วิธีคำนวณ LTV เมื่อคุณมีข้อมูลจำกัด

คุณไม่จำเป็นต้องมีประวัติลูกค้าหลายปีเพื่อคำนวณ LTV ที่ใช้ประโยชน์ได้ นี่คือสูตรที่ใช้ได้ในแต่ละระยะ และสมมติฐานที่คุณต้องระบุให้ชัดเจน

โดยทีม FabricLoop

พฤษภาคม 2026

อ่าน 4 นาที

เหตุผลที่พบบ่อยที่สุดที่ทีมระยะเริ่มต้นข้ามการคำนวณ LTV คือรู้สึกว่ามีข้อมูลไม่พอ ซึ่งเกือบทุกครั้งเป็นการตัดสินใจที่ผิด LTV ที่ประมาณจากข้อมูลลูกค้าสิบสองเดือนและสมมติฐานที่ระบุชัดเจนมีประโยชน์กว่าการไม่ประมาณ LTV เลยมาก เพราะมันบังคับให้คุณคิดเรื่อง retention อย่างรอบคอบ ทำให้สมมติฐานของคุณมองเห็นและถูกตั้งคำถามได้ และให้ตัวเลขที่คุณปรับปรุงต่อได้เมื่อมีข้อมูลเพิ่ม

เป้าหมายในระยะเริ่มต้นไม่ใช่ LTV ที่แม่นยำ แต่คือ LTV ที่ถูกต้องในเชิงทิศทางพร้อมสมมติฐานที่บันทึกไว้ ความแม่นยำจะตามมาเมื่อเวลาผ่านไป แต่วินัยในการคำนวณต้องเริ่มตั้งแต่วันแรก

สองสูตรที่ใช้

LTV อย่างง่าย — ใช้เมื่อคุณมีข้อมูลลูกค้าน้อยกว่า 18 เดือน

LTV = ARPU × % อัตรากำไรขั้นต้น × อายุเฉลี่ยของลูกค้า

ARPU (รายได้เฉลี่ยต่อผู้ใช้): รายได้รายเดือนทั้งหมดหารด้วยจำนวนลูกค้าที่ยังใช้งานอยู่

อายุเฉลี่ยของลูกค้า: ใช้ 1 ÷ อัตราการเลิกใช้รายเดือน ถ้าอัตราการเลิกใช้รายเดือนคือ 3% อายุเฉลี่ยคือ 1 ÷ 0.03 = 33 เดือน

% อัตรากำไรขั้นต้น: (รายได้ − ต้นทุนสินค้าขาย) ÷ รายได้ นี่แปลงรายได้เป็นกำไรที่สะสมให้ธุรกิจจริงๆ

ตัวอย่าง: ARPU = $60/เดือน, อัตรากำไรขั้นต้น = 75%, อัตราการเลิกใช้รายเดือน = 3%
อายุเฉลี่ย = 1 ÷ 0.03 = 33 เดือน
LTV = $60 × 0.75 × 33 = $1,485

LTV เชิงพยากรณ์ — ใช้เมื่อคุณมีข้อมูล retention แบบ cohort ตั้งแต่ 18 เดือนขึ้นไป

LTV = ∑ (กำไรขั้นต้นรายเดือน × อัตราการรักษาที่เดือน n) ในทุกเดือนอนาคต

แทนที่จะสมมติว่า churn คงที่ วิธีนี้ใช้เส้นโค้ง retention ที่สังเกตได้จริงจากการวิเคราะห์ cohort โดยคูณกำไรขั้นต้นต่อลูกค้าด้วยอัตรา retention ของแต่ละเดือนในอนาคต แล้วรวมค่าทั้งหมด

ลดมูลค่าของกระแสเงินสดในอนาคตโดยใช้อัตราส่วนลดรายเดือน (ต้นทุนทุนรายปี ÷ 12) หากต้องการ LTV มูลค่าปัจจุบันแทนมูลค่าตามชื่อ สำหรับวัตถุประสงค์ช่วงต้นส่วนใหญ่ เวอร์ชันไม่ลดราคาเพียงพอ

ตัวอย่าง: กำไรขั้นต้นรายเดือนต่อลูกค้า = $45 การรักษาที่ M1=82%, M2=71%, M3=64%, M4=59%, คงที่ที่ ~55% จาก M5 เป็นต้นไป
LTV = $45 × (0.82 + 0.71 + 0.64 + 0.59 + 0.55…) รวมถึงขอบฟ้าที่คาดหวัง
ที่ 24 เดือน: LTV ≈ $45 × 17.4 เดือนที่มีผล ≈ $783

LTV ที่มีสมมติฐานชัดเจนมีประโยชน์กว่าไม่มี LTV เลย สิ่งที่เปลี่ยนวิธีตัดสินใจของทีมคือวินัยในการคำนวณ ไม่ใช่ความแม่นยำของผลลัพธ์

สามสมมติฐานที่เปลี่ยนทุกอย่าง

อัตรา churn เป็นตัวแปรที่อ่อนไหวที่สุดในการคำนวณ LTV ทุกแบบ การเปลี่ยน churn รายเดือนจาก 3% เป็น 5% ทำให้อายุเฉลี่ยของลูกค้าลดจาก 33 เดือนเหลือ 20 เดือน หรือ LTV ลดลง 40% เมื่อมีข้อมูลจำกัด ให้สร้างแบบจำลอง LTV ด้วยสมมติฐาน churn สามระดับ (มองโลกในแง่ดี ค่ากลาง และมองในแง่ร้าย) แล้วนำเสนอเป็นช่วงแทนตัวเลขเดียว วิธีนี้ช่วยป้องกันความผิดพลาดที่พบบ่อย คือยึดติดกับตัวเลขที่ได้จากข้อมูลเพียงสองเดือน

อัตรากำไรขั้นต้น การใช้รายได้แทนกำไรขั้นต้นทำให้ LTV สูงเกินจริงอย่างมากสำหรับธุรกิจที่มีต้นทุนการส่งมอบสูง ธุรกิจ SaaS ที่มีอัตรากำไรขั้นต้น 80% กับธุรกิจบริการที่มีอัตรากำไรขั้นต้น 40% มีเศรษฐศาสตร์ต่างกันมาก แม้รายได้จะเท่ากัน ถ้าอัตรากำไรขั้นต้นของคุณต่ำกว่า 50% LTV ของคุณจะต่ำกว่าที่การคำนวณจากรายได้ชี้ไว้มาก และเพดาน CAC ที่รับได้ก็ต่ำลงตามสัดส่วน

กรอบเวลา ในทางทฤษฎี LTV คือผลรวมของกำไรขั้นต้นทั้งหมดในอนาคตจากลูกค้า ที่คิดลดเป็นมูลค่าปัจจุบัน แต่ในทางปฏิบัติ ทีมส่วนใหญ่จำกัด LTV ไว้ที่กรอบเวลาสามถึงห้าปี เพราะการคาดการณ์ที่เกินกว่านั้นสร้างความไม่แน่นอนมากกว่าข้อมูลเชิงลึก ควรระบุกรอบเวลาให้ชัดเจน LTV ที่คำนวณในยี่สิบสี่เดือนกับที่คำนวณในหกสิบเดือนสำหรับลูกค้าคนเดียวกันอาจต่างกันสามถึงห้าเท่า และทั้งสองก็ "ถูกต้อง" ในทางเทคนิค

เมื่อไรควรใช้ LTV อย่างง่าย หรือ LTV เชิงพยากรณ์

ใช้ LTV อย่างง่ายเมื่อคุณมีประวัติลูกค้าน้อยกว่าสิบแปดเดือน เมื่อต้องการคำนวณคร่าว ๆ เพื่อดูทิศทาง หรือเมื่อผู้ฟัง (นักลงทุน ผู้บริหาร) ต้องการตัวเลขที่ตรวจสอบความสมเหตุสมผลได้เร็ว ใช้ LTV เชิงพยากรณ์เมื่อคุณมีข้อมูล cohort มากพอที่จะเห็นว่าเส้นโค้ง retention ราบลงอย่างไร ซึ่งมักเป็นหลังสิบแปดเดือน และเมื่อต้องตัดสินใจอย่างแม่นยำเรื่องเพดาน CAC หรือเป้าหมายระยะเวลาคืนทุน สูตรอย่างง่ายจะทำให้ LTV สูงเกินจริงหากเส้นโค้ง retention ไม่ราบลง (กล่าวคือ ลูกค้ายังคง churn ในอัตราคงที่ไปเรื่อย ๆ แทนที่จะนิ่งลง)

ตัวเลขที่คุณใช้ตัดสินใจจริง

LTV เพียงอย่างเดียวไม่สามารถดำเนินการได้โดยตรง ตัวเลขที่คุณใช้สำหรับการตัดสินใจจริงคืออัตราส่วน LTV:CAC และระยะเวลาคืนทุน ถ้า LTV อย่างง่ายของคุณคือ $1,485 และ CAC ของคุณคือ $400 อัตราส่วน LTV:CAC ของคุณคือ 3.7:1 มีสุขภาพดี ระยะเวลาคืนทุนของคุณคือ CAC หารด้วยกำไรขั้นต้นรายเดือนต่อลูกค้า: $400 ÷ ($60 × 0.75) = $400 ÷ $45 = ประมาณ 9 เดือน ยอดเยี่ยม

ควรคำนวณทั้งสองตัวเลขใหม่ทุกไตรมาส เมื่อ ARPU อัตรา churn และ CAC เปลี่ยนไป แนวโน้มสำคัญพอ ๆ กับค่าปัจจุบัน อัตราส่วน 3:1 ที่ดีขึ้นจาก 2:1 ในหกเดือน บอกเรื่องราวต่างจากอัตราส่วน 3:1 ที่ลดลงจาก 5:1 มาก

การปรับค่า expansion revenue

หากลูกค้าอัปเกรดไปตามเวลา เช่น ย้ายจากแพ็กเกจล่างไปแพ็กเกจที่สูงขึ้น เพิ่มจำนวนที่นั่ง หรือซื้อส่วนเสริม สูตร LTV อย่างง่ายจะประเมินมูลค่าที่แท้จริงของลูกค้าต่ำเกินไป เพราะ ARPU ตอนได้ลูกค้ามาต่ำกว่า ARPU ในเดือนที่ 18 ให้ปรับโดยใช้ ARPU เฉลี่ยตลอดอายุลูกค้าแทน ARPU ตอนได้ลูกค้ามา หรือเพิ่มพจน์ "expansion revenue" แยกต่างหาก ธุรกิจที่มี net revenue retention สูง (เกิน 110%) จะประเมิน LTV ต่ำเกินไปมากหากใช้สมมติฐาน ARPU คงที่

FabricLoop ช่วยเรื่องนี้ได้อย่างไร

การคำนวณ LTV ต้องใช้ข้อมูลจากหลายส่วนของธุรกิจ ได้แก่ ข้อมูลรายได้จากฝ่ายการเงิน ข้อมูล churn จากฝ่ายผลิตภัณฑ์หรือ CS และข้อมูลอัตรากำไรขั้นต้นจากฝ่ายปฏิบัติการ ใน FabricLoop ทีมที่ทบทวน LTV รายไตรมาสมักใช้โน้ตกลุ่มที่แชร์ร่วมกัน ซึ่งบันทึกข้อมูลนำเข้า วิธีคำนวณ สมมติฐาน และอัตราส่วน LTV:CAC ที่ได้ เทียบกับตัวเลขของไตรมาสก่อน เมื่อสมมติฐานถูกบันทึกไว้ที่เดียวกับผลลัพธ์ บทสนทนาแบบ "ครั้งนั้นเราใช้ churn เท่าไร" ก็จะไม่เกิดขึ้นอีกสามเดือนต่อมา การคำนวณจึงตรวจสอบและปรับปรุงได้ ไม่ใช่กล่องดำที่เปลี่ยนค่าทุกครั้งที่ใครสักคนคำนวณใหม่

ข้อสรุปสำคัญ

คุณไม่จำเป็นต้องมีข้อมูลหลายปีเพื่อคำนวณ LTV ที่ใช้ประโยชน์ได้ การประมาณที่มีสมมติฐานชัดเจนและข้อมูลสิบสองเดือนนำไปใช้ได้จริงกว่าการรอข้อมูลที่สมบูรณ์แบบ วินัยในการคำนวณเปลี่ยนวิธีที่คุณตัดสินใจ ไม่ว่าความแม่นยำจะเป็นเท่าไร

LTV อย่างง่าย = ARPU × อัตรากำไรขั้นต้น (%) × อายุเฉลี่ยของลูกค้า โดยอายุเฉลี่ยของลูกค้า = 1 ÷ อัตรา churn รายเดือน ใช้เมื่อคุณมีประวัติลูกค้าน้อยกว่าสิบแปดเดือน

LTV เชิงพยากรณ์คือผลรวมของกำไรขั้นต้นรายเดือนคูณอัตรา retention ที่สังเกตได้จริงในแต่ละเดือนในอนาคต ใช้เมื่อคุณมีข้อมูล cohort สิบแปดเดือนขึ้นไปและเห็นว่าเส้นโค้ง retention ราบลงตรงไหน

อัตรา churn คือตัวแปรที่อ่อนไหวที่สุด การเปลี่ยน churn รายเดือนจาก 3% เป็น 5% ทำให้อายุเฉลี่ยของลูกค้าลดลง 40% เมื่อข้อมูลจำกัด ให้สร้างแบบจำลอง LTV ด้วยสมมติฐาน churn สามระดับ แล้วนำเสนอเป็นช่วงแทนตัวเลขเดียว

ใช้กำไรขั้นต้นเสมอ ไม่ใช่รายได้ การใช้รายได้ทำให้ LTV สูงเกินจริงสำหรับธุรกิจที่มีต้นทุนการส่งมอบสูง ธุรกิจที่มีอัตรากำไรขั้นต้น 40% มี LTV เพียงครึ่งหนึ่งของธุรกิจที่มีรายได้เท่ากันแต่อัตรากำไรขั้นต้น 80%

ระบุกรอบเวลาให้ชัดเจน LTV ที่คำนวณในช่วง 24 เดือนกับ 60 เดือนอาจต่างกันสามถึงห้าเท่าสำหรับลูกค้าคนเดียวกัน ควรระบุกรอบเวลาทุกครั้งที่แชร์ตัวเลข LTV เพราะถ้าไม่มี ตัวเลขนั้นก็ไม่มีความหมาย

ผลลัพธ์ของ LTV ที่นำไปใช้ลงมือทำได้คืออัตราส่วน LTV:CAC (ควรอย่างน้อย 3:1 สำหรับ SaaS) และระยะเวลาคืนทุน (CAC ÷ กำไรขั้นต้นรายเดือนต่อลูกค้า) LTV เพียงอย่างเดียวนำไปลงมือทำต่อโดยตรงไม่ได้ อัตราส่วนที่คำนวณต่อจากนั้นต่างหากที่ขับเคลื่อนการตัดสินใจ

หากลูกค้าขยายการใช้งานตามเวลา เช่น อัปเกรดแพ็กเกจ เพิ่มที่นั่ง สมมติฐาน ARPU คงที่จะทำให้ประเมิน LTV ต่ำเกินไป ธุรกิจที่มี net revenue retention สูง (เกิน 110%) จะประเมินมูลค่าลูกค้าต่ำเกินไปมากหากใช้ ARPU ตอนได้ลูกค้ามาในแบบจำลอง LTV

คำนวณ LTV ใหม่ทุกไตรมาสด้วยข้อมูลนำเข้าที่สอดคล้องกัน แนวโน้มสำคัญพอ ๆ กับค่าปัจจุบัน อัตราส่วน 3:1 ที่ดีขึ้นจาก 2:1 ในหกเดือนบอกเรื่องราวต่างจากอัตราส่วน 3:1 ที่ลดลงจาก 5:1 มาก

บันทึกสมมติฐานทั้งหมดไว้ควบคู่กับการคำนวณ LTV ทั้งอัตรา churn ที่ใช้ เปอร์เซ็นต์อัตรากำไรขั้นต้น กรอบเวลา และตัวเลข ARPU เมื่อไม่มีการบันทึกสมมติฐาน ตัวเลขจะตรวจสอบไม่ได้ และทีมจะเสียเวลาถกเรื่องวิธีคำนวณแทนที่จะลงมือทำตามข้อมูลเชิงลึก