データが限られているときにLTVを計算する方法

有用なLTV（顧客生涯価値）を計算するのに何年もの顧客履歴は必要ありません。異なるステージで機能する計算式と、明示的に述べるべき前提条件をご紹介します。

FabricLoopチーム

2026年5月

4分で読めます

初期段階のチームがLTV計算をスキップする最も一般的な理由は、十分なデータがないと感じるからです。これはほぼ常に間違った判断です。12ヶ月の顧客データと明示的な前提条件に基づいたLTV推定は、LTV推定がまったくないよりもはるかに有用です——なぜなら、維持率について注意深く考えることを強制し、前提条件を可視化して検討可能にし、さらに多くのデータが得られるにつれて精緻化できる数値を提供するからです。

初期段階の目標は正確なLTVではなく——方向性として正しい、文書化された前提条件を持つLTVです。精度は時間とともに高まります。計算する規律は初日から始まります。

2つの計算式

シンプルLTV — 顧客データが18ヶ月未満の場合に使用

LTV = ARPU × 粗利益率% × 平均顧客継続期間

ARPU（ユーザーあたり平均収益）：月間総売上をアクティブ顧客数で割ったもの。

平均顧客継続期間：1 ÷ 月次チャーン率を使用。月次チャーンが3%の場合、平均継続期間は1 ÷ 0.03 = 33ヶ月。

粗利益率%：（売上 − 売上原価）÷ 売上。これにより売上がビジネスに実際に発生する利益に変換されます。

例：ARPU = 月6,000円、粗利益率 = 75%、月次チャーン = 3%。
平均継続期間 = 1 ÷ 0.03 = 33ヶ月。
LTV = 6,000円 × 0.75 × 33 = 148,500円

予測LTV — コホート維持率データが18ヶ月以上ある場合に使用

LTV = ∑（月間粗利益 × n月目の維持率）の将来全月の合計

一定のチャーンを仮定するのではなく、この方法はコホート分析から実際に観察された維持率曲線を使用します。顧客あたりの粗利益に各将来月の維持率を掛けて合計します。

名目上のLTVではなく現在価値のLTVを求める場合は、月次割引率（年間資本コスト ÷ 12）を使って将来のキャッシュフローを割り引いてください。初期段階のほとんどの用途では、割り引かないバージョンで十分です。

例：顧客あたりの月間粗利益 = 4,500円。M1=82%、M2=71%、M3=64%、M4=59%、M5以降は約55%で安定。
LTV = 4,500円 × (0.82 + 0.71 + 0.64 + 0.59 + 0.55…) を期待ホライズンまで合計。
24ヶ月時点：LTV ≈ 4,500円 × 17.4ヶ月 ≈ 78,300円

明示的な前提条件を持つLTV推定は、LTVがまったくないよりもはるかに有用です。それを計算する規律——結果の精度ではなく——がチームの意思決定の仕方を変えます。

すべてを変える3つの前提条件

チャーン率。どんなLTV計算でも最も感度の高い入力値です。月次チャーンが3%から5%に変わると、平均顧客継続期間は33ヶ月から20ヶ月に減少します——LTVが40%減少します。データが限られている場合は、3つのチャーン前提条件（楽観的、中央値、悲観的）でLTVをモデル化し、単一の数値ではなく範囲を提示してください。これにより、2ヶ月のデータから導出された数値に固執するよくあるミスを防ぎます。

粗利益率。粗利益の代わりに売上を使うと、意味のある提供コストがあるビジネスのLTVを大幅に過大評価します。粗利益率80%のSaaSビジネスと粗利益率40%のサービスビジネスは、同じ売上水準でも経済性が大きく異なります。粗利益率が50%未満の場合、売上ベースの計算が示唆するよりもLTVははるかに低く——CAC（顧客獲得コスト）の許容範囲も相応に低くなります。

時間的ホライズン。LTVは技術的には顧客からの将来の全粗利益を現在価値に割り引いたものです。実際には、ほとんどのチームは3〜5年の期間でLTVを上限とします。それ以上の予測は洞察よりも不確実性が多いからです。ホライズンを明示してください。同じ顧客について24ヶ月で計算したLTVと60ヶ月で計算したLTVは3〜5倍異なる場合があります——どちらも技術的には「正確」です。

シンプルLTVと予測LTVの使い分け

顧客履歴が18ヶ月未満の場合、迅速な方向性計算をする場合、または対象（投資家、経営陣）がすぐにサニティチェックできる数値が必要な場合はシンプルLTVを使用してください。維持率曲線が実際にどこで平坦化するかを確認できるだけのコホートデータ——通常は18ヶ月後——があり、CACの上限や回収期間の目標について正確な決定をしている場合は予測LTVを使用してください。シンプルな計算式は、維持率曲線が平坦化しない場合（つまり、顧客が安定するのではなく一定の割合で継続してチャーンし続ける場合）はLTVを過大評価します。

実際の意思決定に使う数値

LTV単独では直接アクション可能ではありません。実際の意思決定に使う数値はLTV:CAC比と回収期間です。シンプルLTVが148,500円でCACが40,000円の場合、LTV:CAC比は3.7:1——健全です。回収期間はCACを顧客あたりの月間粗利益で割ったもの：40,000円 ÷（6,000円 × 0.75）= 40,000円 ÷ 4,500円 ≈ 9ヶ月——優秀です。

ARPU、チャーン率、CACが変化するにつれて、両方の数値を四半期ごとに再計算してください。トレンドは現在の値と同じくらい重要です。6ヶ月で2:1から改善した3:1の比率は、5:1から低下した3:1とは全く異なるストーリーを語ります。

拡張収益の調整

顧客が時間とともにアップグレードする場合——低いティアから高いティアへ移動、シート追加、アドオン購入——シンプルなLTV計算式は顧客の真の価値を過小評価します。獲得時のARPUは18ヶ月目のARPUよりも低いからです。顧客継続期間全体の平均ARPUを使うか、「拡張収益」の項目を別途追加して調整してください。純収益維持率が高い（110%超）ビジネスは、静的なARPU前提を使うとLTVを大幅に過小評価します。

FabricLoopがどうサポートするか

LTV計算にはビジネスの複数の部門からのインプットが必要です——財務からの売上データ、プロダクトやCSからのチャーンデータ、オペレーションからの粗利益データ。FabricLoopでは、四半期LTVレビューを行うチームが、インプット、計算、前提条件、そして前四半期の数値と並んだLTV:CAC比を取り込む共有グループノートをよく使います。前提条件がアウトプットと同じ場所に文書化されることで、3ヶ月後に「どのチャーン率を使ったのか？」という会話が起きません。計算は毎回誰かが再計算するたびに変わるブラックボックスではなく、監査可能で改善可能なものになります。

重要なポイント

有用なLTVを計算するのに何年ものデータは必要ありません。明示的な前提条件と12ヶ月のデータによる推定は、完璧なデータを待つよりもはるかにアクション可能です。それを計算する規律が、精度に関係なく意思決定の仕方を変えます。

シンプルLTV = ARPU × 粗利益率% × 平均顧客継続期間（平均顧客継続期間 = 1 ÷ 月次チャーン率）。顧客履歴が18ヶ月未満の場合に使用してください。

予測LTVは各将来月の実際の観察維持率を掛けた月間粗利益を合計します。18ヶ月以上のコホートデータがあり、維持率曲線が実際にどこで平坦化するかを確認できる場合に使用してください。

チャーン率は最も感度の高い入力値です。月次チャーンが3%から5%に変わると平均顧客継続期間が40%減少します。データが限られている場合は、3つのチャーン前提条件でLTVをモデル化し、単一の数値ではなく範囲を提示してください。

常に売上ではなく粗利益を使ってください。売上を使うと、意味のある提供コストがあるビジネスのLTVを過大評価します。粗利益率40%のビジネスは、同じ売上で粗利益率80%のビジネスの半分のLTVになります。

時間的ホライズンを明示してください。24ヶ月と60ヶ月で計算したLTVは同じ顧客について3〜5倍異なる場合があります。LTV数値を共有するたびにホライズンを述べてください——それなしに数値に意味はありません。

LTVのアクション可能なアウトプットはLTV:CAC比（SaaSでは少なくとも3:1が目安）と回収期間（CAC ÷ 顧客あたり月間粗利益）です。LTV単独では直接アクション可能ではありません——これらの派生比率が意思決定を促します。

顧客が時間とともに拡大する場合——ティアアップグレード、シート追加——静的なARPU前提はLTVを過小評価します。純収益維持率が高い（110%超）ビジネスは、LTVモデルで獲得ARPUを使うと顧客価値を大幅に過小評価します。

一貫したインプットを使って四半期ごとにLTVを再計算してください。トレンドは現在の値と同じくらい重要です——6ヶ月で2:1から改善した3:1の比率は、5:1から低下した3:1とは全く異なるストーリーを語ります。

使用したチャーン率、粗利益率、時間的ホライズン、ARPU数値など——すべての前提条件をLTV計算と並べて文書化してください。前提条件が文書化されていないと、数値は監査不可能になり、チームは洞察に基づいて行動する代わりに方法論を議論します。