Чем ARPU отличается от LTV?

ARPU — выручка на клиента за фиксированный период: месяц, квартал. Это снимок текущего состояния. LTV — оценка совокупной выручки за всю жизнь клиента. ARPU по когортам связывает эти метрики: кривая ARPU по месяцам жизни когорты — фактически эмпирический LTV, посчитанный на реальных данных, без модельных допущений.

Какой период брать для расчета ARPU?

Под цикл покупки в категории. Быстрые категории — месяц, длинный цикл — квартал или полгода. Важнее не длина, а постоянство: период должен быть одинаковым во всех отчетах, иначе динамика превращается в шум.

Что делать с маленьким сегментом, где ARPU зашкаливает?

Сначала проверить, не артефакт ли это: два-три крупных заказа раздувают среднее в маленькой группе. Если картина устойчивая — это кандидат на персональные сценарии и ручной подход. Но соотносите усилия с объемом: сегмент в 200 человек не тянет отдельную команду, ему хватает одной точной механики.

Как понять, что ARPU сегмента низкий?

Сравнивайте сегменты между собой и сами с собой год назад. Рыночные бенчмарки почти бесполезны: у всех разный знаменатель, разная маржинальность и разный цикл покупки. «Низкий» — это когда сегмент заметно ниже соседних при сопоставимом потенциале.

ARPU по сегментам и когортам: как найти, где база недобирает выручку

Открываете дашборд: ARPU 1 240 рублей, плюс-минус на уровне прошлого квартала. Выглядит спокойно. Потом режете базу на сегменты — и картина меняется: 12% клиентов приносят почти половину выручки, треть покупает только по промокодам, а пласт «уснувших» покупателей с высоким первым чеком полгода не получал ничего, кроме общих акций. Среднее значение все это аккуратно сгладило.

Средний ARPU честен арифметически и почти бесполезен управленчески. Чтобы увидеть, где база недобирает, нужен расчет ARPU в разрезе — по сегментам и в динамике когорт. Как это делать на практике, рассказывает Екатерина Чернова, CRM-маркетолог ClientCore.

Почему средний ARPU по базе врет

Сама формула проста: выручка за период делится на число активных клиентов. Ловушка в знаменателе. Когда там вся база, разные группы складываются в одну кучу, и их поведение взаимно гасится.

Допустим, база 80 000 контактов, выручка за квартал — 96 млн рублей. Средний ARPU — 1 200. Теперь режем по RFM: чемпионы (8% базы) дают 6 800 на клиента, лояльные — 2 400, новички — 900, спящие — 140. Среднего 1 200 нет ни в одной реальной группе. План коммуникаций, построенный под «среднего клиента», не попадает ни в кого.

Хуже другое: средний ARPU маскирует динамику. Чемпионы просели на 20% за квартал, но приток новичков вытянул общее число в ноль. По дашборду все тихо, а через два квартала это вылезет падением выручки, которое уже не спишешь на сезонность.

Расчет ARPU: данные, период и места, где спотыкаются

Для расчета ARPU нужно немного: заказы с суммой, датой и id клиента, статусы возвратов и отмен, дата первой покупки или регистрации. В Mindbox это выгружается стандартными отчетами, в связке «CRM + Google Sheets» собирается за вечер. А вот с договоренностями начинаются сложности.

Первая договоренность — кто считается активным. Вся база с валидным контактом? Только покупавшие за период? Подписанные на рассылки? На одной и той же выручке разные знаменатели дадут ARPU, отличающийся в разы. Выберите одно определение, запишите его и не меняйте между отчетами — иначе сравнение превратится в гадание.

Вторая — период. Он должен отражать цикл покупки в вашей категории: для косметики и еды осмыслен месяц, для мебели или электроники — квартал и длиннее. И третья: выручка должна быть чистой, минус возвраты и отмены. Один невычтенный возврат на 300 тысяч в маленьком сегменте рисует рост, которого не было.

Норма

знаменатель зафиксирован: например, клиенты с валидным контактом и активностью за последние 12 месяцев
возвраты и отмены вычтены из выручки до расчета
период привязан к циклу покупки и одинаков от отчета к отчету

Red flag

в знаменателе вся база, включая отписанных и невалидные контакты
в выручке сидят разовые оптовые заказы, ломающие среднее по сегменту
период скачет: в этом квартале считали по месяцу, в прошлом — по кварталу

ARPU по сегментам: по каким осям резать базу

Осей много, но рабочий набор обычно такой: RFM (давность, частота, сумма), категорийный профиль (что человек покупает), канал привлечения, скидочная чувствительность (доля заказов по промо) и стадия жизненного цикла. Пять разрезов — уже достаточно, чтобы утонуть.

Поэтому начинайте с двух: RFM плюс канал привлечения. RFM покажет, где концентрируется выручка и где она засыхает. Канал добавит второе измерение: нередко выясняется, что клиенты из одного источника системно дешевле остальных, и это уже вопрос к качеству привлечения. Остальные оси подключайте под конкретную гипотезу, а не на всякий случай: двести микросегментов по тридцать человек не дадут ничего, кроме красивой таблицы.

Что искать в разрезе: аномалии. Сегменты, где ARPU сильно выше среднего и при этом приличный объем людей, — кандидаты на персональные сценарии. Большие сегменты с ARPU заметно ниже среднего — главный резерв роста: поднять их на 15–20% часто дает больше денег, чем выжимать чемпионов, которые и так покупают на пределе.

ARPU по когортам: динамика, которой не видно в среднем

Когорта — группа клиентов с общим стартом: месяц первой покупки или регистрации. ARPU по когортам считается по месяцам жизни: первый месяц, второй, третий и дальше. Получается кривая: январская когорта начала с 1 100 рублей, ко второму месяцу — 420, к шестому — 350.

Ценность в сравнении кривых. Если у свежих когорт второй месяц просел с привычных 400–420 до 250, что-то деградировало: welcome-цепочка, качество трафика, ассортимент второго заказа. Средний ARPU по базе покажет это месяца через четыре, когда латать будет дороже. Когорты показывают сразу.

Сезонность — отдельная ловушка. Декабрьская когорта в подарочных категориях всегда выглядит сильной на старте и слабой дальше. Сравнивайте когорты год к году: декабрь с декабрем, май с маем. И не делайте выводов по когорте, которой исполнилось два месяца, — кривая еще не дорисовалась.

Норма

когорты сравниваются на одинаковом месяце жизни
сезонные когорты сверяются с прошлогодними
видно, где ломается кривая: на 2–3 месяце (онбординг) или ближе к году (усталость)

Red flag

декабрьская когорта записана в провальные из-за сезонного спада после пика
выводы сделаны по когорте, прожившей два месяца
когортный анализ строится раз в год «для отчета»

Где база недобирает чаще всего: четыре типовые находки

За десятки аудитов картина повторяется с небольшими вариациями. Вот что всплывает почти всегда.

1. Спящие VIP. Высокий исторический чек, давно не покупали, получают общие акции. По затратам на рубль выручки это одна из самых дешевых групп для реактивации: они уже знают бренд и умеют у вас покупать. 2. Новички с высоким первым чеком. Потенциал лояльных, коммуникация — как у всех. Второй заказ не подогрет, когорта скатывается по кривой, описанной выше. 3. Скидочный сегмент. ARPU по выручке выглядит прилично, ARPU по марже — нет. Если режете базу, считайте оба, иначе половина выводов будет про убыточный рост. 4. Канальный перекос. Один источник приводит клиентов системно дешевле остальных. CRM здесь ни при чем, но именно сегментный разрез это показывает.

Такой разбор мы проводили в аудите CRM-маркетинга для Tripster: по шагам проверили, где теряется выручка, и заметная часть находок лежала именно в сегментных перекосах — подробности в кейсе.

От цифр к плану: как разрез превращается в рост ARPU

Находка сама по себе денег не приносит. Работает цепочка: находка → гипотеза → сценарий → метрика контроля. Спящие VIP — реактивационная цепочка с персональным подбором товаров, контроль — ARPU сегмента через 60 дней. Новички с высоким чеком — онбординг с кросс-сейлом, контроль — ARPU второго месяца когорты. Скидочный сегмент — тест на снижение глубины промо, контроль — маржинальный ARPU.

Приоритизация простая: размер сегмента умножить на разрыв ARPU до целевого уровня. Получается грубая оценка денег на столе. Берите в работу два-три сегмента за спринт — больше команда не потянет качественно, а размазанные усилия не дадут чистых выводов.

У MINIDINO сработал фокус на точность: пересобрали логику рассылок под сегменты, и эффективность email выросла на 110% за квартал — без единой дополнительной отправки (кейс).