Прогнозування LTV: від BG/NBD до ML-моделей та інтеграція

Маркетинговий бюджет іде на канали з високим CAC, а утримання клієнтів падає — класична ситуація, коли немає об'єктивної оцінки LTV. Без точної ML-моделі прогнозування LTV ви або недоплачуєте за цінних клієнтів, або переплачуєте за тих, хто піде через місяць. Наприклад, інтернет-магазин витрачає 40% бюджету на контекстну рекламу, але LTV клієнтів з цього каналу на 30% нижчий, ніж з органіки. Економія при правильній сегментації сягає 40% маркетингового бюджету — це до $5000 щомісяця для середнього бізнесу.

Ми вирішуємо це завдання через кастомні ML-рішення під ключ: від збору даних до інтеграції з CRM та рекламними кабінетами. Наші ML-моделі прогнозування LTV, включаючи ранні предиктори LTV на 7–30 день після реєстрації, забезпечують точність MAPE 25–40% та дозволяють скоротити CAC на 20–30%. Накопичений досвід — 10+ років, 50+ впроваджень для e-commerce та SaaS з оборотами від $10M. Гарантуємо якість завдяки 10+ рокам досвіду та сертифікованим фахівцям.

Як математичні моделі передбачають LTV?

Contractual моделі (SaaS, підписки): клієнт або активний, або пішов. Задача розбивається на:

1. Churn prediction: ймовірність відтоку в кожний період
2. Revenue prediction: розмір оплати за умови, що клієнт активний
3. LTV = Σ P(alive at t) × Expected_Revenue(t) × Discount_Factor(t)

Non-contractual моделі (e-commerce, retail): клієнт не повідомляє про відхід. Класичний підхід — BG/NBD модель (Beta Geometric/Negative Binomial Distribution):

• Frequency model: частота транзакцій = NBD
• Dropout model: ймовірність 'смерті' клієнта = Beta-Geometric
• Monetary value model: гамма-гамма модель для середнього чеку

Бібліотека lifetimes (Python) реалізує BG/NBD + гамма-гамма з коробки. Дані: customer_id, frequency, recency, T (вік клієнта), monetary_value.

Покрокова реалізація BG/NBD моделі

1. Підготуйте дані: для кожного клієнта розрахуйте frequency (кількість повторних покупок), recency (час від останньої покупки до кінця періоду), T (час від першої покупки до кінця періоду).
2. Навчіть модель: from lifetimes import BetaGeoFitter; bgf = BetaGeoFitter(); bgf.fit(frequency, recency, T).
3. Оцініть monetary value: використовуйте GammaGammaFitter для середнього чеку.
4. Прогнозуйте 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-підхід: пряме передбачення

Альтернатива ймовірнісним моделям — пряме передбачення 12-місячного LTV через regression. ML-модель прогнозування LTV на основі LightGBM регресора з квантильними втратами значно точніша за BG/NBD — на 25-40% менша помилка.

Features:

• RFM за перші 30/60/90 днів після онбордингу
• Канал залучення (paid search, organic, referral)
• Когортні характеристики (сезон залучення)
• Поведінкові: використання фіч, глибина сесій
• Сегмент: B2B vs. B2C, geography, company size

Алгоритм: LightGBM Regressor з квантильними втратами для невизначеності. Метрика: MAPE на holdout когорті (клієнти, онбординг яких був 12+ місяців тому). Типова точність: MAPE 25–40% для 12-місячного прогнозу — достатньо для сегментації, але не для точного CAC-розрахунку. LightGBM регресор точніший за ймовірнісні моделі на 25–40%.

Порівняння підходів:

from lifetimes import BetaGeoFitter bgf = BetaGeoFitter(penalizer_coef=0.0) bgf.fit(data['frequency'], data['recency'], data['T']) 

Чому ранній прогноз LTV важливий для бізнесу?

Цінний нюанс: передбачати LTV у перші 7–30 днів після реєстрації, коли даних мало. Ранній предиктор LTV використовує:

• Онбординг completion rate
• Кількість key actions у перший тиждень (product activation)
• NPS score при першому опитуванні
• Глибина використання: кількість модулів/фіч

Random Forest з цими фічами дозволяє класифікувати 'whales' (високий LTV) з Precision 60–70% вже через 7 днів після реєстрації. Це вдвічі швидше стандартного підходу, заснованого на 30-денних даних. Рання сегментація дозволяє направити Customer Success на правильних клієнтів з перших днів.

Сегментація за LTV

Прогноз LTV → сегментація клієнтської бази:

Сегменти переглядаються щокварталу або при значній зміні поведінки.

Оптимізація маркетингових витрат

Головне застосування LTV-моделі — CAC-оптимізація. У paid channels (Google Ads, Meta Ads) predicted LTV передається як conversion value. Smart Bidding оптимізує ставки на максимізацію LTV, що зміщує бюджет до каналів з кращим LTV/CAC ratio. Когортний аналіз по місяцях та кампаніях показує, які джерела залучають реально цінних клієнтів, а не просто дешевих. Економія на неефективних каналах може досягати 40% — це до $5000 щомісяця для бізнесу з бюджетом $15 000.

Моніторинг моделі

LTV — довгостроковий прогноз, його складно валідувати швидко. Підходи:

• Shortened horizon validation: навчаємо на когорті 24 місяці, передбачаємо 12-місячний LTV, порівнюємо з фактом через 12 місяців
• Relative ranking accuracy: важлива не абсолютна точність, а правильний порядок клієнтів за LTV
• Early vs. final LTV correlation: наскільки 7-денний LTV корелює з 12-місячним фактом

Для сегментації достатньо MAPE 30–40% — головне правильно ранжувати клієнтів. Для точного CAC-розрахунку бажаний MAPE <25%.

Що входить у роботу

Компанія з 10+ роками досвіду та 50+ впровадженнями гарантує якість. Ми пропонуємо:

• Аудит доступних даних (CRM, транзакції, поведінка)
• Вибір та калібрування моделі (BG/NBD, ML або ансамбль)
• Розробка early предиктора LTV
• Інтеграція з CRM та рекламними кабінетами (Google Ads, Meta Ads)
• Документація, дашборди, навчання команди
• Підтримка після впровадження (моніторинг, перенавчання)

Терміни: BG/NBD + гамма-гамма модель з lifetimes — 2–3 тижні. ML-система з early predictor, моніторингом та інтеграцією — 10–14 тижнів. Вартість розраховується індивідуально, виходячи з обсягів даних та складності інтеграції. Отримайте консультацію — оцінимо ваш проект і запропонуємо рішення. Замовте розробку LTV-моделі для вашого бізнесу. Зв'яжіться з нами, щоб підібрати оптимальну ML-модель прогнозування LTV під ваші дані.