «лояльные, средний чек высокий, давно не покупали» исторически возвращаются при определённом триггере. Это сразу сценарий для CRM-кампании. Минусы: LTV остаётся групповым, а не индивидуальным. Внутри сегмента всё равно есть разброс — кто-то уйдёт раньше, кто-то принесёт втрое больше нормы. И если сегментация сделана грубо (3–4 группы на всю базу), точность ненамного выше исторического среднего.

Как выбрать подход — и почему важен не расчёт, а действие после него

Практическое правило простое: исторический LTV подходит для стратегического планирования и юнит-экономики; поведенческий сегментный — для настройки CRM-кампаний прямо сейчас, если у вас нет аналитика; прогнозный — это следующий уровень, когда хотите персонализировать коммуникацию до уровня конкретного клиента и автоматизировать триггеры.

Но любой из этих подходов бесполезен без ответа на вопрос: что именно вы сделаете с этой цифрой? LTV растёт не от того, что вы его посчитали точнее, а от того, что вы вовремя и релевантно взаимодействуете с клиентом — до того, как он ушёл к конкуренту или просто забыл о вас. Например, для клиники или оптики это означает напомнить о повторном визите в нужный момент; для зоомагазина — предложить корм до того, как предыдущая упаковка закончится; для B2B-опта — выйти с предложением, когда у клиента по паттерну закупок заканчиваются запасы.

Именно здесь расчёт LTV превращается из отчётной метрики в инструмент роста: когда он встроен в процесс генерации предложений, а не лежит в таблице.

Что мешает бизнесу реально увеличить LTV, а не просто его мерить

Три типичных барьера. Первый — данные разрознены: история покупок в 1С, контакты в CRM, поведение на сайте — в аналитике. Без единого профиля клиента ни один из трёх подходов не даст точного результата. Второй — нет автоматики: маркетолог физически не может вручную отслеживать момент, когда конкретный клиент «созрел» для повторной покупки, если в базе тысячи человек. Третий — нарушение 152-ФЗ при работе с персональными данными: многие инструменты требуют выгружать данные во внешние облака, что создаёт правовые риски и блокирует внедрение.

Системы предиктивного CRM-маркетинга, которые работают на сервере клиента и интегрируются с существующей 1С и CRM, закрывают все три барьера одновременно: объединяют данные, строят прогнозы и автоматически кладут готовое персонализированное предложение в CRM — без ручного труда аналитика и без передачи данных на сторону.

Вывод

Способ расчёта LTV имеет значение — но только как фундамент для действий. Исторический метод покажет, где вы были; поведенческий сегментный — подскажет, с кем работать прямо сейчас; прогнозный индивидуальный — позволит работать на опережение. Для большинства бизнесов с повторными продажами оптимальный путь: начать с поведенческой сегментации, запустить на её основе триггерные сценарии и параллельно накапливать историю для перехода к предиктивной модели.

Если хотите посмотреть, как это работает на вашей реальной базе — в «Умном цикле» можно запустить демо прямо на ваших данных, без выгрузки наружу. Напишите нам, и мы покажем, какие сегменты и сценарии система найдёт в вашей CRM уже в первую неделю.

«Умный цикл» строит такой прогноз автоматически

Берёт данные из вашей учётной системы, считает следующую покупку каждого клиента и кладёт готовую сделку в CRM. Покажем на демо «горячий список» по вашей базе.