Sumário
Principais conclusões:
- LTV é uma métrica comumente priorizada para empresas SaaS, mas rastreá-la e analisá-la com precisão é difícil
- LTV simples pode fornecer informações detalhadas sobre o valor do cliente em múltiplos cenários diferentes, embora você possa precisar considerar uma possível margem de erro
- Combinar dados estatísticos e desempenhos históricos com seus dados de LTV pode fornecer às empresas de assinatura informações mais detalhadas e precisas
Lifetime Value (LTV) é uma das métricas mais importantes que acompanhamos em SaaS. Ela nos diz o valor que nossos clientes trazem ao nosso negócio.
Normalmente, LTV é estimado usando um cálculo LTV "simples". Mas é realmente eficaz?
Em um post anterior, exploramos armadilhas ao usar métricas de churn. Descobrimos que cálculos de churn nos enganam em algumas circunstâncias, como quando há muitos clientes de curto prazo, o que pode dificultar a identificação precisa de usuáriosem risco de churn e requer avaliação cuidadosa de churn de cliente vs churn de receita..
Nossa métrica mais popular para LTV é uma métrica baseada em "churn", onde churn está no denominador ao calcular. Então, o que isso diz sobre nossos cálculos de LTV? Eles estão errados às vezes?
Neste post, vamos testar a métrica LTV "simples".
- Quando é precisa?
- Onde ela nos engana?
- Quão perto ela nos leva do LTV real?
Calculando LTV Simples
Antes de mergulhar, vamos revisar o que é LTV "simples". Aqui está a fórmula
LTV = Receita mensal média por usuário/churn do usuário
Observe que ela inclui churn no denominador.
Se churn nos engana para retenção de clientes, ele também nos engana para cálculos de valor de vida útil?
Vamos executar algumas simulações onde sabemos o valor real de LTV e ver como o método "simples" o estima.
Cenário 1: LTV em um Negócio Estagnado Com Muitos Assinantes de Curto Prazo
Aqui temos nosso primeiro cenário: um negócio estagnado onde nada muda. As inscrições permanecem as mesmas. As desistências permanecem as mesmas, e a vida útil média de uma assinatura não muda. Aqui está um resumo:
- Inscrições médias por mês: 30
- Vida útil média da assinatura: 2 meses
- Preço da assinatura: $20/mês
- Valor de vida útil médio: $40
- Muitos assinantes de curto prazo
O gráfico abaixo ilustra uma simulação onde geramos os dados usando parâmetros conhecidos (como taxas de inscrição e vidas úteis de assinatura). Podemos avaliar métricas principais, como LTV "simples", comparando-as com a verdade.
Aqui está uma visão da população de assinantes ativos na simulação que descrevemos acima:
Observe como a população de assinantes ativos cresce rapidamente nos primeiros 20 meses e depois a população flutua acima e abaixo da linha tracejada vermelha pelo restante da simulação. Após cerca de 15 meses, o negócio está verdadeiramente estagnado. A linha de assinante ativo roxo vai se manter para sempre perto da linha tracejada vermelha, flutuando em torno de 72 assinantes.
Uma métrica de LTV deve ser fácil de lidar em um cenário de negócio estagnado porque nada muda. A métrica deve ter muitos dados para capturar o LTV verdadeiro. Mas nossa métrica LTV "simples" consegue se aproximar do LTV verdadeiro que conhecemos?
Detalhando por Mês
Vamos calcular LTV cada mês na série temporal acima. Começaremos com pequenas quantidades de dados nos primeiros meses, mas conforme nosso conjunto de dados cresce, a estimativa deve se aproximar do valor LTV real. Consegue?
O gráfico acima mostra a estimativa de LTV simples calculada a cada mês. A linha azul indica o valor de vida útil real para essa base de clientes. Observe que, enquanto o negócio está em sua fase de crescimento, nosso LTV "simples" subestima muito o LTV verdadeiro.
Apenas para recapitular, sabemos o LTV nesta situação simulada pois o escolhemos. Em seguida, usamos a métrica LTV simples para calcular LTV. Depois, comparamos a métrica LTV simples e a métrica LTV, que é um parâmetro da simulação, para ver se eram iguais ou não.
O LTV simples começa perto de zero. Começa pequeno porque a população de clientes ainda não se estabilizou, e muitos clientes de curto prazo estão desistindo em relação ao resto.
O LTV simples está muito mais próximo da realidade quando a população se estabiliza, mas ainda tendemos a subestimar LTV. A estimativa média de LTV quando a população se estabiliza é $32. Isso é 20% menos que o valor verdadeiro de $40. É uma subestimação, mas surpreendentemente, não é tão ruim!
Os Resultados
Embora não seja perfeito, os cálculos simples de LTV no cenário acima parecem utilizáveis, apenas cerca de 20% de diferença.
Mas como o cálculo "simples" de LTV se sai em uma base de clientes mais típica de usuários do Baremetrics, onde os clientes se inscrevem por uma média de alguns anos?
Cenário 2: LTV em um Negócio Estagnado com Assinantes de Longo Prazo
E se tentássemos a simulação com uma base de clientes diferente? Ainda obteríamos subestimativas? Vamos tentar uma nova simulação com menos assinantes de curto prazo. Nossa estimativa de LTV seria melhor uma vez que o churn seja reduzido? (Lembre-se: O churn é inevitável, embora muitas marcas se esforcem por rotatividade negativa.)
O gráfico abaixo representa uma simulação diferente. Os parâmetros são os mesmos de antes, exceto por uma distribuição diferente de assinantes. Esta população se assemelha bastante a um cliente real do Baremetrics.
Nesta simulação, há menos assinantes de curto prazo, e a vida média da assinatura é de 3,7 anos. Se a assinatura média durar 3,7 anos, então o LTV real é de $904.
Isto é calculado multiplicando 3,7 anos x 12 meses x $20 mensais.
O LTV "simples" consegue se aproximar desse número de $904?
No gráfico acima, a linha amarela representa o cálculo simples de LTV calculado a cada mês conforme a simulação avança. Observe que obtemos superestimativas dramáticas no início. Por quê? É porque temos mais assinantes de longo prazo. Muito poucos clientes estão cancelando nos primeiros meses deste processo. Como resultado, nossa estimativa de LTV é muito alta porque nossas estimativas esperam que as assinaturas durem para sempre com uma taxa de cancelamento tão baixa.
A população de clientes se estabiliza após 3,7 anos, porém. Após 3,7 anos, obtemos estimativas próximas ao LTV real (linha azul). Além disso, parece ser uma estimativa muito mais precisa do que em nosso cenário anterior. A diferença é de apenas alguns pontos percentuais!
Os Resultados
Então, como veredicto, o LTV "simples" não é tão ruim quando os clientes permanecem a longo prazo, e nada fundamentalmente muda no negócio! Especialmente considerando os problemas que discutimos em nosso artigo anterior sobre churn.
Então, podemos encontrar um cenário onde o LTV "simples" falha? Talvez o LTV "simples" falhe quando a população de clientes muda rapidamente. Talvez vejamos o mesmo problema aqui porque nossa estimativa simples de LTV superestima muito o valor da vida útil nos primeiros dois anos.
Cenário 3: LTV em um Negócio em Crescimento
Vamos tentar outra simulação para explorar este problema mais a fundo. Vamos manter tudo igual ao cenário que fizemos acima, mas com uma mudança chave.
Suponha que temos um ótimo time de marketing que aumenta constantemente o número de inscrições mensais, e nossa taxa média de inscrição aumenta um por cento a cada mês.
Após 100 meses, deveríamos estar recebendo o dobro do número de clientes em média a cada dia. O valor da vida útil, porém, não muda. Este crescimento extremo arruína nossa estimativa de LTV?
Aqui está um gráfico da base de clientes ativos:
À medida que obtemos mais inscrições, nossa população de clientes ativos dispara para cima.
Incrível! Como nosso cálculo de LTV se sai?
Veja o gráfico abaixo:
Os Resultados
No gráfico acima, vemos como as estimativas de LTV "simples" (amarelo) levam mais tempo para convergir com o valor verdadeiro de LTV (linha pontilhada).
As estimativas eventualmente convergem com o valor verdadeiro, mas apenas após cerca de dez anos. Até mesmo cinco anos dentro desta série temporal, nossas estimativas de LTV estão erradas em até 50%.
Parece que a estimativa de LTV "simples" é sensível a uma população de clientes em mudança, mesmo que o tamanho da população de clientes não deveria ter nada a ver com o valor da vida útil do indivíduo.
Esta sensibilidade ao tamanho da população é porque a estimativa simples de LTV depende do churn, que é sensível a um tamanho de população em rápida mudança.
Vamos Tentar uma Métrica Diferente Para LTV
Podemos encontrar uma métrica melhor para LTV? Uma que não seja distorcida por mudanças nas taxas de inscrição? Em vez da estimativa simples de LTV, vamos construir uma baseada em estatísticas.
Neste exemplo, vamos estimar a vida média de um cliente usando um modelo estatístico. Usando nossos dados, construiremos um modelo estatístico para durações de assinatura.
Usaremos regressão de Weibull como nosso modelo estatístico. Alimentamos dados no modelo, e ele produzirá uma estimativa para a vida média da assinatura.
Então, multiplicamos a vida média da assinatura pela nossa taxa mensal de $20/mês para obter uma estimativa de LTV. Como tal estimativa se compararia com o LTV "simples"?
Vamos repetir a simulação anterior com taxas crescentes de inscrição de clientes e calcular o LTV de ambas as formas para comparar.
No gráfico acima, mostramos estimativas de LTV ao longo do tempo. A estimativa de LTV "simples" é azul, e a estimativa estatística é roxa.
Observe como o método estatístico converge com o valor verdadeiro de LTV (linha pontilhada) muito antes da estimativa "simples". Com a estimativa estatística, ficamos a poucos pontos percentuais do LTV real com cerca de 18 meses de dados, bem antes da população de clientes atingir uma população estável.
Em contraste, a estimativa baseada em churn leva dez anos para alcançar e nunca atinge o mesmo nível de precisão. A estimativa estatística supera a simples baseada em churn.
Estatísticas Batem LTV "Simples", Mas Podemos Fazer Melhor?
Uma nota lateral interessante: Observe como, no início do gráfico acima, a estimativa baseada em churn superestima o LTV real, enquanto o método estatístico a subestima. Por quê? Ambas estas distorções acontecem porque essas estimativas são ingênuas. Elas não sabem nada antes de ver dados, então começam com estimativas absurdas: a estimativa estatística começa em zero, e o churn "simples" começa perto do infinito.
Então, podemos melhorar nossas estimativas dando-lhes um ponto de partida melhor antes de verem qualquer dado?
Boa notícia: Sim.
Acontece que podemos melhorar nossa estimativa estatística dando ao modelo alguma instrução. Se o modelo começar com uma ideia vaga de como é a vida média de uma assinatura, baseada em experiências anteriores ou experiências de colegas. Digamos que esperamos que uma vida de assinatura dure cerca de um ano. Um palpite amplo, mas mais realista do que zero. Então, conforme os dados chegam, atualizamos nossas estimativas.
Conforme coletamos mais dados, nosso ponto de partida vago desaparecerá gradualmente, cedendo lugar ao que os dados nos dizem. Mas inicialmente, isso ajudará começando mais próximo da verdade.
O que estamos fazendo é chamado regularização em estatísticas e aprendizado de máquina. É uma técnica onde adicionamos viés ao nosso modelo – o tipo bom de viés. Coloca mais peso em pontos de dados realistas e trata observações extremas com ceticismo. Obtemos melhores estimativas como resultado.
Abaixo, adicionamos uma estimativa nova e melhorada que usa regularização. É semelhante à estimativa estatística, mas faz uso de algo chamado de Priori Bayesiana. Um priori é como uma pré-concepção vaga. Ele inclina nossas estimativas para o que sabemos ser períodos de vida de assinatura razoáveis, para que nossas estimativas comecem mais próximas da realidade. Vejamos como funciona:
Adicionamos uma estimativa estatística aprimorada (verde) no gráfico acima. Observe como a nova estimativa supera as outras nos primeiros meses. Essa melhoria faz exatamente o que pretendíamos.
Nossa estimativa aprimorada fica mais próxima do valor real de LTV nos primeiros meses. No entanto, conforme os dados chegam, as duas estimativas estatísticas convergem e eventualmente se tornam indistinguíveis.
Usando Baremetrics para Rastrear com Precisão as Principais Métricas de Desempenho
Esperamos ter demonstrado que é possível encontrar métricas de LTV melhores do que as baseadas em churn. As estimativas de LTV baseadas em churn podem ser altamente imprecisas, especialmente quando há poucos dados. Podemos substituí-las por essas métricas melhores. Além disso, também podemos ajustá-las para que sejam mais adequadas ao nosso setor em SaaS.
Baremetrics fornece dados precisos e atualizados para 26 métricas de desempenho e financeiras que são críticas para negócios de SaaS, incluindo churn bruto versus churn líquido, receita recorrente mensal e, é claro, LTV. Se você deseja reduzir churn de SaaS— ou até mesmo analisar saída para entender melhor por que os clientes não estão se mantendo—, Baremetrics pode ajudar.
Também temos recursos avançados de segmentação de clientes, Insights de Cancelamento para fornecer informações sobre cancelamento de clientes e Recover para evitar churn involuntário e ajudaremos você a começar a crescer sua base de clientes e programa de indicação da forma correta. gerenciamento de dunning.
Cansado de perder tempo com planilhas? Obtenha um avaliação gratuita do Baremetrics hoje!
