Сообщить об ошибкеКороткий ответ
Единственно верного ответа нет: эмпирический подход честен относительно наблюдаемых данных, но для молодого продукта почти наверняка недооценивает LTV из-за короткого горизонта наблюдения, тогда как модельный подход (BG/NBD, Pareto/NBD) позволяет экстраполировать на более длинный горизонт, но вносит модельные допущения, которые могут не соответствовать реальному поведению новых пользователей.
Как это работает подробнее
эмпирический (cohort-based) LTV суммирует фактически накопленную выручку когорты за наблюдаемый период — это нижняя граница истинного LTV, так как "хвост" выручки после конца наблюдения не учтён; вероятностные модели (BG/NBD для частоты повторных покупок, Pareto/NBD с учётом оттока) оценивают параметры распределения активности и оттока по ранним данным и экстраполируют ожидаемую будущую ценность.
Проверка: сравнить predicted_purchases для уже "созревших" (12+ мес) исторических когорт с их фактическим числом покупок — если модель систематически завышает/занижает, её параметры или допущения нужно пересмотреть перед использованием для молодых когорт.
Что использовать на практике
- Практика. модельный подход особенно рискован на очень раннем этапе, когда мало данных для надёжной оценки параметров модели, и первые когорты пользователей часто нерепрезентативны (ранние адоптеры ведут себя иначе, чем массовая аудитория); эмпирический подход безопаснее для принятия решений "здесь и сейчас", но занижает LTV, что может привести к излишне консервативным решениям по CAC-бюджетам.
Подводные камни
- Частая ошибка. применяют модель, откалиброванную на зрелом продукте или другой индустрии, к совершенно новому продукту без проверки соответствия допущений; используют чисто эмпирический LTV за 1-2 месяца наблюдений как финальное число для принятия решений об инвестициях в привлечение на годы вперёд, хотя реальный LTV может быть в разы выше.