Маркетинговый бюджет уходит на каналы с высоким CAC, а удержание клиентов падает — классическая ситуация, когда нет объективной оценки LTV. Без точной модели вы либо недоплачиваете за ценных клиентов, либо переплачиваете за тех, кто уйдёт через месяц. Например, интернет-магазин тратит 40% бюджета на контекстную рекламу, но LTV клиентов из этого канала на 30% ниже, чем из органики. Экономия при правильной сегментации достигает 40% маркетингового бюджета.
Мы решаем эту задачу через кастомные ML-решения под ключ: от сбора данных до интеграции с CRM и рекламными кабинетами. Наши ML-модели прогнозирования LTV, включая ранние предикторы LTV на 7–30 день после регистрации, обеспечивают точность MAPE 25–40% и позволяют сократить CAC на 20–30%. Накопленный опыт — 50+ внедрений для e-commerce и SaaS с оборотами от $10M.
Как математические модели предсказывают LTV?
Contractual модели (SaaS, подписки): клиент либо активен, либо ушёл. Задача разбивается на:
- Churn prediction: вероятность ухода в каждый период
- Revenue prediction: размер оплаты при условии, что клиент активен
- LTV = Σ P(alive at t) × Expected_Revenue(t) × Discount_Factor(t)
Non-contractual модели (e-commerce, retail): клиент не уведомляет об уходе. Классический подход — BG/NBD модель (Beta Geometric/Negative Binomial Distribution):
- Frequency model: частота транзакций = NBD
- Dropout model: вероятность 'смерти' клиента = Beta-Geometric
- Monetary value model: гамма-гамма модель для среднего чека
Библиотека lifetimes (Python) реализует BG/NBD + гамма-гамма из коробки. Данные: customer_id, frequency, recency, T (возраст клиента), monetary_value.
Пошаговая реализация BG/NBD модели
- Подготовьте данные: для каждого клиента рассчитайте frequency (количество повторных покупок), recency (время от последней покупки до конца периода), T (время от первой покупки до конца периода).
- Обучите модель:
from lifetimes import BetaGeoFitter; bgf = BetaGeoFitter(); bgf.fit(frequency, recency, T). - Оцените monetary value: используйте GammaGammaFitter для среднего чека.
- Прогнозируйте LTV:
bgf.conditional_expected_number_of_purchases_up_to_time(t) * expected_monetary_value.
Fader, P. S., & Hardie, B. G. S. (2005). "A Note on Deriving the Pareto/NBD Model".
ML-подход: прямое предсказание
Альтернатива вероятностным моделям — прямое предсказание 12-месячного LTV через regression. Features:
- RFM за первые 30/60/90 дней после онбординга
- Канал привлечения (paid search, organic, referral)
- Когортные характеристики (сезон привлечения)
- Поведенческие: использование фич, глубина сессий
- Сегмент: B2B vs. B2C, geography, company size
Алгоритм: LightGBM Regressor с квантильными потерями для неопределённости. Метрика: MAPE на holdout когорте (клиенты, онбординг которых был 12+ месяцев назад). Типичная точность: MAPE 25–40% для 12-месячного прогноза — достаточно для сегментации, но не для точного CAC-расчёта. LightGBM регрессор точнее вероятностных моделей на 25–40%.
Сравнение подходов:
| Критерий | BG/NBD + гамма-гамма | ML-регрессор |
|---|---|---|
| Данные | Только транзакции | Любые признаки |
| Интерпретируемость | Высокая | Средняя (SHAP) |
| Точность (MAPE) | 40–60% | 25–40% |
| Гибкость | Низкая | Высокая (early signals, external data) |
Пример кода для BG/NBD
from lifetimes import BetaGeoFitter bgf = BetaGeoFitter(penalizer_coef=0.0) bgf.fit(data['frequency'], data['recency'], data['T']) Почему ранний прогноз LTV важен для бизнеса?
Ценный нюанс: предсказывать LTV в первые 7–30 дней после регистрации, когда данных мало. Ранний предиктор использует:
- Онбординг completion rate
- Количество key actions в первую неделю (product activation)
- NPS score при первом опросе
- Глубина использования: количество модулей/фич
Random Forest с этими фичами позволяет классифицировать 'whales' (высокий LTV) с Precision 60–70% уже через 7 дней после регистрации. Это в 2 раза быстрее стандартного подхода, основанного на 30-дневных данных. Ранняя сегментация позволяет направить Customer Success на правильных клиентов с первых дней.
Сегментация по LTV
Прогноз LTV → сегментация клиентской базы:
| Сегмент | LTV percentile | Стратегия |
|---|---|---|
| Champions | > 90th | VIP поддержка, референс-программы |
| High Potential | 70–90th | Активный CS, upsell |
| Core | 30–70th | Автоматизированный nurturing |
| At Risk | < 30th | Watchlist, проверка fit |
Сегменты пересматриваются ежеквартально или при значимом изменении поведения.
Оптимизация маркетинговых расходов
Главное применение LTV-модели — CAC-оптимизация. В paid channels (Google Ads, Meta Ads) predicted LTV передаётся как conversion value. Smart Bidding оптимизирует ставки на максимизацию LTV, что смещает бюджет к каналам с лучшим LTV/CAC ratio. Когортный анализ по месяцам и кампаниям показывает, какие источники привлекают реально ценных клиентов, а не просто дешёвых. Экономия на неэффективных каналах может достигать 40%.
Мониторинг модели
LTV — долгосрочный прогноз, его сложно валидировать быстро. Подходы:
- Shortened horizon validation: обучаем на когорте 24 месяца, предсказываем 12-месячный LTV, сравниваем с фактом через 12 месяцев
- Relative ranking accuracy: важна не абсолютная точность, а правильный порядок клиентов по LTV
- Early vs. final LTV correlation: насколько 7-дневный LTV коррелирует с 12-месячным фактом
Для сегментации достаточно MAPE 30–40% — главное правильно ранжировать клиентов. Для точного CAC-расчёта желателен MAPE <25%.
Что входит в работу
- Аудит доступных данных (CRM, транзакции, поведение)
- Выбор и калибровка модели (BG/NBD, ML или ансамбль)
- Разработка early предиктора
- Интеграция с CRM и рекламными кабинетами (Google Ads, Meta Ads)
- Документация, дашборды, обучение команды
- Поддержка после внедрения (мониторинг, переобучение)
Сроки: BG/NBD + гамма-гамма модель из lifetimes — 2–3 недели. ML-система с early predictor, мониторингом и интеграцией — 10–14 недель. Стоимость рассчитывается индивидуально, исходя из объёмов данных и сложности интеграции. Получите консультацию — оценим ваш проект и предложим решение. Закажите разработку LTV-модели для вашего бизнеса. Свяжитесь с нами, чтобы подобрать оптимальную модель под ваши данные.