Tabla de Contenidos
Puntos clave:
- LTV es una métrica comúnmente priorizada para empresas SaaS, pero rastrearla y analizarla con precisión es difícil
- El LTV simple puede proporcionar una visión detallada del valor del cliente en múltiples escenarios diferentes, aunque es posible que debas considerar un margen de error potencial
- Combinar datos estadísticos y desempeños históricos con tus datos de LTV puede proporcionar a las empresas de suscripción información más detallada y precisa
Lifetime Value (LTV) es una de las métricas más importantes que seguimos en SaaS. Nos dice el valor que nuestros clientes aportan a nuestro negocio.
Típicamente, LTV se estima usando un cálculo LTV "simple". ¿Pero es realmente efectivo?
En un artículo anterior, exploramos los inconvenientes de usar métricas de churn. Encontramos que los cálculos de churn nos engañan en algunas circunstancias, como cuando hay muchos clientes a corto plazo, lo que puede dificultar la identificación precisa de usuarios enriesgo de churn y requiere una evaluación cuidadosa del churn de cliente frente a churn de ingresos..
Nuestra métrica más popular para LTV es una métrica basada en "churn", donde el churn está en el denominador al calcularlo. Entonces, ¿qué dice eso sobre nuestros cálculos de LTV? ¿A veces están equivocados?
En este artículo, vamos a probar la métrica LTV "simple".
- ¿Cuándo es precisa?
- ¿Dónde nos engaña?
- ¿Qué tan cerca nos acerca al LTV real?
Cálculo del LTV simple
Antes de profundizar, revisemos qué es el LTV "simple". Aquí está la fórmula
LTV = Ingresos mensuales promedio por usuario/churn de usuario
Observe que incluye churn en el denominador.
Si el churn nos engaña para la retención de clientes, ¿también nos engaña para los cálculos de valor de por vida?
Ejecutemos algunas simulaciones donde conocemos el valor real de LTV y veamos cómo el método "simple" lo estima.
Escenario 1: LTV en un negocio estancado con muchos suscriptores a corto plazo
Aquí tenemos nuestro primer escenario: un negocio estancado donde nada cambia. Las inscripciones se mantienen igual. Las bajas se mantienen igual, y la vida útil promedio de una suscripción no cambia. Aquí hay un resumen:
- Inscripciones promedio por mes: 30
- Vida útil promedio de la suscripción: 2 meses
- Precio de suscripción: $20/mes
- Valor de por vida promedio: $40
- Muchos suscriptores a corto plazo
El gráfico a continuación ilustra una simulación donde generamos los datos nosotros mismos usando parámetros conocidos (como tasas de inscripción y vidas útiles de suscripción). Podemos evaluar métricas clave, como LTV "simple", comparándolas con la realidad.
Aquí hay un vistazo a la población de suscriptores activos en la simulación que describimos anteriormente:
Observe cómo la población de suscriptores activos crece rápidamente durante los primeros 20 meses, luego la población fluctúa por encima y por debajo de la línea de puntos roja durante el resto de la simulación. Después de aproximadamente 15 meses, el negocio está verdaderamente estancado. La línea de suscriptores activos morada se mantendrá siempre cerca de la línea de puntos roja, fluctuando alrededor de 72 suscriptores.
Una métrica de LTV debe ser fácil de manejar en un escenario de negocio estancado porque nada cambia. La métrica debe tener muchos datos para capturar el LTV real. ¿Pero puede nuestra métrica LTV "simple" acercarse al LTV real que conocemos?
Desglose por mes
Calculemos LTV cada mes en la serie de tiempo anterior. Comenzaremos con pequeñas cantidades de datos en los primeros meses, pero a medida que nuestro conjunto de datos crezca, la estimación debería acercarse más al valor de LTV real. ¿Lo hace?
El gráfico anterior muestra la estimación de LTV simple calculada cada mes. La línea azul indica el valor de por vida real para esta base de clientes. Observe que mientras el negocio está en su fase de crecimiento, nuestro LTV "simple" subestima significativamente el LTV real.
Solo para recapitular, conocemos el LTV en esta situación simulada ya que lo hemos elegido. Luego usamos la métrica LTV simple para calcular LTV. Luego, comparamos la métrica LTV simple y la métrica LTV, que es un parámetro de la simulación, para ver si eran iguales o no.
El LTV simple comienza cerca de cero. Comienza pequeño porque la población de clientes aún no se ha estabilizado, y muchos clientes a corto plazo se están dando de baja en relación con el resto.
El LTV simple es mucho más cercano a la realidad cuando la población se estabiliza, pero tendemos a subestimar el LTV. La estimación promedio de LTV cuando la población se estabiliza es $32. Eso es 20% menos que el valor real de $40. Es una subestimación, ¡pero sorprendentemente, no es terrible!
Los Resultados
Aunque no es perfecto, los cálculos simples de LTV en el escenario anterior parecen utilizables, solo aproximadamente un 20% de diferencia.
Pero, ¿cómo se desempeña el cálculo "simple" de LTV en una base de clientes más típica del usuario de Baremetrics, donde los clientes se suscriben durante un promedio de algunos años?
Escenario 2: LTV en un Negocio Estancado con Suscriptores a Largo Plazo
¿Qué pasaría si intentáramos la simulación con una base de clientes diferente? ¿Seguiríamos obteniendo subestimaciones? Intentemos una nueva simulación con menos suscriptores a corto plazo. ¿Sería mejor nuestra estimación de LTV? una vez se reduce la rotación? (Recuerda: La rotación es inevitable, aunque muchas marcas se esfuerzan por pérdida negativa.)
El gráfico a continuación representa una simulación diferente. Los parámetros son los mismos que antes, excepto por una distribución diferente de suscriptores. Esta población se asemeja mucho a un cliente real de Baremetrics.
En esta simulación, hay menos suscriptores a corto plazo, y la vida útil promedio de la suscripción es de 3.7 años. Si la suscripción promedio dura 3.7 años, entonces el LTV real es $904.
Esto se calcula multiplicando 3.7 años x 12 meses x $20 mensuales.
¿Puede el LTV "simple" acercarse a esa cifra de $904?
En el gráfico anterior, la línea amarilla representa el cálculo simple de LTV calculado cada mes a medida que avanza la simulación. Nota que obtenemos sobreestimaciones dramáticas al principio. ¿Por qué es así? Es porque tenemos más suscriptores a largo plazo. Muy pocos clientes se dan de baja en los primeros meses de este proceso. Como resultado, nuestra estimación para LTV es demasiado alta porque nuestras estimaciones esperan que las suscripciones duren para siempre con una tasa de abandono tan baja.
Sin embargo, la población de clientes se estabiliza después de 3.7 años. Después de 3.7 años, obtenemos estimaciones cercanas al LTV real (línea azul). Además, parece ser una estimación mucho más precisa que en nuestro escenario anterior. ¡Solo está fuera por algunos puntos porcentuales!
Los Resultados
Entonces, como veredicto, el LTV "simple" no es tan malo cuando los clientes permanecen a largo plazo, y ¡nada cambia fundamentalmente en el negocio! Especialmente considerando los problemas que discutimos en nuestro post anterior sobre rotación.
Entonces, ¿podemos encontrar un escenario donde el LTV "simple" falla? Quizás el LTV "simple" falla cuando la población de clientes cambia rápidamente. Tal vez veamos el mismo problema aquí porque nuestra estimación simple de LTV sobrestima enormemente el valor de vida útil durante los primeros dos años.
Escenario 3: LTV en un Negocio en Crecimiento
Intentemos otra simulación para explorar este problema más a fondo. Mantengamos todo igual al escenario que hicimos arriba, pero con una diferencia clave.
Supongamos que tenemos un excelente equipo de marketing que aumenta constantemente el número de registros mensuales, y nuestra tasa de registro promedio aumenta en un por ciento cada mes.
Después de 100 meses, deberíamos obtener el doble del número de clientes en promedio cada día. Sin embargo, el valor de vida útil no cambia. ¿Este crecimiento extremo arruina nuestra estimación de LTV?
Aquí hay un gráfico de la base de clientes activa:
A medida que obtenemos más registros, nuestra población de clientes activos se dispara hacia arriba.
¡Increíble! ¿Cómo se desempeña nuestro cálculo de LTV?
Consulta el gráfico a continuación:
Los Resultados
En el gráfico anterior, vemos cómo las estimaciones "simples" de LTV (amarillo) tardan más en converger con el valor real de LTV (línea punteada).
Las estimaciones eventualmente convergen con el valor real, pero solo después de aproximadamente diez años. Incluso cinco años en esta serie de tiempo, nuestras estimaciones de LTV pueden estar fuera por hasta el 50%.
Parece que la estimación "simple" de LTV es sensible a una población de clientes cambiante, aunque el tamaño de la población de clientes no debería tener nada que ver con el valor de vida útil individual.
Esta sensibilidad al tamaño de la población se debe a que la estimación simple de LTV depende de la rotación, que es sensible a un tamaño de población que cambia rápidamente.
Intentemos una Métrica Diferente para LTV
¿Podemos encontrar una métrica mejor para LTV? ¿Una que no se distorsione por las tasas de registro cambiantes? En lugar de la estimación simple de LTV, construyamos una basada en estadísticas.
En este ejemplo, estimemos la vida útil promedio de un cliente usando un modelo estadístico. Usando nuestros datos, construiremos un modelo estadístico para duraciones de suscripción.
Usaremos la regresión de Weibull como nuestro modelo estadístico. Alimentamos datos al modelo, y producirá una estimación para la vida útil promedio de la suscripción.
Luego, multiplicamos la vida útil promedio de la suscripción por nuestra tasa mensual de $20/mes para obtener una estimación de LTV. ¿Cómo se compararía tal estimación con el LTV "simple"?
Repitamos la simulación anterior con tasas de registro de clientes crecientes y calculemos el LTV de ambas formas para comparar.
En el gráfico anterior, mostramos estimaciones de LTV a lo largo del tiempo. La estimación "simple" de LTV es azul, y la estimación estadística es púrpura.
Observa cómo el método estadístico converge con el valor de LTV real (línea punteada) mucho antes que la estimación "simple". Con la estimación estadística, obtenemos dentro de algunos puntos porcentuales del LTV real con aproximadamente 18 meses de datos, mucho antes de que la base de clientes alcance una población estable.
En contraste, la estimación basada en rotación tarda diez años en ponerse al día y nunca alcanza el mismo nivel de precisión. La estimación estadística supera a la simple basada en rotación.
Las Estadísticas Superan el LTV "Simple", Pero ¿Podemos Hacerlo Mejor?
Una nota interesante: Observa cómo, al principio del gráfico anterior, la estimación basada en rotación sobrestima el LTV real, mientras que el método estadístico lo subestima. ¿Por qué? Ambas distorsiones ocurren porque estas estimaciones son ingenuas. No saben nada antes de ver datos, así que comienzan con estimaciones absurdas: la estimación estadística comienza en cero, y la "simple" basada en rotación comienza cerca del infinito.
Entonces, ¿podemos mejorar nuestras estimaciones dándoles un mejor punto de partida antes de que vean algún dato?
Buenas noticias: Sí.
Resulta que podemos mejorar nuestra estimación estadística educando al modelo. Si el modelo comienza con una idea vaga de cómo se ve una vida útil promedio de suscripción, basada en experiencias previas o experiencias de compañeros. Digamos que esperamos que una vida útil de suscripción dure aproximadamente un año. Una estimación general amplia, pero más realista que cero. Luego, a medida que llegan los datos, actualizamos nuestras estimaciones.
A medida que recopilamos más datos, nuestro punto de partida vago desaparecerá gradualmente, cediendo el paso a lo que los datos nos digan. Pero inicialmente, ayudará al comenzar más cerca de la verdad.
Lo que estamos haciendo se llama regularización en estadísticas y aprendizaje automático. Es una técnica donde agregamos sesgo a nuestro modelo—el tipo de sesgo bueno. Pone más peso en puntos de datos realistas y trata observaciones extremas con escepticismo. Obtenemos mejores estimaciones como resultado.
A continuación, hemos agregado una estimación nueva y mejorada que utiliza regularización. Es similar a la estimación estadística, pero hace uso de algo llamado Prior bayesiano. Un prior es como una preconcepción vaga. Nos empuja a ajustar nuestras estimaciones hacia lo que sabemos que son duraciones de suscripción razonables, para que nuestras estimaciones comiencen más cerca de la realidad. Veamos cómo funciona:
Hemos añadido una estimación estadística mejorada (verde) en el gráfico anterior. Observe cómo la nueva estimación supera a las otras en los primeros meses. Esta mejora hace exactamente lo que pretendíamos.
Nuestra estimación mejorada está más cerca del valor real de LTV en los primeros meses. Sin embargo, a medida que llegan los datos, las dos estimaciones estadísticas convergen, eventualmente volviéndose indistinguibles.
Usar Baremetrics para rastrear con precisión las métricas clave de rendimiento
Esperamos haber demostrado que es posible encontrar mejores métricas de LTV que las basadas en churn. Las estimaciones de LTV basadas en churn pueden ser muy imprecisas, especialmente cuando hay pocos datos. Podemos reemplazarlas con estas métricas mejores. Además, también podemos ajustarlas para que se adapten mejor a nuestro campo en SaaS.
Baremetrics proporciona datos precisos y actualizados para 26 métricas de rendimiento y financieras que son críticas para empresas SaaS, incluyendo churn bruto versus neto, ingresos recurrentes mensuales y por supuesto LTV. Si desea reducir cancelación de SaaS— o incluso analizar la desactivación para comprender mejor por qué los clientes no se retienen—, Baremetrics puede ayudar.
También tenemos funciones avanzadas de segmentación de clientes, Información de Cancelación para proporcionar información sobre la cancelación de clientes, y Recover para prevenir churn involuntario con gestión de cobranza.
¿Cansado de perder tiempo en hojas de cálculo? Obtén un prueba gratuita de Baremetrics hoy!
