LTV-прогнозирование: как не перепутать ранний доход с реальной окупаемостью трафика

LTV-прогнозирование: как не перепутать ранний доход с реальной окупаемостью трафика

LTV на 6 месяцев вперед не угадывают «по ощущениям» — его строят как модель когорты. Базовая схема: берем источник, кампанию, креатив, затем считаем не только выручку, но и маржу по каждому дню жизни пользователя. Если смотреть лишь на первый заказ, вы переоцениваете каналы с быстрым, но коротким чеком.

Ключевые признаки для прогноза:
— day 0/1/7 revenue и скорость первой конверсии;
— повторные покупки, интервал между ними, доля возвратов;
— категория товара, средний чек, скидочная чувствительность;
— атрибуция по когортам, а не по разрозненным сессиям.

Дальше работает простая логика: строим survival-кривую, оцениваем вероятность повторной покупки и умножаем ее на ожидаемую маржу. Для стабильных подписок подходит экспоненциальное затухание, для e-commerce — гибрид: ранний сегмент по факту, хвост через регрессию или байесовское сглаживание. Ошибка большинства команд в том, что они смешивают каналы с разной частотой повторов в одну модель. Так LTV получается декоративным, а не управленческим.

Порог решения должен быть не по ROAS, а по predicted LTV/CAC с учетом возвратов и лагов. Если модель не калибрована на исторических когортах, вы не прогнозируете окупаемость, а экстраполируете шум. Считаем инкрементальность и проверяем, выдерживает ли прогноз разницу между быстрыми покупателями и теми, кто доходит до второго-третьего заказа позже.

Практика простая: сначала очистка данных, потом когортный разрез, затем модель хвоста. Данные — это новая нефть, но только если их правильно очистить.