# Модель LTV для бизнеса без подписки: историческая, когортная или прогнозная

> Три отчета — три разных LTV. Показываем на одних данных, где ошибается каждая модель и в какой момент пора переходить к прогнозу.

**Рубрика:** Статьи  
**Автор:** Екатерина Чернова, CRM-маркетолог, ClientCore  
**Дата:** 2026-11-03

Финансовый директор приносит на планерку LTV 16 700 ₽. У маркетинга в дашборде 11 300 ₽. Подрядчик по аналитике прислал презентацию с цифрой 9 600 ₽. Все трое уверены в своих расчетах, и формально все правы. Именно по этим цифрам решают, сколько можно платить за привлечение клиента, сколько бюджета отдать удержанию и окупается ли программа лояльности. При разнице почти вдвое любое из этих решений может оказаться ошибкой.

В бизнесе с подпиской LTV считать относительно просто: клиент либо платит, либо отписался. В ритейле, e-commerce, ресторанах и оптике клиент никуда не уходит официально. Он просто перестает покупать, и вы узнаете об этом спустя месяцы. Поэтому модель LTV здесь определяет итоговую цифру не меньше, чем сами данные. Екатерина Чернова, CRM-маркетолог ClientCore, прогнала три подхода через один массив транзакций. Ниже ltv пример расчета: видно, откуда берутся расхождения и какой цифре стоит доверять.

> **Читайте также:** [LTV в ресторане: как считать ценность гостя при коротком цикле и высокой частоте визитов](https://clientcore.ru/blog/articles/ltv-v-restorane-kak-schitat-cennost-gostya-pri-korotkom-cikle-i-vysokoy-chastote-vizitov)

## Один массив данных и три разных LTV

Возьмем условную сеть магазинов товаров для дома. Это собирательный пример, но пропорции типичны для mid-market-ритейла с программой лояльности. В базе 48 000 клиентов с идентифицированными покупками за 36 месяцев, с 2022 по 2025 год. Выручка с них составила 682 млн ₽. Средний чек — 3 100 ₽, в среднем 1,8 покупки в год. При этом 62% клиентов за первый год купили ровно один раз.

На этих данных три подхода дают четыре цифры:

| Модель | Как считали | LTV |
|---|---|---|
| Историческая (среднее) | 682 млн ₽ / 48 000 клиентов | 14 200 ₽ |
| Классическая формула | 3 100 ₽ × 1,8 × 3 года | 16 740 ₽ |
| Когортная | накопленная выручка когорты января 2023 за 30 месяцев | 11 300 ₽ |
| Прогнозная | BG/NBD + Gamma-Gamma, горизонт 3 года, клиенты 2025 года | 9 600 ₽ |

Ошибки в арифметике здесь нет ни в одной строке. Модели отвечают на разные вопросы и по-разному искажают ответ. Расхождение между максимумом и минимумом — 74%. При стоимости привлечения около 2 500 ₽ одна цифра говорит, что закупку трафика можно смело расширять. По другой, при марже 38%, на привлечение уходит почти 70% валовой прибыли с клиента.

## Историческая модель и классическая формула

Сначала самое популярное. Любой материал о том, как правильно считать LTV, начинается с формулы расчета: «средний чек × частота покупок × срок жизни клиента». Вторая версия еще проще: вся выручка делится на число клиентов. Обе считаются за пять минут в Excel. Обе неплохо подходят, чтобы прикинуть масштаб, и плохо подходят для управленческих решений.

У ltv формулы расчета с частотой и сроком жизни три слабых места. Первое — срок жизни. В бизнесе без подписки его никто не измерял. Цифру «3 года» обычно берут из головы или из отраслевого обзора. Второе — частота 1,8. Это среднее по всем, и оно одинаково применяется и к постоянному покупателю, и к человеку, который зашел один раз по акции. Когда однократных покупателей 62%, среднее описывает клиента, которого в базе почти нет. Третье — формула предполагает, что клиент все три года покупает с одной и той же частотой. На деле активность к концу первого года обычно падает в разы.

Деление выручки на число клиентов страдает другим. В знаменателе смешаны клиенты 2022 года с тремя годами истории и клиенты прошлого месяца с одной покупкой. Цифра 14 200 ₽ зависит от того, когда вы сделали выгрузку. Если весной была крупная акция на привлечение, средний LTV упадет. Это не значит, что клиенты стали хуже: в базу просто пришло много людей без истории.

> Чаще всего вижу, как LTV по формуле закладывают в юнит-экономику привлечения. Срок жизни ставят три года, потому что „у конкурентов так“. Потом выясняется, что после 14 месяцев без покупки у этого ритейлера возвращается меньше 5% клиентов. Реальный горизонт оказывается вдвое короче, и закупка трафика годами шла по завышенной планке.
>
> — Екатерина Чернова, CRM-маркетолог, ClientCore

**Норма**

- историческим средним пользуются для грубой оценки и сравнения год к году при одинаковой дате выгрузки
- срок жизни клиента берут из своих данных: через сколько месяцев без покупки клиент почти не возвращается
- частоту и чек считают отдельно для однократных и повторных покупателей

**Red flag**

- LTV по формуле напрямую задает допустимую стоимость привлечения
- срок жизни взят из отраслевого бенчмарка и не проверялся на своих данных
- одна общая цифра LTV на всю базу, без разбивки по сегментам или когортам

## Когортная модель: точная цифра с опозданием на год

Когортный подход отвечает на честный вопрос: сколько на самом деле принесли клиенты, пришедшие в определенном месяце. Берем всех, кто впервые купил в январе 2023 года (в нашем примере это 2 150 человек), и смотрим, как растет накопленная выручка на одного клиента. Через 12 месяцев — 7 900 ₽, через 24 — 10 600 ₽, через 30 — 11 300 ₽.

Видно то, чего формула не показывает: кривая быстро выходит на плато. Между 24-м и 30-м месяцем прибавилось всего 700 ₽. Основная ценность клиента складывается в первые полтора года, дальше поведение определяет небольшое ядро постоянных покупателей. Это полезно для CRM: если клиент не стал повторным в первые 3–4 месяца, вероятность этого потом заметно ниже, и welcome-цепочку и реактивацию стоит собирать вокруг этого окна.

Главная слабость когорт — запаздывание. Чтобы узнать двухлетний LTV, нужно ждать два года. Цифра 11 300 ₽ описывает клиентов, пришедших при другом ассортименте, других ценах и других каналах привлечения. Если в 2025 году половина новых клиентов пришла с маркетплейсов или по агрессивной скидке, когорта 2023 года об этом ничего не скажет. Вторая проблема — маленькие когорты. Когда в месяц приходит 300–400 новых клиентов, один оптовый покупатель может сдвинуть средний LTV когорты на 15–20%. Помогает объединение в квартальные когорты и медиана рядом со средним.

> Когорты — первое, что я прошу показать на аудите. За час по ним видно больше, чем по месяцу дашбордов. Если новая когорта к 12-му месяцу лежит ниже 7 900 ₽, которые набрала январская когорта 2023 года, привлечение ухудшается. Никакая средняя цифра LTV этого не покажет.
>
> — Екатерина Чернова, CRM-маркетолог, ClientCore

## Прогнозная модель: что внутри и когда она дает сбой

Прогнозная модель LTV пытается ответить на вопрос, который нужен бизнесу: сколько принесет вот этот клиент за следующие N месяцев. Для неконтрактных бизнесов стандарт — вероятностные модели BG/NBD или Pareto/NBD. По каждому клиенту они берут три параметра: сколько было повторных покупок, когда была последняя и как давно клиент в базе. По ним модель оценивает вероятность, что клиент еще активен, и ожидаемое число покупок. Сумму чека добавляет модель Gamma-Gamma. В более зрелых командах используют градиентный бустинг на сотнях признаков: категории, каналы, реакция на рассылки, использование бонусов.

В нашем примере прогноз дал 9 600 ₽ для клиентов, пришедших в 2025 году. Это ниже когортной оценки, и причина понятна. Модель видит, что у свежих клиентов дольше пауза между первой и второй покупкой, а доля однократных выросла. Когорта 2023 года этого сдвига не учитывает. На этом примере видно главное преимущество прогноза: он замечает изменения качества базы раньше, чем они проявятся в фактической выручке.

Ошибается прогнозная модель там, где нарушены ее допущения. BG/NBD исходит из того, что клиент покупает с более-менее стабильной частотой, пока не уходит насовсем. Сильная сезонность, вроде товаров к школе или новогодних подарков, это допущение нарушает. Нарушают его и крупные промо-волны, и резкая смена ассортимента. Еще одна проблема — однократные покупатели. По клиенту с одной покупкой модели почти не на что опираться. Если таких 70%, прогноз для большой части базы сводится к среднему по похожим клиентам.

> Прогнозную модель обязательно проверяем на отложенном периоде. Обучаем на данных до июня, прогнозируем июль — декабрь и сравниваем с фактом. Если ошибка по сегментам больше 20–25%, модели нельзя доверять распределение бюджета. Однажды модель завышала ценность клиентов из черной пятницы почти вдвое. Она приняла разовый всплеск за привычку.
>
> — Екатерина Чернова, CRM-маркетолог, ClientCore

**Норма**

- модель проверена на отложенном периоде, точность известна по сегментам
- прогноз используют для ранжирования клиентов и сегментов, точные рубли — вторичны
- модель переобучают хотя бы раз в квартал и после крупных изменений ассортимента

**Red flag**

- прогнозный LTV показывают с точностью до рубля без доверительного интервала
- модель обучили один раз при внедрении и больше не трогали
- в обучающих данных нет офлайн-покупок, хотя офлайн дает половину выручки

## Выручка или маржа: вторая причина расхождений

Даже при одной модели два отдела часто получают разные цифры, потому что считают разное. Маркетинг считает LTV по выручке, финансисты — по валовой марже, иногда за вычетом бонусов и стоимости коммуникаций. В нашем примере при марже 38% исторический LTV 14 200 ₽ превращается в 5 400 ₽. С этой цифрой и нужно сравнивать стоимость привлечения в 2 500 ₽, а не с выручкой.

Еще два источника расхождений встречаются реже, но тоже искажают картину. Первый — возвраты. В fashion они съедают 20–30% выручки, и LTV без их учета заметно завышен. Второй — дисконтирование. Рубль через три года стоит меньше сегодняшнего. На горизонте 1–2 лет это можно не учитывать, но если LTV считают на пять лет вперед для обоснования инвестиций в лояльность, без ставки дисконтирования цифра будет завышена.

Правило простое: в каждом отчете рядом с LTV должны стоять четыре пометки — модель, горизонт, база (выручка или маржа) и дата выгрузки. Тогда три разные цифры на планерке перестают спорить друг с другом. Сразу видно, что это ответы на разные вопросы.

## Какую модель выбрать на вашей стадии зрелости CRM

Выбор модели LTV зависит прежде всего от состояния данных. Самая сложная модель на грязной базе дает аккуратно оформленную, но неверную цифру. Мы обычно ориентируемся на три стадии.

**Стадия 1: данные пока разрозненные.** Офлайн-чеки привязаны к клиенту меньше чем в половине случаев, есть дубли, история короче года. Здесь достаточно исторического LTV по марже в разбивке «однократные / повторные», плюс работа над идентификацией. Любая модель на такой базе будет описывать только тех, кто показал карту лояльности, и это заведомо более лояльная часть аудитории.

**Стадия 2: единый профиль клиента и история от 18 месяцев.** Здесь больше всего пользы от когортного анализа: по месяцам или кварталам, отдельно по каналам привлечения. Когорты показывают, где растет повторная покупка, а где растет только первая. Здесь же удобно измерять эффект от CRM. Мы видели это на практике: у «Браво-Оптики» после внедрения Mindbox, запуска email-канала и каскадных цепочек выручка CRM-направления выросла на 14,62% за 10 месяцев ([кейс](https://clientcore.ru/blog/articles/keis-bravo-optika-rost-vyruchki-crm)). Такой эффект корректно оценивать по когортам на горизонте в несколько месяцев: одна средняя цифра его размоет.

**Стадия 3: стабильная идентификация больше 70% выручки, история от двух лет, регулярные коммуникации.** Можно строить прогнозную модель. Ее главная ценность в том, что каждый клиент получает ожидаемую ценность, и по ней можно сегментировать. Клиентам с высоким прогнозом и падающей вероятностью активности — персональная реактивация. Клиентам с низким прогнозом — меньше дорогих касаний. Логика близка к той, с которой мы работали в MINIDINO: ставка на точность сегментов вместо охвата всей базы дала +110% к эффективности email за квартал ([кейс](https://clientcore.ru/blog/articles/keis-minidino-rost-effektivnosti-email)).

**Норма**

- модель подобрана под качество данных, при сомнении выбирают более простую
- переход к прогнозу начинается после того, как когортные кривые стабильны и понятны команде
- одна согласованная «главная» цифра LTV для бюджета, остальные — для диагностики

**Red flag**

- прогнозную модель строят при 40% неидентифицированных чеков
- LTV пересчитывают «под задачу»: для защиты бюджета — одной моделью, для отчета — другой
- никто в компании не может объяснить, из чего складывается цифра в дашборде

> **Читайте также:** [Удержание клиентов и LTV: как связать две метрики в одну модель решений](https://clientcore.ru/blog/articles/uderzhanie-klientov-i-ltv-kak-svyazat-dve-metriki-v-odnu-model-resheniy)

---

[Открыть статью на сайте](https://clientcore.ru/blog/articles/model-ltv-dlya-biznesa-bez-podpiski-istoricheskaya-kogortnaya-ili-prognoznaya)