El LTV tiene un punto ciego

Resumen ejecutivo

El LTV es posiblemente la métrica SaaS más importante de todas porque predice el futuro: los ingresos totales que generará un cliente o una cohorte. Pero ¿la realidad coincide con esa predicción? Si no es así, ahora mismo está provocando decisiones estratégicas erróneas en miles de empresas.

El LTV es una fórmula simple: ARPA dividido por la tasa de churn. Introduces dos números y obtienes uno que estima el valor total de una relación con el cliente. Es una de las métricas fundacionales del SaaS y da forma a los presupuestos de adquisición, las expectativas de payback, las conversaciones de fundraising y la estrategia de producto.

Pero cuando comparas la predicción con la realidad, ¿qué grado de precisión tiene?

Para responder a esa pregunta, pusimos a prueba el LTV frente a la realidad en 35.512 cohortes de clientes de 3.331 cuentas de empresas de ChartMogul. En concreto, nos preguntamos: si calculabas el LTV en el momento en que se formaba una cohorte, ¿cuánto se acercaba esa predicción a la realidad 12, 24 y 36 meses después?

El titular es contraintuitivo: los errores de predicción del LTV no son aleatorios. Son sistemáticos, lo que hace que la métrica sea fiable en algunas situaciones y sistemáticamente engañosa en otras.

Conclusiones clave

• Los errores de predicción son sistemáticos, no aleatorios. Los negocios de comercio electrónico sobrestiman de forma constante el valor del cliente, mientras que los que tienen un perfil más enterprise suelen subestimarlo, porque el tamaño del cliente, la retención y la expansión interactúan de forma distinta.
• Muchas cohortes se equivocan de forma sustancial. El 28,3 % de las cohortes difiere de la realidad en más de un 50 %.
• El error mediano es pequeño solo porque los errores opuestos suelen cancelarse entre sí. El LTV es a menudo demasiado alto y demasiado bajo en cantidades similares, lo que hace que la mediana general parezca precisa.
• La mayor parte del error de predicción viene de una sola suposición: usar el ARPA de toda la empresa para estimar los ingresos de los clientes nuevos.
• De forma contraintuitiva, los clientes que pagan menos suelen quedarse más tiempo que los que pagan más, pero la expansión de los que sobreviven acaba haciendo que el LTV pase de sobrestimar a subestimar los ingresos.
• El LTV se usa mejor como métrica direccional, no como una previsión precisa. Las curvas de ingresos por cohorte y los movimientos de MRR neto aportan el contexto que falta.

En lugar de preguntarnos si el LTV es «correcto», nos preguntamos dónde falla. ¿Qué causa los errores? ¿Cómo se combinan? ¿Cómo cambian con el tiempo? ¿Y qué implican para cómo deberías usar el LTV?

Escrito por Thomas Anastaselos, con la orientación de investigación y los comentarios editoriales de Jason Cohen.

Qué asume la fórmula del LTV

LTV = ARPA ÷ tasa de churn es un modelo de dos variables. Su simplicidad viene con límites.

Para entender dónde falla, hay que empezar por lo que asume la fórmula:

Todo cliente nuevo paga lo mismo que la media de la empresa. El ARPA es un número mixto (blended). Representa a todos los suscriptores de tu cuenta ahora mismo, pequeños y grandes, nuevos y de larga permanencia, en expansión y en contracción. Cuando lo usas para predecir los ingresos que generará una cohorte nueva, estás asumiendo que los clientes que acaban de registrarse se parecen a toda tu base de clientes actual, incluidos los que llevan tres años contigo y han expandido su gasto varias veces.

La tasa de churn se mantiene constante. La tasa media de churn de clientes (logo churn) de los últimos seis meses se aplica de forma uniforme a cada cohorte nueva, sin importar quiénes son, cómo se adquirieron, cuán bien encajan con el producto o el hecho de que algunos clientes ya hayan hecho churn.

Los ingresos por cliente se mantienen planos. La expansión o la contracción no se tienen en cuenta de forma específica, solo indirectamente a través del ARPA mixto. Sea lo que sea que paguen los clientes al llegar, lo pagan para siempre, y los clientes que cancelaron pronto pagan, de media, lo mismo que los que llevan cinco años con la empresa.

Son concesiones conocidas. Los modelos más simples son más fáciles de entender y más difíciles de manipular. La pregunta es si esas concesiones importan en la práctica. Vamos a ver los datos.

Cómo lo pusimos a prueba

Para cada cuenta de ChartMogul del conjunto de datos, definimos cohortes: todos los clientes que se registraron en un trimestre natural concreto, identificados por el momento en que se convirtieron por primera vez en clientes de pago. Analizamos 20 cohortes trimestrales, de Q1 2020 a Q4 2024, en las 3.331 cuentas, lo que dio como resultado 35.512 pares (cuenta, trimestre de cohorte) en total.

En el momento en que se creó cada cohorte, registramos el ARPA de la cuenta y la tasa de churn de los últimos seis meses, exactamente como hace la fórmula del LTV. A continuación, calculamos los ingresos que predecía la fórmula del LTV para esos clientes a lo largo de 12, 24 y 36 meses.

A continuación, medimos lo que esos mismos clientes generaron realmente. Para cada cliente, hicimos seguimiento de su MRR mes a mes. Sumamos el MRR real en cada ventana temporal. Excluimos las cohortes cuya ventana de observación se extendía más allá de la fecha de corte de los datos (junio de 2026) para evitar el sesgo de censura.

Esto nos dio una comparación directa entre los ingresos predichos y los reales para los mismos clientes en el mismo periodo de tiempo, usando solo la información que estaba disponible cuando se convirtieron por primera vez en clientes de pago.

La fórmula parece bastante precisa

La cohorte típica genera un 2,4 % menos de ingresos en 12 meses de lo que predice el LTV. Suena tranquilizador.

Sin embargo, el 28,3 % de todas las cohortes tiene un error de predicción superior al 50 % en cualquiera de las dos direcciones.

La fórmula usa un ARPA mixto que incluye años de expansión de los clientes existentes. Esos clientes llevan meses o años añadiendo asientos, subiendo de plan y aumentando su gasto. Los clientes nuevos todavía no han hecho nada de eso. La fórmula asume que ya se parecen al cliente medio, aunque no han tenido tiempo de convertirse en uno.

Dos variables = dos formas de equivocarse

La fórmula tiene dos variables, así que puede equivocarse en dos sitios: el ARPA en el numerador o la tasa de churn en el denominador. Las dos están equivocadas, pero en direcciones distintas, en cantidades distintas y por razones distintas.

Modo de fallo 1: los clientes nuevos no son clientes medios.

La fórmula usa los ingresos medios mixtos por cliente de la empresa. Los clientes nuevos casi siempre pagan menos que esa media. Acaban de registrarse, lo que significa que no hay expansiones de asientos, ni subidas de plan, ni crecimiento acumulado durante años. La media mixta incluye todo eso. Así que la fórmula asume que los clientes nuevos generan unos ingresos que todavía no se han ganado.

En la mediana, este desajuste de ARPA tiene un efecto modesto en la precisión de la predicción: -4,9 %. Pero la mediana esconde cuánto varía el desajuste entre cohortes. Cuando descompusimos el error de predicción de cada cohorte en sus componentes de ARPA y de retención, el desajuste de ARPA explicó el 84,9 % de la variación en la precisión de la predicción. Dicho de otro modo: el efecto típico del ARPA es pequeño, pero las diferencias en el desajuste de ARPA son una de las principales razones por las que las predicciones de LTV son más precisas en unas cohortes que en otras.

Modo de fallo 2: las cohortes no hacen churn a la tasa media.

La fórmula usa la tasa de churn de los últimos seis meses de la empresa para proyectar cuántos clientes sobrevivirán cada mes. Pero una cohorte concreta puede hacer churn a una tasa muy distinta. Los nuevos compradores enterprise, los convertidos de SMB y los usuarios que pasan de prueba a pago no comparten las mismas curvas de supervivencia, aunque todos se hayan unido en el mismo trimestre. La media de la empresa dice poco sobre la cohorte concreta que tienes delante.

En la mediana, estos dos errores (ARPA y churn) resultan compensarse parcialmente entre sí. Por eso el -2,4 % parece pequeño.

La paradoja de la supervivencia

Uno de los hallazgos más sorprendentes es qué clientes se quedan realmente más tiempo.

La sabiduría convencional del SaaS dice que los clientes que pagan más se quedan más tiempo. Los clientes enterprise tienen lock-in, contratos plurianuales y gestión de cuenta dedicada. Los clientes más baratos tienen más alternativas, costes de cambio más bajos y menos gravedad organizativa. En WP Engine, por ejemplo, este patrón se cumple: las empresas más grandes son más difíciles de abandonar.

El conjunto de datos de ChartMogul está sesgado hacia SMB e incluye un segmento B2C considerable. Dentro de ese conjunto de datos, el patrón se invierte. Dividimos a los clientes en cuatro grupos según su MRR de registro y medimos cuántos seguían activos después de 12 meses. El resultado fue sorprendente: las tasas de retención a 12 meses caen a medida que sube el precio relativo. El cuartil más barato sobrevivió al 74 %; el más caro, a solo el 45 %.

Una segunda comprobación contó la misma historia: el MRR mediano de registro de los clientes que siguen activos cae con el tiempo, no sube. Dentro de una cohorte, los clientes que pagan más tienden a irse primero. Esto puede reflejar en parte el patrón «te conviertes en lo que cazas» descrito en nuestra investigación anterior: muchas empresas SaaS consiguen captar con éxito clientes SMB antes de subir de mercado, donde retener a los clientes más grandes se vuelve más difícil.

La expansión, no la supervivencia, es lo que infla el ARPA

A primera vista, esto parece contradecir la historia del ARPA. Si los clientes más baratos sobreviven más tiempo, ¿no debería el ARPA de la cohorte caer con el tiempo en lugar de subir? Una explicación posible es que, en mercados con mucho peso de SMB, los suscriptores más baratos tienen pocos motivos para irse. El software está integrado en su flujo de trabajo, y el coste está por debajo del umbral que activaría una decisión deliberada de cancelación.

Las empresas que pagan más son más deliberadas con el ROI. Cuando el valor no está claro, cambian de proveedor. La dinámica de lock-in enterprise que hace que los clientes B2B más grandes sean más difíciles de abandonar no se aplica al comprador SMB de 500 $/mes ni al consumidor de 29 $/mes.

Lo que esto significa para el ARPA. Si los clientes más baratos sobreviven más tiempo, entonces, a medida que envejece una cohorte, su MRR medio debería caer. Eso es lo contrario de la inflación del ARPA, y parece ser justo lo que ocurre a nivel de cliente.

Entonces, ¿de dónde viene la inflación del ARPA a nivel de empresa? De la expansión. Los clientes que se quedan suben de plan. Lo medimos directamente: el 45,6 % del MRR actual de los clientes que sobrevivieron entre 2020 y 2021 procede de la expansión posterior al registro, no de sus suscripciones originales. El ARPA mixto está inflado porque los supervivientes se expanden.

¿Qué significa esto para el LTV? El ARPA que se usa para predecir los ingresos de una cohorte nueva está inflado por la expansión que tus clientes existentes ya han experimentado, pero que los clientes nuevos todavía no han tenido tiempo de conseguir.

Hasta ahora hemos explicado por qué el LTV sobrestima inicialmente el valor de los clientes nuevos. Pero esas fuentes de error no son constantes. A medida que las cohortes maduran, los clientes empiezan a expandirse. Eso hace que, poco a poco, el desajuste inicial de ARPA pierda importancia mientras la expansión gana peso. Se puede ver el cambio cuando comparamos las mismas cohortes en horizontes temporales más largos.

Cómo cambia la predicción con el tiempo

Al principio, el ARPA mixto hace que el LTV sea demasiado optimista. Con el tiempo, la expansión de los clientes supera ese sesgo inicial. A los 24 meses, el error de predicción mediano es de +6,9 % y a los 36 meses es de +14,4 %. A los 24 meses, el LTV subestima los ingresos en lugar de sobrestimarlos.

La razón es la expansión. A los 12 meses, el desajuste de ARPA y la expansión se cancelan más o menos entre sí. A los 24 meses, ya son suficientes los clientes que han ampliado asientos y subido de plan como para que gane la expansión. A los 36 meses, la expansión acumulada empuja la cifra todavía más.

La dispersión de los resultados también casi se duplica a los 36 meses, lo que hace que el LTV sea mucho menos fiable.

No todos los negocios se comportan así

El patrón general, es decir, que los clientes más baratos se quedan más tiempo, es real pero no universal. No todas las empresas se comportan así, así que vamos a ver dónde ocurre y dónde no.

Para cada empresa, medimos la correlación entre el MRR de registro del cliente y la supervivencia a 12 meses. Una correlación positiva significa que los clientes más grandes se quedan más tiempo; una negativa, que los clientes más grandes hacen churn antes.

Esto es lo que encontramos:

El patrón enterprise esperado, es decir, que los clientes más grandes se quedan más tiempo, se cumple en solo el 14 % de las empresas. En el 37 %, ocurre lo contrario.

Las empresas B2C representan el 37,8 % del grupo negativo, pero solo el 6,6 % del grupo positivo. Esto encaja con la intuición de muchos negocios de consumo: el producto está integrado en la vida diaria, y el coste es demasiado bajo como para justificar una cancelación. Los suscriptores que pagan más, en cambio, son más deliberados y más propensos a hacer churn cuando el valor no está claro. Las pequeñas empresas B2B siguen el mismo patrón: el 77 % del grupo de correlación negativa tiene menos de 500.000 $ de ARR.

El grupo positivo (los clientes más grandes que se quedan más tiempo) es un 93 % B2B y está dominado por empresas más grandes. Es el patrón enterprise clásico: un MRR más alto viene con mayor integración, un coste de cambio más alto y una dependencia organizativa más profunda.

Estas diferencias en el comportamiento de los clientes se traducen directamente en diferencias en la precisión del LTV.

El LTV es más preciso cuando los clientes más grandes hacen churn antes, y menos preciso cuando se quedan más tiempo.

El modelo es más preciso cuando sus dos errores se compensan entre sí: sobrestima el valor de los clientes nuevos, pero esos clientes que pagan más también hacen churn más rápido, lo que acerca los ingresos reales a la predicción. Es menos preciso cuando los errores se combinan: los clientes que pagan más empiezan siendo más valiosos y además se quedan más tiempo, así que la fórmula los subestima dos veces: primero cuando se registran, y otra vez a medida que se expanden con el tiempo.

A quién falla más

El error mediano no está distribuido de forma uniforme. Las mayores diferencias aparecen según el sector, el tamaño de la empresa y el modelo de negocio.

Por sector:

El comercio electrónico tiene la mayor sobreestimación. Los clientes nuevos pagan muy por debajo de la media y muestran poca expansión, lo que deja poco margen para compensar el desajuste inicial de ARPA.

En el otro extremo de la tabla vemos la historia contraria. La inteligencia de negocio muestra el mayor efecto de expansión (1,18x), a medida que las herramientas de analítica se integran más con el tiempo y los clientes suben de plan a medida que crece el uso. Los sectores con una fuerte expansión posterior al registro muestran de forma constante errores de LTV más pequeños, a pesar de tener desajustes de ARPA similares.

Las diferencias parecen reflejar más los modelos de negocio que los sectores. El LTV es más preciso cuando los clientes nuevos se parecen a la base de clientes existente y se expanden después del registro. Es menos preciso cuando los clientes nuevos empiezan muy por debajo de la media y nunca cierran esa brecha.

Por tamaño de empresa:

Las empresas más grandes (30 M$ o más de ARR) muestran la mayor sobreestimación, pero también el menor número de grandes errores. Sus errores son grandes, con una mediana del -19 %, pero consistentes. Estas empresas llevan el tiempo suficiente en el mercado como para que sus clientes establecidos se hayan expandido de forma notable, inflando el ARPA mixto muy por encima de lo que pagan realmente las cohortes nuevas. Pero esos clientes nuevos también tienden a expandirse de forma sustancial después del registro, lo que cierra parcialmente la brecha con el tiempo.

Las empresas pequeñas (menos de 500.000 $ de ARR) ahora muestran una ligera subestimación (error mediano de +0,5 %), ya que la fórmula subestima ligeramente los ingresos de las empresas más pequeñas, posiblemente porque sus trayectorias de expansión superan lo que implica la media. Pero también tienen las cohortes menos fiables (29,5 %). Sus errores son ruidosos más que sistemáticos. De media, la fórmula acierta más o menos, pero las predicciones de cohortes individuales varían mucho.

Por modelo de negocio:

B2B y B2C presentan perfiles de precisión fundamentalmente distintos.

Para los negocios B2B, el mayor problema es el desajuste de ARPA. Los clientes existentes se han expandido, lo que empuja la media por encima de lo que pagan los clientes nuevos.

Las empresas B2C son básicamente neutrales en conjunto (error mediano de +0,4 %) y tienen la tasa más baja de cohortes muy erróneas (20,2 %). El pricing en B2C es más simple y más uniforme, lo que hace que las suposiciones centrales de la fórmula se sostengan mejor. El punto ciego de la fórmula es más pequeño en los mercados de consumo.

No basta con añadir una etiqueta de advertencia

Probamos esto usando la señal más fuerte disponible en el momento en que se crea una cohorte: el ratio de ARPA. Mide cuánto se diferencian los ingresos por cliente de una cohorte nueva de la media de toda la empresa que usa la fórmula. Como es observable de inmediato, se puede usar antes de que exista ningún dato de retención.

La lógica es simple. Si los clientes nuevos pagan sustancialmente más o menos que la media, la suposición de ARPA de la fórmula ya está equivocada. Eso, por sí solo, puede hacer que la estimación de LTV resultante no sea fiable.

Probamos distintos umbrales para marcar estas cohortes y medimos el equilibrio entre precisión y recall: con qué frecuencia la marca identificaba correctamente una mala estimación y cuántas malas estimaciones detectaba.

Para detectar el 57 % de las predicciones muy erróneas con el mejor equilibrio entre precisión y recall, tendrías que marcar al 37 % de todas las empresas. Si subes el umbral para captar solo los casos más extremos (umbral 1.00), la precisión sube al 81 %, pero solo se detecta el 10 % de las malas predicciones.

Lo cual refleja la realidad subyacente: los clientes nuevos rara vez son idénticos a la media, así que la suposición de ARPA está equivocada en cierto grado para casi todas las empresas. Una etiqueta de advertencia acabaría marcando a una gran parte de las empresas, lo que la haría poco accionable y poco creíble.

Qué significa esto para cómo usas el LTV

Hay tres formas de responder a lo que muestran los datos: ajustar cómo interpretas tu número actual, corregir la propia fórmula o apoyarte en métricas complementarias.

Ajusta cómo interpretas tu número actual.

Trata el LTV como algo direccional, no preciso. El error mediano es pequeño, pero la distribución a su alrededor es amplia. Para cualquier cohorte concreta, el resultado real podría caer fácilmente entre un 25 % y un 30 % por encima o por debajo de la predicción. Si tu objetivo de LTV:CAC ya incluye un margen de seguridad, ten en cuenta que parte de ese margen puede que ya esté absorbido por la incertidumbre normal del LTV.

Algunos ajustes específicos por segmento, basados en lo que muestran los datos:

• Comercio electrónico: aquí la suposición de ARPA es sistemáticamente demasiado optimista (error mediano de -10,9 %). Plantéate descontar el LTV entre un 10 % y un 15 % antes de usarlo para decisiones de adquisición.
• Empresas grandes (30 M$ o más de ARR): el error es predecible y va en una sola dirección. El LTV tiende a sobrestimar en aproximadamente un 20 %, sobre todo porque el ARPA mixto arrastra años de expansión de los clientes existentes.
• Trimestres con mucho peso enterprise: si los clientes nuevos son considerablemente más grandes que tu base existente, espera el problema contrario. Es probable que el LTV subestime lo que realmente valen.

Una advertencia: esto describe a la empresa típica de cada segmento, no a todas las empresas. Antes de aplicar cualquier ajuste, comprueba cuánto se acercaron tus propias predicciones históricas de LTV a la realidad.

Corrige la propia fórmula.

La corrección estructural de mayor impacto es sustituir el ARPA mixto a nivel de empresa por los ingresos reales en el momento del registro de la cohorte nueva. Como el desajuste de ARPA explica la mayor parte de la varianza del error, esto por sí solo mejoraría de forma notable la precisión, y los datos necesarios (el MRR en el momento del registro) ya existen.

La expansión es más difícil de corregir de esta forma. No se puede conocer en el momento del registro, y explica una gran parte del error restante, así que una fórmula corregida seguiría sin capturar la segunda fuente de desviación, que además es mayor. También hay un coste práctico: el ARPA real de una cohorte no queda finalizado hasta que la cohorte se cierra, lo que retrasaría el cálculo y añadiría complejidad.

Usa métricas complementarias.

Para la economía unitaria a corto plazo, el periodo de payback puede ser un sustituto más fiable. Está acotado (normalmente entre 12 y 24 meses, en lugar de un horizonte infinito) y es sensible a las variables que realmente se mueven (margen, churn temprano, CAC), aunque un único impulso de adquisición caro puede distorsionarlo temporalmente.

Para un horizonte más largo, las curvas de ingresos por cohorte muestran lo que las cohortes pasadas generaron realmente: no una proyección, sino un registro histórico. Una pendiente ascendente entre los 24 y los 36 meses señala una retención y una expansión saludables; un aplanamiento o un descenso tempranos son un problema visible y fechable.

Los movimientos de MRR neto complementan a ambas explicando por qué esas curvas tienen la forma que tienen, desglosando la expansión, la contracción, el churn y la reactivación, donde el LTV comprime todo eso en un solo número.

Ninguna vista por sí sola es completa. Juntas, dan una imagen mucho más precisa del valor del cliente que el LTV por sí solo.

La pregunta final

El LTV es limitado porque comprime dos suposiciones inestables en un solo número. Entender esas suposiciones importa más que confiar en el número en sí.

La fórmula seguirá siendo útil, porque es lo bastante simple como para explicarla en una reunión de consejo, fácil de seguir a lo largo del tiempo y buena a la hora de resumir un negocio en un solo número. Usado de forma direccional y junto a otras métricas, el LTV sigue siendo una herramienta valiosa.

Metodología y datos

Notas de metodología

• Conjunto de datos: datos de la plataforma de ChartMogul de 3.331 cuentas de empresas, que cubren de Q1 2020 a Q4 2024 y generan 35.512 pares (cuenta, trimestre de cohorte). Las cohortes se definen como todos los clientes cuyo primer movimiento de nuevo negocio ocurrió dentro del mismo trimestre natural.
• Predicción: en el momento en que se formó cada cohorte, calculamos el LTV usando la fórmula de ChartMogul, basada en el ARPA mixto de la cuenta y la tasa de logo churn de los últimos seis meses. A continuación, calculamos la predicción de ingresos implícita en el LTV para los siguientes 12, 24 y 36 meses.
• Datos reales: para cada cliente, hicimos seguimiento del MRR mes a mes y sumamos el MRR real en cada ventana temporal. Se excluyeron las cohortes cuya ventana de observación se extendía más allá de la fecha de corte de los datos (junio de 2026) para evitar el sesgo de censura.
• Métrica de error: el error de predicción es (real − predicho) / predicho × 100. Un valor negativo significa que la fórmula sobrestimó, y uno positivo, que subestimó. Las cohortes poco fiables son las que tienen un error absoluto superior al 50 %.
• Descomposición de la varianza: dividimos el error de predicción de cada cohorte en dos componentes: el desajuste de ARPA y el desajuste de retención. A continuación, medimos cuánta variación en la precisión de la predicción entre cohortes explicaba cada componente. Los dos componentes, más su interacción, explican el 100 % del error explicado.
• Correlación ARPA-retención: para cada cuenta, medimos la relación entre el MRR de registro del cliente y la supervivencia a 12 meses. Las cuentas en las que los clientes más grandes tendían a quedarse más tiempo se clasificaron como positivas; aquellas en las que hacían churn antes, como negativas; el resto, como neutrales. Se aplicó un umbral mínimo de correlación para reducir el ruido de las muestras pequeñas.

Una nota sobre los datos

Este artículo refleja un análisis realizado sobre los datos en vivo de la plataforma de ChartMogul a fecha de junio de 2026. Versiones anteriores de este trabajo mostraban errores medianos y varianzas ligeramente distintos, pero los puntos fundamentales y los factores que los afectan siguen siendo los mismos. Los cambios se deben a la evolución de los conjuntos de datos subyacentes y a cuentas de empresas añadidas o eliminadas del conjunto de datos.