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，是覺得自己的資料不夠。這幾乎都是誤判。以十二個月的客戶資料和明確假設建立的 LTV 估算，遠比完全沒有估算來得有用——因為它迫使你認真思考留存問題，讓你的假設變得可見、可被檢驗，也給你一個隨資料累積而能持續修正的數字。
早期階段的目標不是精準的 LTV，而是方向正確、且假設都有明確記錄的 LTV。精準度會隨時間提升，但計算的紀律必須從第一天就建立。
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
假設明確的 LTV 估算，遠比完全沒有 LTV 有用。真正改變團隊決策方式的，是計算本身的紀律，而不是結果的精準度。
改變一切的三個假設
流失率。這是任何 LTV 計算中最敏感的輸入值。月流失率從 3% 升到 5%，平均客戶生命週期會從 33 個月縮短到 20 個月——LTV 下降 40%。資料有限時，應以三種流失率情境（樂觀、中性、悲觀）來建立 LTV 模型，並呈現一個區間，而不是單一數字。這樣可以避免常見的錯誤：把只靠兩個月資料推算出的數字當成錨點。
毛利率。對於有實質交付成本的企業，用營收而不是毛利來算，會明顯高估 LTV。毛利率 80% 的 SaaS 企業，和毛利率 40% 的服務業，即使營收規模相同，經濟模型也天差地別。如果你的毛利率低於 50%，實際 LTV 會遠低於以營收計算的結果——相對地，你能承受的客戶獲取成本（CAC）也更低。
時間範圍。嚴格來說，LTV 是客戶所有未來毛利折算成現值後的總和。實務上，大多數團隊會把 LTV 的上限設在三到五年，因為超出這個範圍的預測，帶來的不確定性多過洞見。請清楚說明你採用的時間範圍。同一位客戶，以 24 個月算出的 LTV 和以 60 個月算出的 LTV，可能相差三到五倍——兩者在技術上都「正確」。
當客戶歷史不足 18 個月、需要快速做方向性估算，或是報告對象（投資人、管理層）想要一個能迅速做合理性檢驗的數字時，使用簡易 LTV。當你已有足夠的同期群組資料，能看出留存曲線實際如何趨於平緩（通常在 18 個月之後），而且要做更精確的決策（例如 CAC 上限或回收期目標）時，則使用預測式 LTV。如果你的留存曲線沒有趨於平緩（也就是客戶持續以固定速率流失，而不是穩定下來），簡易公式會高估 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 變動，這兩個數字都應每季重新計算。趨勢和當下的數值一樣重要：六個月內從 2:1 進步到 3:1 的比率，與從 5:1 退步到 3:1 的比率，說的是截然不同的故事。
如果你的客戶會隨時間升級——從低階方案換到高階方案、增加席位、加購附加產品——簡易 LTV 公式就會低估客戶的真實價值，因為獲客當時的 ARPU 低於第 18 個月時的 ARPU。調整方法是改用整個客戶生命週期內的平均 ARPU，而不是獲客當時的 ARPU，或是額外加上一個「擴展營收」項。淨營收留存率偏高（超過 110%）的企業，若採用固定的 ARPU 假設，會大幅低估 LTV。
LTV 計算需要公司多個部門的輸入——財務部門的營收資料、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，每季檢視 LTV 的團隊通常會用一份共用的群組筆記，記錄輸入值、計算過程、假設，以及與上一季資料並列的 LTV:CAC 比率。當假設與結果都記在同一個地方，三個月後就不會再出現「我們當時用的是哪個流失率？」這種對話。計算結果因此可以被稽核、持續改進，而不是每次有人重算就變一次的黑箱。