客户终身价值 LTV：预测用户未来总贡献

LTV = 平均客单价 × 每位客户平均购买次数

如果考虑利润率，可进一步修正为：

LTV = 平均客单价 × 平均购买次数 × 平均毛利率

### 2. 订阅制公式（SaaS / 会员制）
基于每月经常性收入（MRR）和客户流失率。

LTV = ARPU / 月流失率

其中 ARPU（每用户平均收入）通常取月均订阅费。  
例如：月费 $50，月流失率 5%，则 LTV = $50 / 0.05 = $1000。

### 3. 考虑货币时间价值与留存曲线的现代公式
更精确的做法是结合客户留存率和折现率，计算预期净现金流现值。

LTV = Σ (第 t 期的期望毛利 × 留存率ᵗ) / (1 + 折现率)ᵗ

t 表示时间周期（月/年），需要根据历史留存数据拟合衰减曲线。这种方法最接近“预测未来总贡献”的本质。

## 准确计算 LTV 的四步流程

### 第一步：定义“客户”与“周期”
明确什么情况下一个用户被视为新客户，以及计算的时间窗口。例如，以首次下单为起点，按月或按年累计。对于非契约型业务，还需定义“流失”标准（如连续 90 天无购买）。

### 第二步：整理细分群体的交易数据
不要对全体用户取一个笼统的 LTV。按以下维度分层：
- 获客渠道（自然流量 / 付费广告 / 活动拉新）
- 产品类型或服务线
- 地域或人口属性
- 首次购买时间队列（同期群）

每个细分群体分别计算，才能指导差异化策略。

### 第三步：计算关键输入变量
- **ARPU / 平均客单价**：某一周期内总收入除以活跃用户数。
- **复购频率**：周期内交易总次数除以活跃用户数。
- **毛利率**：需剔除直接商品成本、支付手续费、物流成本等。
- **流失率/留存率**：对于订阅制，流失率 = 周期内取消用户数 / 期初用户数。对于交易型业务，可用“重复购买率”替代留存率，并拟合留存曲线。

### 第四步：选择公式并执行演算
使用适合的公式，代入数据计算。强烈建议用**历史同期群**回测验证：用过去某批用户前 3 个月数据预测其 12 个月的 LTV，再与实际结果对比，不断校准模型。

## 实战案例：电商小程序的 LTV 计算

**背景**：某零食电商小程序，月均活跃买家 5000 人，月均交易 7500 单，客单价 ¥60，毛利率 35%。通过历史数据分析，平均每位客户生命周期内购买 4.2 次。

**基础公式计算**：

LTV = ¥60 × 4.2 × 35% = ¥88.2