客户生命周期价值（LTV）是衡量SaaS产品商业模式健康和可持续性的核心指标。本文以订阅制SaaS产品为切入点，详细探讨了LTV的统计方法、实践要点以及多维度分析的重要性。

文章背景为，假定某订阅制SAAS产品，付费模式为月、季度、年三档。项目已经历市场相对空白到竞品围剿的多重阶段。

针对客户生命周期价值（LTV）问题做了讨论，经整理成文，文章是一个思考的过程，对大家可能无法形成理论性指导，但作为开拓思路之用还算尚可。

订阅制的SAAS类产品LTV的统计方式

首先来说，客户生命周期价值（LTV）对SAAS类产品而言，是其商业模式健康和可持续的核心指标，但LTV的统计，是一个复杂的、需要多部门深度协同的工程。

一、基于SAAS产品的LTV计算方法

统计LTV的核心目的是预测客户在整个生命周期内，为公司带来的净收入。比较常用的方法是基于现金流的预测，这似乎更贴近SAAS产品的特点。

核心计算公式是：LTV=(平均每月经常性收入)*毛利率%*平均客户生命周期(月)

其中对平均每月经常性收入的计算，比较推荐的是按按客户群/层级计算（例如按获客月份、按套餐等级、按客户规模分组），分组计算LTV会更有意义。

毛利率方面，一般来说毛利率=(收入-直接服务该客户的可变成本)/收入*100%。不过对于软件类产品来说，会存在一些可变成本，比如服务器等基础设施，可以按照用户使用量分摊。比较麻烦的是客户的支持成本，这大部分是人的成本，很难准确分隔，只能按照可归属部分做大致分摊。

这里面是不包括研发成本、一般管理成本（比如非一线岗位人员的成本等）等这些固定成本的，这里的LTV更看重客户带来的毛利润贡献。

比较难预测的部分是平均客户生命周期，通常的做法是：平均客户生命周期(月)≈1/月客户流失率。其中月客户流失率=该月内流失的客户总数/月初客户总数*100%。当然，流失率还是应该尽量按照客户群来计算，因为新老客户、不同套餐的客户流失率差异可能非常大，不做分组的计算，会导致数据异常高或异常低，干扰最后的判断。

二、LTV的统计实践

统计的实践主要涉及两个问题，一个是数据的梳理整合，一个是统计的要点。

2.1、数据的来源和梳理整合

CRM(如Salesforce)：客户基本信息、合同价值、订阅开始/结束日期、增购/降级/流失记录。

订阅/计费系统：精确的MRR、ARR、交易流水、续约状态、退款记录。这是收入数据的核心来源。

产品分析工具：用户行为数据（活跃度、功能使用深度），这些是预测流失和增购潜力的重要指标。

财务系统：成本数据（服务器费用、支付手续费、客户成功/支持成本分摊）。

客户支持系统：支持工单量/类型/解决时间、客户健康度评分。

2.2、统计的要点

客户分组：按获客时间、获客渠道、初始套餐、客户规模、行业等进行分组统计。过于追求平均的LTV数据价值并不大。

区分毛流失与净扩张：计算流失率时，区分客户数量流失和收入流失，并明确NRR的计算。

处理可变合同：对于用量计费或合同价值波动大的客户，MRR的计算需要更精细（如滚动平均）。

成本分摊：建立清晰、一致、可审计的规则来分摊可变成本到客户或客户群。避免过度复杂化，但也要保证合理性。

1、LTV是一个需要多部门高度协同的战略动作

其实统计LTV也好，统计其他维度的数据也好，很多人都有这个观念，但最后的实施之路往往一波三折，导致最后无疾而终。这是一个需要从上至下的、多部门高度协同调配的工作。其关键点在于：

统一数据口径：所有部门对“客户”、“MRR”、“流失”、“增购”、“成本分摊”等关键概念的定义达成一致，如果一个数据存在多种解释方法，那最后的结果必然失真。

绝对的单一事实来源：源数据一定确保一致，保证各部门看到的是基于同一套源数据得出的计算结果。

清晰的流程与责任：明确各部门在数据录入、清洗、计算、报告和应用各环节的责任和流程。

定期沟通：建立跨部门例会，共享结论和猜想，讨论数据异常，共同制定优化策略。

将LTV融入决策：单纯停留在数据层面的统计毫无意义，要么放弃LTV统计，要么融入并干预决策。

领导层支持：很简单，皇上不急太监急的事普遍干不成。

LTV统计的维度问题

问题背景是探讨LTV应该是针对某一个具体客户，还是某一个渠道客户，还是针对某一个时间段内的客户来进行。综合来看，LTV的统计意义并不是非此即彼，它可以并且应该在不同的维度上计算和分析，每个维度都服务于不同的业务目的。

不过不管基于什么业务目的，最核心的基础都是客户的分组。

直接计算单个客户的精准的LTV在大多数场景下既不现实也没有很大的必要。除非是极少数超高客单价、高度定制化的企业客户。

客户分组的意义在于，同一个组内的客户有极大的相似性特征，比如获客时间、渠道、规模等等，这决定了他们的留存率、购买力、产生的收入模式也比较相似。计算他们的平均LTV对业务的指导意义更大些。

另外就是，基于相似群体的历史行为分析，得到的结果对未来的预测更准确，是远高于基于个体客户行为做的预测的，毕竟个体客户的行为是有极大偶然性的。

2、不同维度的LTV计算及意义

比较推荐的还是按时间段/客户群的LTV统计，在特定时间段内，获得的所有客户作为一个群体的平均LTV。通过对比不同时期的LTV，可以评估市场策略、产品迭代、竞争环境变化对客户的长期价值影响。

同时，通过连续观察LTV的变化趋势，可以判断项目整体健康状况和增长质量。

按获客渠道维度统计LTV的最大作用就是优化营销预算的分配。结合渠道的获客成本，计算LTV/CAC比率。比率高的渠道表明投资回报率高，应加大投入；比率低甚至小于1的渠道则需要优化或削减预算。

当然，这也有助于更好的理解渠道的价值。不同渠道吸引的客户可能在产品使用、留存率、增购能力上有显著差异。LTV可以告诉你哪个渠道带来了真正高质量的、能带来长期利润的客户，而不仅仅是注册量或首单。

三、LTV统计单一归因到渠道导致的数据失真问题

这也是一个很常见的问题，当按照渠道做用户分组，进行LTV统计的时候，如果遇到行业市场环境的变化或者其他外部因素的强烈影响时，就会导致LTV数据严重失真，导致对渠道价值的误判。

简单点说，就是因为归因偏差导致渠道背锅。

比如某公司通过A渠道进行获客，竞对发起全面的免费补贴政策，导致A渠道获客流失率飙升。如果这时候只是单纯的仅看A渠道的LTV，结论可能是A渠道质量下降，但真实原因是全部渠道的流失率无差别上升。极有可能会因此制定错误的战略，如盲目降低A渠道的预算，而忽略了真实的威胁：竞对的经营战略变动。

3.1、解决方案：从单一渠道归因到混合归因

首先，应该区分流失的类型。比如如果是客户意向度匹配差，那渠道的因素就大一些。如果是产品体验导致的流失，那要做的就是优化产品，而不是在终端渠道上费力气。如果是因为竞对经营战略导致的行业市场格局变化，那要做的就是及时调整经营战略，决定是跟进还是转向反击。

其次，可以增加时间维度的对比，排除外部环境噪音。比如可以计算渠道历史平均流失率，监测当前流失率相对历史水平的偏移程度。

一般来说，流失率偏移度= (当前流失率 – 历史平均流失率) / 历史平均流失率 ，在此计算公式下，如果所有渠道的偏移同步扩大，基本可以判定是外部环境因素导致的。如果只是单一渠道偏移度增大，则可以初步判定是渠道问题。

四、用户的现金留存和行为留存问题

假定某订阅制产品的续费周期为月、季度、年三个时间档位。那对于首次就选择季度付费的用户，应该看看做是用户预付了3个月的服务费用，其续费行为需要分层定义，而非简单等同于连续3次月付货等待二次续费。

所谓的现金留存，是看用户是否在当前服务周期结束时再次付款，主要是用来预测收入、财务做核算。而行为留存，是看用户是否持续使用产品直至下一个周期，这对产品健康度判定尤其重要。

4.1、对用户留存的两种分析视角

假定A用户在1月1日支付了Q1费用，那应该如何评估其留存与否？

如果从财务连续视角，只要等到季度结时候观察是否二次续费即可。好处是符合收入确认逻辑，避免虚假留存。缺点是滞后性比较严重，需要Q2才能判断Q1用户的留存，延误决策。比如用户很可能在Q1中就已经停止使用，但等到Q2才被发现。

那如果从用户活跃度角度看，就要监控每个月用户是否有持续的使用行为（假定把持续使用定义为每月使用＞5天）。好处当然是可以实时发现用户的流失风险，可以和产品价值交付做深入的绑定，缺点是不能直接反映财务结果，因为用户即使每个月都很活跃，但依然有拒绝二次付费的可能。

4.2、解决思路：双轨制分层评估

首先要明确两个概念：现金留存率和行为留存率。

现金留存率是季度付费用户在服务结束后支付下一周期费用的比例，按季度统计。行为留存率是季度付费用户每月活跃度天数达标比例，按月统计。

其次是对用户行为的动态监控，比如当用户连续两个月不活跃的时候，运营部门就要及时介入。如果单月活跃度下降超过50%，要开启用户满意度相关调研工作。

最后就是季度末验证现金续费，对行为模型进行校准。如果发现行为留存但现金未续费，就要判断是否是竞品异常动作或产品本身功能出现问题。

五、对非订阅制产品（即一次性购买性质），如何看待渠道及LTV价值

现在我们可以跳出订阅制SAAS产品，去看一下那些几乎不存在复购的行业（如婚庆服务、房产中介、留学咨询、B2B大型设备销售等），其商业逻辑与订阅制SAAS有本质区别。这类业务的优化核心在于：最大化单次交易价值与获客成本的差值，同时通过客户价值延伸（要区分用户绝无复购可能，零售行业的复购不在此范围之内）弥补复购缺失。

5.1、关注的重点从LTV到单次交易价值（STV）

对这类行业，我们关注的重点，就要从LTV过度到STV。通常情况下，STV=(客单价×毛利率)+衍生价值。

对于客单价的优化，普遍的做法是针对渠道来源和客户属性分型来动态定价（仅从运营技术角度考量问题，排除相关法规等外部干扰因素），比如同样的产品或服务，对高端渠道的客户溢价15%。

当然也可以捆绑销售，通过增加高毛利的附加服务，提升客单价，比如房产中介+装修套餐设计。

至于衍生价值，则需看重量化。比如客户推荐（转介绍）推荐带来的新客户数×平均STV×转化率婚庆客户推荐1单=额外创造¥20,000的价值。

5.2、对渠道的评估要看重边际贡献率而非留存率

通常来说，边际贡献率（MCR）=(STV-CAC)/STV，当MCR＞40%的时候，应该马上扩大预算，拉升效果。当MCR在20%-40%之间时，要着重优化渠道转化链路，拉升转化率。当MCR不足20的时候，就要重新考量渠道价值，减少投入或者重新尝试其他定位看是否有转机。

比如某留学机构发现小红书渠道的MCR是35%，其他信息流广告MCR只有12%，那肯定是要把预算朝小红书倾斜的。

5.3、基于STV的运营优化思路

对于这种商业模式，运营商可以尝试从两个层面去优化。

交易层的优化要关注一次性价值的榨取，在规则允许的条件下最大程度榨取单次成交价值。可以尝试通过各种推荐加购、捆绑策略等实现。比如婚庆客户签单后，自动推送蜜月旅行套餐。

衍生价值层面，主要是客户转介绍和客户案例的资产化。同样的获客成本之下，转介绍每多一次，平均投入成本都是呈指数下降，对项目整体影响非常大，尤其是对某些工业、重定制的超高客单价行业。

最后就是关于MCR的统计周期问题，重点要解决的就是统计周期内数据的可靠性和决策时效性之间，如何取得一个平衡点。

当样本过小的时候，会造成数据扭曲，严重影响对渠道的判断。比如某些成交比较稀疏的行业，如果仅成交2-3单就进行判断，会造成MCR过度虚高。

当然，也有另一种情况，比如房产类行业，遇到政策波动时导致MCR下跌，如果没有合理的判断体系，会误杀潜力渠道。再比如留学客户签约后的2-3个月才可能会推荐新客，当月的MCR并没有体现，这可能会低估渠道的长尾价值。

诸如此类的问题还有很多，各位可以自己思考看有什么解决思路。