Мы сталкивались с ситуацией, когда UA-команда тратит бюджет на когорту, а реальный LTV оказывается в 3 раза ниже прогноза. Знать предсказанное значение на 3-й день после установки — это возможность принимать решения о затратах на привлечение на основе данных, а не интуиции. Наш опыт показывает, что правильно настроенная модель окупается в первые 2 месяца. Например, для приложения со 100 тысяч установок в месяц и средним LTV $5 ошибка прогноза в 30% ведет к потерям $150 000 в месяц. Точная модель позволяет экономить до $50 000 ежемесячно за счет оптимизации ставок и персонализации.
Реальный LTV считается постфактум — через 12–24 месяца. К тому моменту бюджет уже потрачен. Predicted LTV на основе поведения первых 7–14 дней позволяет корректировать ставки в UA-кампаниях, сегментировать пользователей для персонализированных офферов ещё в onboarding и принимать решение о pre-emptive churn prevention для высокоценных пользователей. По данным исследований, точность предсказания LTV на 7-й день достигает 70–80% для подписочных приложений, что достаточно для принятия операционных решений.
Почему предсказывать LTV заранее — критично?
LTV (пожизненная ценность клиента) — метрика, описывающая чистую прибыль от одного пользователя. Предсказание на ранних этапах позволяет управлять бюджетом UA до того, как фактические данные станут доступны.
Какие модели используем?
BG/NBD — классика для подписочных и транзакционных приложений. Моделирует «когда пользователь совершит следующую покупку» и «когда он станет неактивным» как независимые процессы. Хорошо работает на данных с историей 30+ дней.
Pareto/NBD — более точный вариант, особенно на первых 30–60 днях жизни пользователя.
ML-регрессия (XGBoost, LightGBM) — работает лучше, когда много поведенческих признаков и нелинейные зависимости. На практике часто выигрывает у параметрических моделей на мобильных данных, где поведение неоднородное. Гибридный подход: параметрическая модель даёт baseline, ML — улучшает его на 25–40% по MAPE. Гибридные модели в 1.5-2 раза точнее параметрических по данным AppsFlyer.
| Модель | MAPE (90 дней) | Требования к данным | Скорость обучения |
|---|---|---|---|
| BG/NBD | 40-60% | 3+ месяцев транзакций | Быстро (секунды) |
| Pareto/NBD | 35-50% | 3+ месяцев | Быстро |
| XGBoost | 25-40% | 3+ месяцев + поведенческие | Средне (минуты) |
| Гибрид | 20-35% | 3+ месяцев + любые | Медленно (часы) |
Как выглядит feature engineering?
Транзакционная история — основа. Признаки для LTV-модели:
- Количество и сумма покупок за первые 7/14/30 дней.
- Межпокупочный интервал (IPT): чем короче, тем выше LTV в 2–3 раза.
- Средний чек и его тренд.
- Тип монетизации (single IAP, subscription, consumables) — предсказываем по-разному.
- Отклик на скидки: пользователь, купивший только по промокоду, имеет другой LTV.
- Engagement: сессии, глубина использования.
Данные о транзакциях на iOS — через StoreKit / RevenueCat webhook. На Android — Google Play Developer API / RevenueCat. RevenueCat особенно удобен: единый webhook для обоих платформ, нормализованные события (initial_purchase, renewal, cancellation, refund).
Когортный анализ перед моделью
Перед построением модели проведите когортный анализ вручную. Постройте retention-кривые по неделям для когорт по источнику трафика, дате установки, платформе. Это выявляет, что у вас не один паттерн LTV, а три–четыре разных сегмента — для каждого нужна своя модель или стратификация.
Как интегрировать результаты?
Предсказанный LTV хранится в user_predicted_ltv(user_id, ltv_30d, ltv_90d, ltv_365d, segment, updated_at). Сегменты: L (low, < P33), M (medium), H (high, > P67).
| Интеграция | Описание |
|---|---|
| UA-кампании | Экспорт high-LTV сегмента в Custom Audiences Facebook / Google Ads для lookalike. Пользователи похожие на ваших high-LTV — целевая аудитория. |
| Персонализация в приложении | H-сегмент видит premium upsell раньше и с меньшей скидкой. L-сегмент — более агрессивный free trial. |
| Support-ресурсы | H-сегмент получает приоритетный ответ. Тег в CRM через интеграцию с Zendesk/Intercom. |
Как построить LTV-модель: пошаговая инструкция
- Сбор данных: собрать историю транзакций минимум за 3 месяца (дата, сумма, тип), поведенческие данные (сессии, глубину использования) и когортные метки.
- Когортный анализ: построить retention-кривые, выделить сегменты по источнику трафика, платформе, версии приложения.
- Выбор модели: начать с BG/NBD для baseline, затем обучить XGBoost на признаках из шага 1 и сравнить через кросс-валидацию.
- Обучение и валидация: обучить модель на когортах до месяца M, проверить на M+1, замерить MAPE на горизонте 90 дней.
- Интеграция: развернуть модель как REST API, предсказывать LTV на 3-й день и сохранять в БД для UA-систем и CRM.
- Мониторинг: каждые 2 недели проверять MAPE на новых данных, при росте >10% — переобучать.
Точность и мониторинг
Валидация: train на когортах до месяца M, тест — на когорте M+1, сравниваем predicted vs actual LTV через 90 дней. RMSE и MAPE как метрики. Типичный MAPE хорошей модели — 25–40% на горизонте 90 дней. Переобучение ежеквартально, плюс при значительных изменениях продукта.
Мы используем дашборд в Grafana с графиками predicted vs actual, MAPE по когортам и сегментам. При превышении порога MAPE > 35% отправляем алерт в Slack. Рекомендуем хранить предсказания и факт LTV в отдельной таблице для ретроспективного анализа.
Что входит в нашу работу?
- Аудит текущих данных и когортный анализ (1 неделя).
- Построение и валидация модели (2-3 недели).
- Разработка пайплайна предсказания и сегментации (1 неделя).
- Интеграция с UA-платформами и CRM (2-3 недели).
- Документация, обучение команды, поддержка 1 месяц после запуска. Мы предоставляем полный доступ к коду и модели. Свяжитесь с нами, чтобы обсудить ваш проект.
Ориентиры по срокам
Базовая LTV-модель с когортным анализом и сегментацией — 3–4 недели при наличии 6+ месяцев транзакционных данных. Полная система с интеграцией в UA-кампании, персонализацией и мониторингом — 8–12 недель. Стоимость рассчитывается индивидуально. Закажите консультацию — оценим ваш проект бесплатно. Получите индивидуальный расчет стоимости и сроков для вашего проекта — оставьте заявку.