資料有限時如何計算 LTV
計算有價值的 LTV 不需要多年的客戶歷史資料。這裡提供適用於不同階段的公式，以及你需要明確說明的假設條件。
早期團隊跳過 LTV 計算最常見的原因，是覺得自己資料不夠。這幾乎總是一個錯誤的判斷。基於十二個月客戶資料和明確假設條件構建的 LTV 估算，遠比完全沒有 LTV 估算有用——因為它迫使你認真思考留存問題，讓你的假設變得可見且可質疑，並給你一個隨資料增多而可以不斷完善的數字。
早期階段的目標不是精確的 LTV，而是方向正確、有明確假設文件的 LTV。精確度會隨時間而來。計算的紀律性從第一天就要開始。
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
有明確假設條件的 LTV 估算，遠比完全沒有 LTV 有用。計算它的紀律性——而非結果的精確度——才是改變團隊決策方式的關鍵。
改變一切的三個假設條件
流失率。任何 LTV 計算中最敏感的輸入值。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 下降 40%。當資料有限時，應在三種流失率假設（樂觀、中性、悲觀）下建模 LTV，並呈現一個範圍，而非單一數字。這可以避免將基於兩個月資料推導出的數字作為錨點的常見錯誤。
毛利率。對於有實質性交付成本的企業，使用收入而非毛利潤會顯著高估 LTV。毛利率為 80% 的 SaaS 企業與毛利率為 40% 的服務企業，即使收入水準相同，經濟模型也大相逕庭。如果你的毛利率低於 50%，你的 LTV 遠低於基於收入的計算所顯示的數字——相應地，你對獲客成本（CAC）的容忍度也更低。
時間跨度。LTV 從技術上講是客戶所有未來毛利潤折算到現值的總和。在實踐中，大多數團隊將 LTV 上限設定為三到五年，因為超出這一範圍的預測引入的不確定性多於洞見。請明確說明你的時間跨度。對同一客戶，基於 24 個月計算的 LTV 和基於 60 個月計算的 LTV，可能相差三到五倍——兩者在技術上都是「正確的」。
當客戶歷史不足 18 個月、進行快速方向性計算、或受眾（投資者、管理層）需要一個能快速進行合理性檢驗的數字時，使用簡單 LTV。當你有足夠的同期群組資料來觀察留存曲線實際如何趨於平穩——通常在 18 個月之後——以及在做獲客成本上限或回收期目標等精確決策時，使用預測性 LTV。如果你的留存曲線沒有趨於平穩（即客戶以恒定速率持續流失，而非穩定下來），簡單公式會高估 LTV。
真正用於決策的數字
LTV 本身並不能直接用於行動。用於實際決策的數字是 LTV:CAC 比率和回收期。如果你的簡單 LTV 是 $1,485，CAC 是 $400，則 LTV:CAC 比率為 3.7:1——健康。回收期為 CAC 除以每客戶月度毛利潤：$400 ÷ ($60 × 0.75) = $400 ÷ $45 ≈ 9 個月——優秀。
隨著 ARPU、流失率和 CAC 的變化，這兩個數字都應每季度重新計算。趨勢與當前值同樣重要：一個在六個月內從 2:1 改善到 3:1 的比率，與一個從 5:1 下降到 3:1 的比率，講述的是截然不同的故事。
如果你的客戶隨時間升級——從較低到較高方案、新增席位、購買附加產品——那麼簡單 LTV 公式會低估客戶的真實價值，因為獲客時的 ARPU 低於第 18 個月時的 ARPU。調整方法是使用整個客戶生命週期內的平均 ARPU 而非獲客時的 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%）的企業，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的輸入——財務部門的收入資料、產品或客戶成功團隊的流失資料、營運部門的毛利率資料。在 FabricLoop 中，進行季度 LTV 審查的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，以及與上季度資料並排的 LTV:CAC 比率。當假設條件和輸出結果記錄在同一個地方時，三個月後就不會再出現「我們用的是哪個流失率？」這樣的對話。計算結果變得可審計、可改進，而不是每次有人重新計算時都會變化的黑盒子。