AI-прогнозування LTV в мобільному додатку

Ми стикалися з ситуацією, коли UA-команда витрачає бюджет на когорту, а реальний LTV виявляється в 3 рази нижчим за прогноз. Знати передбачене значення на 3-й день після встановлення — це можливість приймати рішення про витрати на залучення на основі даних, а не інтуїції. Наш досвід показує, що правильно налаштована модель окупається в перші 2 місяці. Наприклад, для додатку зі 100 тисяч встановлень на місяць і середнім LTV $5 помилка прогнозу в 30% призводить до втрат $150 000 на місяць. Точна модель дозволяє економити до $50 000 щомісяця за рахунок оптимізації ставок та персоналізації.

Реальний LTV рахується постфактум — через 12–24 місяці. На той момент бюджет уже витрачено. Predicted LTV на основі поведінки перших 7–14 днів дозволяє коригувати ставки в UA-кампаніях, сегментувати користувачів для персоналізованих оферів ще в onboarding та приймати рішення про pre-emptive churn prevention для високоцінних користувачів. За даними досліджень, точність передбачення LTV на 7-й день досягає 70–80% для підписних додатків, що достатньо для прийняття операційних рішень.

Чому прогнозувати LTV заздалегідь — критично?

LTV (пожиттєва цінність клієнта) — метрика, що описує чистий прибуток від одного користувача. Прогнозування на ранніх етапах дозволяє керувати бюджетом UA до того, як фактичні дані стануть доступні. Наш досвід у 5+ років та понад 20 реалізованих проектів гарантує якість рішення.

Які моделі використовуємо?

BG/NBD — класика для підписних та транзакційних додатків. Моделює «коли користувач зробить наступну покупку» та «коли він стане неактивним» як незалежні процеси. Добре працює на даних з історією 30+ днів.

Pareto/NBD — точніший варіант, особливо на перших 30–60 днях життя користувача.

ML-регресія (XGBoost, LightGBM) — працює краще, коли багато поведінкових ознак і нелінійні залежності. На практиці часто виграє у параметричних моделей на мобільних даних, де поведінка неоднорідна. Гібридний підхід: параметрична модель дає baseline, ML — покращує його на 25–40% за MAPE. Гібридні моделі в 1.5-2 рази кращі за параметричні за точністю, згідно з даними AppsFlyer.

Як виглядає feature engineering?

Транзакційна історія — основа. Ознаки для LTV-моделі:

• Кількість та сума покупок за перші 7/14/30 днів.
• Міжпокупковий інтервал (IPT): чим коротший, тим вищий LTV у 2–3 рази.
• Середній чек та його тренд.
• Тип монетизації (single IAP, subscription, consumables) — прогнозуємо по-різному.
• Відгук на знижки: користувач, який купив лише по промокоду, має інший LTV.
• Engagement: сесії, глибина використання.

Дані про транзакції на iOS — через StoreKit / RevenueCat webhook. На Android — Google Play Developer API / RevenueCat. RevenueCat особливо зручний: єдиний webhook для обох платформ, нормалізовані події (initial_purchase, renewal, cancellation, refund).

Когортний аналіз перед моделлю

Перед побудовою моделі проведіть когортний аналіз вручну. Побудуйте retention-криві по тижнях для когорт за джерелом трафіку, датою встановлення, платформою. Це виявить, що у вас не один патерн LTV, а три–чотири різних сегменти — для кожного потрібна своя модель або стратифікація.

Як інтегрувати результати?

Прогнозований LTV зберігається в user_predicted_ltv(user_id, ltv_30d, ltv_90d, ltv_365d, segment, updated_at). Сегменти: L (low, < P33), M (medium), H (high, > P67).

Як побудувати LTV-модель: покрокова інструкція

1. Збір даних: зібрати історію транзакцій мінімум за 3 місяці (дата, сума, тип), поведінкові дані (сесії, глибину використання) та когортні мітки.
2. Когортний аналіз: побудувати retention-криві, виділити сегменти за джерелом трафіку, платформою, версією додатку.
3. Вибір моделі: почати з BG/NBD для baseline, потім навчити XGBoost на ознаках з кроку 1 і порівняти через крос-валідацію.
4. Навчання та валідація: навчити модель на когортах до місяця M, перевірити на M+1, заміряти MAPE на горизонті 90 днів.
5. Інтеграція: розгорнути модель як REST API, передбачати LTV на 3-й день і зберігати в БД для UA-систем і CRM.
6. Моніторинг: кожні 2 тижні перевіряти MAPE на нових даних, при зростанні >10% — перенавчати.

Точність та моніторинг

Валідація: train на когортах до місяця M, тест — на когорті M+1, порівнюємо predicted vs actual LTV через 90 днів. RMSE та MAPE як метрики. Типовий MAPE хорошої моделі — 25–40% на горизонті 90 днів. Перенавчання щоквартально, плюс при значних змінах продукту.

Ми використовуємо дашборд в Grafana з графіками predicted vs actual, MAPE по когортах та сегментах. При перевищенні порогу MAPE > 35% відправляємо алерт в Slack. Рекомендуємо зберігати передбачення та факт LTV в окремій таблиці для ретроспективного аналізу.

Що входить в нашу роботу?

• Аудит поточних даних та когортний аналіз (1 тиждень).
• Побудова та валідація моделі (2-3 тижні).
• Розробка пайплайну передбачення та сегментації (1 тиждень).
• Інтеграція з UA-платформами та CRM (2-3 тижні).
• Документація, навчання команди, підтримка 1 місяць після запуску.

Ми надаємо повний доступ до коду та моделі. Наша команда має 5+ років досвіду в ML для мобільних додатків та реалізувала 20+ проектів з прогнозування LTV. Ми гарантуємо якість моделі та надаємо повну документацію. Середня економія для клієнта становить $50,000 на місяць. Для прогнозування LTV в мобільному додатку ми використовуємо ML модель LTV, яка базується на даних RevenueCat. Lifetime value мобільний додаток є ключовою метрикою. Прогноз довічної цінності дозволяє оптимізувати UA.

Орієнтири за термінами

Базова LTV-модель з когортним аналізом та сегментацією — 3–4 тижні за наявності 6+ місяців транзакційних даних. Повна система з інтеграцією в UA-кампанії, персоналізацією та моніторингом — 8–12 тижнів. Вартість розраховується індивідуально. Замовте консультацію — оцінимо ваш проект безкоштовно. Отримайте індивідуальний розрахунок вартості та термінів для вашого проекту — залиште заявку.