Ukur yang Penting

Cara Menghitung LTV Saat Data Anda Terbatas

Anda tidak perlu riwayat pelanggan bertahun-tahun untuk menghitung LTV yang berguna. Berikut rumus yang cocok untuk tiap tahap — beserta asumsi yang harus Anda nyatakan secara eksplisit.

Oleh Tim FabricLoop

Mei 2026

4 menit baca

Alasan paling umum tim tahap awal melewatkan perhitungan LTV adalah merasa datanya belum cukup. Ini hampir selalu keputusan yang keliru. Estimasi LTV yang dibangun dari data pelanggan dua belas bulan dan asumsi yang eksplisit jauh lebih berguna daripada tidak punya estimasi sama sekali — karena ia memaksa Anda berpikir cermat tentang retensi, membuat asumsi Anda terlihat dan bisa dipertanyakan, dan memberi Anda angka untuk disempurnakan seiring bertambahnya data.

Tujuan di tahap awal bukanlah LTV yang presisi, melainkan LTV yang arahnya benar dengan asumsi yang terdokumentasi. Presisi datang seiring waktu. Disiplin untuk menghitungnya dimulai sejak hari pertama.

Dua rumus

LTV Sederhana — gunakan jika data pelanggan Anda kurang dari 18 bulan

LTV = ARPU × Margin Kotor % × Lifetime Pelanggan Rata-rata

ARPU (Average Revenue Per User, rata-rata pendapatan per pengguna): total pendapatan bulanan dibagi jumlah pelanggan aktif.

Lifetime Pelanggan Rata-rata: gunakan 1 ÷ Tingkat Churn Bulanan. Jika churn bulanan 3%, lifetime rata-rata adalah 1 ÷ 0,03 = 33 bulan.

Margin Kotor %: (Pendapatan − Harga Pokok Terjual) ÷ Pendapatan. Ini mengubah pendapatan menjadi keuntungan yang benar-benar diakumulasi oleh bisnis.

Contoh: ARPU = $60/bu, margin kotor = 75%, churn bulanan = 3%.
Lifetime rata-rata = 1 ÷ 0,03 = 33 bulan.
LTV = $60 × 0,75 × 33 = $1,485

LTV Prediktif — gunakan jika Anda punya data retensi kohort 18+ bulan

LTV = ∑ (Laba Kotor Bulanan × Tingkat Retensi pada Bulan n) di seluruh semua bulan masa depan

Alih-alih mengasumsikan churn konstan, metode ini memakai kurva retensi aktual yang Anda amati dari analisis kohort. Kalikan laba kotor per pelanggan dengan tingkat retensi pada setiap bulan di masa depan, lalu jumlahkan deretnya.

Diskon aliran kas masa depan menggunakan tingkat diskon bulanan (biaya modal tahunan ÷ 12) jika Anda menginginkan LTV nilai saat ini daripada LTV nominal. Untuk sebagian besar tujuan tahap awal, versi yang tidak didiskon sudah cukup.

Contoh: Laba kotor bulanan per pelanggan = $45. Retensi pada M1=82%, M2=71%, M3=64%, M4=59%, menstabilkan pada ~55% dari M5 seterusnya.
LTV = $45 × (0,82 + 0,71 + 0,64 + 0,59 + 0,55…) dijumlahkan hingga horizon yang diharapkan.
Pada 24 bulan: LTV ≈ $45 × 17,4 bulan efektif ≈ $783

Estimasi LTV dengan asumsi eksplisit jauh lebih berguna daripada tidak ada LTV sama sekali. Disiplin menghitungnya — bukan presisi hasilnya — yang mengubah cara tim mengambil keputusan.

Tiga asumsi yang mengubah segalanya

Tingkat churn. Input paling sensitif dalam setiap perhitungan LTV. Pergeseran churn bulanan dari 3% ke 5% mengurangi rata-rata customer lifetime dari 33 bulan menjadi 20 bulan — penurunan LTV sebesar 40%. Saat data terbatas, modelkan LTV dengan tiga asumsi churn (optimistis, tengah, pesimistis) dan sajikan rentangnya, bukan satu angka. Ini mencegah kesalahan umum berpatokan pada angka yang diturunkan dari data dua bulan.

Margin kotor. Memakai pendapatan, bukan laba kotor, membuat LTV tampak jauh lebih besar bagi bisnis dengan biaya penyampaian layanan yang signifikan. Bisnis SaaS dengan margin kotor 80% dan bisnis jasa dengan margin kotor 40% memiliki unit economics yang sangat berbeda meski pendapatannya sama. Jika margin kotor Anda di bawah 50%, LTV Anda jauh lebih rendah daripada hasil perhitungan berbasis pendapatan — dan batas toleransi CAC Anda ikut lebih rendah.

Horizon waktu. Secara teknis, LTV adalah jumlah seluruh laba kotor di masa depan dari seorang pelanggan, didiskontokan ke nilai kini. Dalam praktiknya, sebagian besar tim membatasi LTV pada horizon tiga sampai lima tahun, karena proyeksi di luar itu menambah lebih banyak ketidakpastian daripada wawasan. Nyatakan horizon Anda secara eksplisit. LTV yang dihitung untuk dua puluh empat bulan dan yang dihitung untuk enam puluh bulan bagi pelanggan yang sama bisa berbeda tiga sampai lima kali lipat — dan keduanya secara teknis "benar."

Kapan memakai LTV Sederhana vs. Prediktif

Gunakan LTV Sederhana jika riwayat pelanggan Anda kurang dari delapan belas bulan, jika Anda sedang membuat perhitungan cepat untuk gambaran arah, atau jika audiens Anda (investor, pimpinan) butuh angka yang bisa mereka uji kewajarannya dengan cepat. Gunakan LTV Prediktif jika data kohort Anda sudah cukup untuk melihat bagaimana kurva retensi benar-benar mendatar — biasanya setelah delapan belas bulan — dan saat Anda mengambil keputusan yang presisi tentang batas atas CAC atau target payback period. Rumus Sederhana akan melebih-lebihkan LTV jika kurva retensi Anda tidak mendatar (yaitu jika pelanggan terus churn dengan laju konstan tanpa batas, bukan menjadi stabil).

Angka yang benar-benar Anda pakai untuk mengambil keputusan

LTV dengan sendirinya tidak langsung dapat ditindaklanjuti. Angka yang Anda gunakan untuk keputusan sebenarnya adalah rasio LTV:CAC dan periode pembayaran kembali. Jika LTV Sederhana Anda adalah $1,485 dan CAC Anda adalah $400, rasio LTV:CAC Anda adalah 3,7:1 — sehat. Periode pembayaran kembali Anda adalah CAC dibagi dengan laba kotor bulanan per pelanggan: $400 ÷ ($60 × 0,75) = $400 ÷ $45 = sekitar 9 bulan — luar biasa.

Kedua angka sebaiknya dihitung ulang setiap kuartal seiring perubahan ARPU, tingkat churn, dan CAC Anda. Tren sama pentingnya dengan nilai saat ini: rasio 3:1 yang naik dari 2:1 dalam enam bulan menceritakan kisah yang sangat berbeda dari rasio 3:1 yang turun dari 5:1.

Penyesuaian pendapatan ekspansi

Jika pelanggan Anda melakukan upgrade seiring waktu — berpindah dari paket yang lebih rendah ke yang lebih tinggi, menambah seat, membeli add-on — rumus LTV sederhana Anda meremehkan nilai sebenarnya seorang pelanggan karena ARPU saat akuisisi lebih rendah daripada ARPU pada Bulan 18. Sesuaikan dengan memakai ARPU rata-rata selama customer lifetime, bukan ARPU saat akuisisi, atau tambahkan suku "pendapatan ekspansi" tersendiri. Bisnis dengan net revenue retention yang kuat (di atas 110%) akan sangat meremehkan LTV jika memakai asumsi ARPU yang statis.

Bagaimana FabricLoop mendukung ini

Perhitungan LTV membutuhkan input dari berbagai bagian bisnis — data pendapatan dari keuangan, data churn dari produk atau CS, data margin kotor dari operasional. Di FabricLoop, tim yang melakukan tinjauan LTV per kuartal sering memakai catatan grup bersama yang merekam input, perhitungan, asumsi, dan rasio LTV:CAC yang dihasilkan, berdampingan dengan angka kuartal sebelumnya. Ketika asumsi didokumentasikan di tempat yang sama dengan hasilnya, perdebatan "tingkat churn mana yang kita pakai?" tidak muncul tiga bulan kemudian. Perhitungan menjadi bisa diaudit dan diperbaiki, bukan kotak hitam yang berubah setiap kali ada yang menghitung ulang.

Poin utama

Anda tidak perlu data bertahun-tahun untuk menghitung LTV yang berguna. Estimasi dengan asumsi eksplisit dan data dua belas bulan jauh lebih bisa ditindaklanjuti daripada menunggu data yang sempurna. Disiplin menghitungnya mengubah cara Anda mengambil keputusan, seberapa pun presisinya.

LTV Sederhana = ARPU × Margin Kotor % × Rata-rata Customer Lifetime, di mana Rata-rata Customer Lifetime = 1 ÷ Tingkat Churn Bulanan. Gunakan ini jika riwayat pelanggan Anda kurang dari delapan belas bulan.

LTV Prediktif menjumlahkan laba kotor bulanan dikalikan tingkat retensi aktual yang teramati pada setiap bulan di masa depan. Gunakan ini jika Anda punya data kohort delapan belas bulan atau lebih dan bisa melihat di mana kurva retensi Anda benar-benar mendatar.

Tingkat churn adalah input yang paling sensitif. Pergeseran churn bulanan dari 3% ke 5% mengurangi rata-rata customer lifetime sebesar 40%. Saat data terbatas, modelkan LTV dengan tiga asumsi churn dan sajikan rentangnya, bukan satu angka.

Selalu pakai laba kotor, bukan pendapatan. Memakai pendapatan membuat LTV tampak lebih besar dari sebenarnya untuk bisnis mana pun dengan biaya penyampaian layanan yang signifikan. Bisnis dengan margin kotor 40% memiliki LTV separuh dari bisnis dengan pendapatan yang sama tetapi margin kotor 80%.

Nyatakan horizon waktu Anda secara eksplisit. LTV yang dihitung untuk 24 bulan dan untuk 60 bulan bisa berbeda tiga sampai lima kali lipat bagi pelanggan yang sama. Sebutkan horizonnya setiap kali Anda membagikan angka LTV — angka itu tidak bermakna tanpanya.

Output LTV yang dapat ditindaklanjuti adalah rasio LTV:CAC (minimal 3:1 untuk SaaS) dan payback period (CAC ÷ laba kotor bulanan per pelanggan). LTV saja tidak langsung dapat ditindaklanjuti; rasio turunan inilah yang mendorong keputusan.

Jika pelanggan berkembang seiring waktu — naik paket, menambah seat — asumsi ARPU yang statis akan meremehkan LTV. Bisnis dengan net revenue retention yang kuat (di atas 110%) akan sangat meremehkan nilai pelanggan jika memakai ARPU saat akuisisi dalam model LTV mereka.

Hitung ulang LTV setiap kuartal dengan input yang konsisten. Tren sama pentingnya dengan nilai saat ini — rasio 3:1 yang naik dari 2:1 dalam enam bulan menceritakan kisah yang sangat berbeda dari rasio 3:1 yang turun dari 5:1.

Dokumentasikan semua asumsi — tingkat churn yang dipakai, persentase margin kotor, horizon waktu, angka ARPU — bersama perhitungan LTV. Jika asumsi tidak terdokumentasi, angka menjadi tidak bisa diaudit dan tim memperdebatkan metodologi alih-alih bertindak berdasarkan wawasan.