資料有限時點樣計算 LTV
計算有價值嘅 LTV 唔需要多年嘅客戶歷史資料。呢度提供適用於唔同階段嘅公式，以及你需要明確說明嘅假設條件。
早期團隊唔做 LTV 計算最常見嘅原因，係覺得自己資料唔夠。呢個幾乎係一個錯誤嘅判斷。基於十二個月客戶資料同明確假設條件構建嘅 LTV 估算，遠比完全冇 LTV 估算有用——因為佢迫使你認真思考留存問題，讓你嘅假設變得可見且可質疑，並俾你一個隨資料增多而可以不斷完善嘅數字。
早期階段嘅目標唔係精確嘅 LTV，而係方向正確、有明確假設文件嘅 LTV。精確度會隨時間而來。計算嘅紀律性從第一日就要開始。
兩個公式
平均生命週期 = 1 ÷ 0.03 = 33 個月。
LTV = $60 × 0.75 × 33 = $1,485
LTV = $45 × (0.82 + 0.71 + 0.64 + 0.59 + 0.55…) 累加至預期時間跨度。
24個月時：LTV ≈ $45 × 17.4 有效月數 ≈ $783
有明確假設條件嘅 LTV 估算，遠比完全冇 LTV 有用。計算佢嘅紀律性——而唔係結果嘅精確度——先係改變團隊決策方式嘅關鍵。
改變一切嘅三個假設條件
流失率。任何 LTV 計算中最敏感嘅輸入值。月度流失率從 3% 上升到 5%，會將平均客戶生命週期從 33 個月縮短到 20 個月——LTV 下跌 40%。當資料有限嘅時候，應喺三種流失率假設（樂觀、中性、悲觀）下建模 LTV，並呈現一個範圍，而唔係單一數字。呢個可以避免將基於兩個月資料推導出嘅數字作為錨點嘅常見錯誤。
毛利率。對於有實質性交付成本嘅企業，使用收入而唔係毛利潤會顯著高估 LTV。毛利率為 80% 嘅 SaaS 企業同毛利率為 40% 嘅服務企業，即使收入水平相同，經濟模型都大相逕庭。如果你嘅毛利率低於 50%，你嘅 LTV 遠低於基於收入嘅計算所顯示嘅數字——相應地，你對獲客成本（CAC）嘅容忍度都更低。
時間跨度。LTV 從技術上講係客戶所有未來毛利潤折算到現值嘅總和。喺實踐中，大多數團隊將 LTV 上限設定為三到五年，因為超出呢個範圍嘅預測引入嘅不確定性多於洞見。請明確說明你嘅時間跨度。對同一客戶，基於 24 個月計算嘅 LTV 同基於 60 個月計算嘅 LTV，可能相差三到五倍——兩者喺技術上都係「正確嘅」。
當客戶歷史唔足 18 個月、進行快速方向性計算、或者受眾（投資者、管理層）需要一個能夠快速進行合理性檢驗嘅數字時，使用簡單 LTV。當你有足夠嘅同期群組資料嚟觀察留存曲線實際點樣趨於平穩——通常喺 18 個月之後——以及喺做獲客成本上限或者回收期目標等精確決策時，使用預測性 LTV。如果你嘅留存曲線冇趨於平穩（即係客戶以恆定速率持續流失，而唔係穩定落嚟），簡單公式會高估 LTV。
真正用於決策嘅數字
LTV 本身並唔能夠直接用於行動。用於實際決策嘅數字係 LTV:CAC 比率同回收期。如果你嘅簡單 LTV 係 $1,485，CAC 係 $400，則 LTV:CAC 比率係 3.7:1——健康。回收期係 CAC 除以每客戶月度毛利潤：$400 ÷ ($60 × 0.75) = $400 ÷ $45 ≈ 9 個月——優秀。
隨住 ARPU、流失率同 CAC 嘅變化，呢兩個數字都應每季度重新計算。趨勢同當前值同樣重要：一個喺六個月內從 2:1 改善到 3:1 嘅比率，同一個從 5:1 下降到 3:1 嘅比率，講嘅係截然唔同嘅故事。
如果你嘅客戶隨時間升級——從較低到較高套餐、增加席位、購買附加產品——噉簡單 LTV 公式會低估客戶嘅真實價值，因為獲客時嘅 ARPU 低於第 18 個月時嘅 ARPU。調整方法係使用整個客戶生命週期內嘅平均 ARPU 而唔係獲客時嘅 ARPU，或者額外添加一個「擴展收入」項。淨收入留存率較高（超過 110%）嘅企業，如果使用靜態 ARPU 假設，會大幅低估 LTV。
LTV 計算需要來自業務多個部門嘅輸入——財務部門嘅收入資料、產品或者客戶成功團隊嘅流失資料、營運部門嘅毛利率資料。喺 FabricLoop 中，進行季度 LTV 審查嘅團隊通常會使用一個共享群組筆記，記錄輸入值、計算過程、假設條件，以及同上季度資料並排嘅 LTV:CAC 比率。當假設條件同輸出結果記錄喺同一個地方時，三個月後就唔會再出現「我哋用嘅係邊個流失率？」呢樣嘅對話。計算結果變得可審計、可改進，而唔係每次有人重新計算時都會變化嘅黑盒子。