LTV には死角がある

エグゼクティブサマリー

LTV はおそらく、SaaS において最も重要な指標です。顧客やコホートが将来生み出す収益の総額を予測するからです。しかし、現実はその予測と一致しているのでしょうか。もし一致していないなら、今この瞬間にも、何千もの企業で誤った戦略判断が下されていることになります。

LTV はシンプルな計算式です。ARPA をチャーン率で割るだけです。2 つの数字を入力すれば、顧客との関係全体の価値を見積もる 1 つの数字が得られます。LTV は SaaS における基礎的な指標の 1 つであり、獲得予算、回収期間の見通し、資金調達の議論、プロダクト戦略を形づくっています。

では、その予測を現実と比べたとき、どれほど正確なのでしょうか。

この問いに答えるため、ChartMogul のアカウント 3,331 社にまたがる顧客コホート 35,512 件を対象に、LTV を現実と照らし合わせて検証しました。具体的には、コホートが形成された時点で LTV を計算した場合、その予測が 12 か月後、24 か月後、36 か月後の現実とどれほど一致するのかを調べました。

見出しとなる結論は、直感に反しています。LTV の予測誤差はランダムではありません。それは構造的なものであり、ある状況では指標として信頼でき、別の状況では一貫して誤解を招きます。

主な調査結果

• 予測誤差は構造的であり、ランダムではありません。 EC 企業は一貫して顧客価値を過大評価する一方、エンタープライズ寄りの企業はしばしば過小評価します。企業規模、リテンション、エクスパンションの相互作用が異なるためです。
• 多くのコホートは、実質的に大きく外れています。 コホートの 28.3% は、現実との差が 50% を超えています。
• 誤差の中央値が小さいのは、相反する誤差が互いに打ち消し合うことが多いからにすぎません。 LTV は同程度の大きさで高すぎたり低すぎたりすることが多く、それが全体の中央値を正確に見せているのです。
• 予測誤差の大部分は、たった 1 つの前提から生じています：会社全体の ARPA を使って新規顧客の収益を見積もるという前提です。
• 支払額の低い顧客の方が、直感に反して支払額の高い顧客より長く残ることが多いのですが、生き残った顧客からのエクスパンションが、やがて LTV を過大評価から過小評価へと反転させます。
• LTV は精緻な予測値としてではなく、方向性を示す指標として使うのが最善です。 コホート収益カーブと純 MRR の動きが、その欠けている文脈を補ってくれます。

「LTV は正しいのか」ではなく、「どこで外れるのか」を問いました。何が誤差を引き起こすのか。誤差はどのように積み重なるのか。時間とともにどう変化するのか。そして、それは LTV をどう使うべきかについて何を意味するのか。

執筆：Thomas Anastaselos。調査面の助言と編集フィードバックは Jason Cohen が担当しました。

LTV の計算式が前提としていること

LTV = ARPA ÷ チャーン率 という 2 変数のモデルです。そのシンプルさには制約が伴います。

どこで誤差が生じるのかを理解するために、まずこの計算式が何を前提としているのかを見てみましょう。

新規顧客は全員、会社の平均と同じ金額を支払うという前提。 ARPA はブレンドされた数値です。今アカウントにいるすべてのサブスクライバーを表します。小口も大口も、新規も長期在籍も、拡大中も縮小中もすべて含みます。この数値を使って新しいコホートが生み出す収益を予測するということは、たった今サインアップしたばかりの顧客が、3 年間在籍し何度も支出を拡大してきた顧客を含む、既存顧客基盤全体と同じような姿をしていると仮定していることになります。

チャーン率は一定のままだという前提。 直近 6 か月間の平均カスタマー（ロゴ）チャーン率が、顧客が誰であるか、どう獲得されたか、プロダクトへの適合度がどうか、あるいはすでに解約した顧客がいるかどうかにかかわらず、すべての新規コホートに一律で適用されます。

顧客当たりの収益は一定のままだという前提。 エクスパンションやコントラクションは個別には考慮されず、ブレンドされた ARPA を通じて間接的に反映されるだけです。顧客が加入した時点で支払っている金額を、その後もずっと支払い続けると仮定し、早期に解約した顧客も、5 年間在籍している顧客と平均して同じ金額を支払っているとみなされます。

これらはすでに分かっているトレードオフです。シンプルなモデルは理解しやすく、操作もされにくいものです。問題は、そのトレードオフが実務上どれほど重要かということです。データを見てみましょう。

検証方法

データセット内の ChartMogul の各アカウントについて、コホートを定義しました。ある暦四半期にサインアップしたすべての顧客を、初めて有料顧客になった時点で識別してグループ化しています。3,331 のアカウントすべてを対象に、2020 年第 1 四半期から 2024 年第 4 四半期までの四半期コホート 20 期分を分析し、合計 35,512 件の（アカウント、コホート四半期）のペアが得られました。

各コホートが形成された時点で、LTV の計算式がそうするのとまったく同じように、アカウントの ARPA と直近 6 か月のチャーン率を記録しました。そのうえで、それらの顧客について LTV の計算式が予測する 12 か月、24 か月、36 か月時点の収益を算出しました。

次に、同じ顧客が実際に生み出した収益を計測しました。顧客ごとに月次で MRR を追跡し、各期間にわたって実際の MRR を合計しています。打ち切りバイアスを避けるため、観測期間がデータのカットオフ日（2026 年 6 月）を超えるコホートは除外しました。

これにより、同じ顧客について、同じ期間における予測収益と実際の収益を直接比較できるようになりました。使用したのは、その顧客が初めて有料顧客になった時点で得られた情報のみです。

一見、かなり正確に見える計算式

典型的なコホートは、12 か月間で LTV の予測よりも 2.4% 少ない収益 しか生み出しません。これは一見、安心できる数字に思えます。

しかし、コホート全体の 28.3% は、50% を超える 予測誤差を、プラスかマイナスいずれかの方向に抱えています。

この計算式は、既存顧客が何年もかけて積み重ねてきたエクスパンションを含むブレンド ARPA を使用しています。こうした顧客は、数か月から数年にわたってシート数を増やし、プランをアップグレードし、支出を増やしてきました。新規顧客はまだそのいずれも経験していません。計算式は、新規顧客がまだ平均的な顧客になる時間を経ていないにもかかわらず、すでにそうなっているかのように仮定しているのです。

2 つの入力値、2 つの外れ方

この計算式には 2 つの入力値があるため、外れ方も 2 通りあります。分子の ARPA と、分母のチャーン率です。どちらも外れていますが、方向も、大きさも、理由もそれぞれ異なります。

失敗パターン 1：新規顧客は平均的な顧客ではありません。

この計算式は、会社全体でブレンドされた顧客当たりの平均収益を使用します。新規顧客はほぼ常に、その平均を下回る金額しか支払いません。サインアップしたばかりなので、シートの拡大もプランのアップグレードも、複数年にわたる成長もまだありません。ブレンドされた平均には、そのすべてが含まれています。つまりこの計算式は、新規顧客がまだ稼いでいない収益をすでに生み出していると仮定しているのです。

中央値で見ると、この ARPA のミスマッチが予測精度に与える影響はそれほど大きくなく、-4.9% です。しかし中央値は、コホート間でこのミスマッチがどれほどばらつくかを覆い隠してしまいます。各コホートの予測誤差を ARPA 要因とリテンション要因に分解したところ、ARPA のミスマッチが予測精度のばらつきの 84.9% を説明していました。言い換えると、典型的な ARPA の影響自体は小さいものの、ARPA のミスマッチの差こそが、LTV の予測がコホートによって精度が高かったり低かったりする主な理由の 1 つなのです。

失敗パターン 2：コホートは平均的な率でチャーンしません。

この計算式は、会社の直近 6 か月のチャーン率を使って、毎月何人の顧客が生き残るかを予測します。しかし、特定のコホートはまったく異なる率でチャーンすることがあります。新規のエンタープライズ顧客、SMB からの転換顧客、トライアルから有料へ転換した顧客は、たとえ同じ四半期に加入していても、同じ生存曲線をたどりません。会社全体の平均は、目の前にある特定のコホートについてはほとんど何も語ってくれないのです。

中央値で見ると、この 2 つの誤差（ARPA とチャーン）はたまたま部分的に打ち消し合っています。だからこそ、-2.4% という数字は小さく見えるのです。

生存率のパラドックス

もっとも意外な発見の 1 つは、実際にはどの顧客が最も長く残るのか、という点です。

SaaS の通説では、支払額の高い顧客ほど長く残るとされています。エンタープライズ顧客にはロックイン、複数年契約、専任のアカウント管理があります。一方、安価な顧客には代替手段が多く、スイッチングコストが低く、組織としての引力も弱いものです。たとえば WP Engine では、実際にこのパターンが当てはまります。大口企業ほど定着率が高いのです。

ChartMogul のデータセットは SMB に偏っており、B2C セグメントもかなりの割合を占めています。このデータセットの中では、パターンが逆転します。サインアップ時の MRR に基づいて顧客を 4 つのグループに分け、12 か月後に何%がまだアクティブかを測定しました。結果は意外なものでした。相対的な価格が上がるほど、12 か月継続率は 下がる のです。最も安い四分位は 74% が継続し、最も高い四分位はわずか 45% しか継続しませんでした。

2 つ目の検証結果も同じ物語を語っていました。まだアクティブな顧客のサインアップ時 MRR の中央値は、時間とともに上がるのではなく下がっていくのです。同じコホート内では、支払額の高い顧客ほど先に離脱する傾向があります。これは、以前の調査で述べた「狩る獲物に似ていく」というパターンをある程度反映しているのかもしれません。多くの SaaS 企業は、アッパーマーケットへ進出する前に SMB 顧客の獲得に成功しており、進出後は大口顧客の維持がより難しくなります。

ARPA を押し上げるのは生存率ではなく拡大

一見すると、これは ARPA に関する話と矛盾しているように見えます。安価な顧客の方が長く生き残るのなら、コホートの ARPA は時間とともに上がるのではなく、下がるべきではないでしょうか。考えられる説明の 1 つは、SMB 中心の市場では、安価なサブスクライバーには離脱する理由がほとんどないということです。ソフトウェアが業務フローに組み込まれており、コストがわざわざ解約を検討するほどの水準に達していないのです。

支払額の高い企業ほど、ROI に対してより慎重です。価値が明確でなければ、乗り換えます。大口の B2B 顧客を定着させるエンタープライズのロックイン力学は、月額500ドルの SMB バイヤーや月額29ドルの個人顧客には当てはまりません。

これが ARPA にとって何を意味するのか。 安価な顧客の方が長く生き残るのであれば、コホートが年を重ねるにつれて平均 MRR は下がるはずです。これは ARPA のインフレとは正反対であり、実際に顧客レベルではそれが起きているようです。

では、会社レベルでの ARPA のインフレはどこから来るのでしょうか。それはエクスパンションです。残った顧客はアップグレードします。これは直接測定しました。2020〜2021 年から生き残った顧客の現在の MRR のうち、45.6% はサインアップ後のエクスパンションによるものであり、当初のサブスクリプションによるものではありません。ブレンドされた ARPA が膨らんでいるのは、生き残った顧客が拡大しているからです。

これは LTV にとって何を意味するのでしょうか。新しいコホートの収益予測に使われる ARPA は、既存顧客がすでに経験してきたエクスパンションによって膨らんでいますが、新規顧客はまだそれを実現する時間を経ていません。

ここまでは、LTV が当初なぜ新規顧客の価値を過大評価するのかを説明してきました。しかし、こうした誤差の要因は一定ではありません。コホートが成熟するにつれて、顧客はエクスパンションを始めます。これにより、当初の ARPA のミスマッチは徐々に重要性を失い、代わりにエクスパンションの重要性が増していきます。同じコホートをより長い期間で比較すると、この変化を確認できます。

予測は時間とともにどう変化するか

初期の段階では、ブレンドされた ARPA が LTV を楽観的にしすぎます。時間が経つにつれて、顧客のエクスパンションがその当初のバイアスを上回るようになります。24 か月時点での予測誤差の中央値は +6.9%、36 か月時点では +14.4% です。24 か月の時点で、LTV は収益を過大評価するのではなく、過小評価 するようになっているのです。

理由はエクスパンションです。12 か月時点では、ARPA のミスマッチとエクスパンションはおおむね打ち消し合っています。24 か月までには、十分な数の顧客がシートやプランをアップグレードしており、エクスパンションの効果が上回ります。36 か月までには、累積したエクスパンションがその数字をさらに押し上げます。

結果のばらつきも 36 か月までにほぼ倍になり、LTV の信頼性は大きく低下します。

すべての企業がこの通りではない

この全体的なパターン、つまり安価な顧客ほど長く残るという傾向は実在しますが、普遍的ではありません。すべての企業がこの通りに振る舞うわけではないので、当てはまる場合とそうでない場合を見てみましょう。

各企業について、顧客のサインアップ時 MRR と 12 か月生存率の相関を測定しました。正の相関は大口顧客ほど長く残ることを意味し、負の相関は大口顧客ほど早くチャーンすることを意味します。

その結果は次のとおりです。

想定されるエンタープライズのパターン、つまり大口ほど長く残るという傾向が当てはまるのは、企業のわずか 14% にすぎません。37% では、その逆が真実です。

B2C 企業は負の相関グループの 37.8% を占めますが、正の相関グループではわずか 6.6% にとどまります。これは多くの消費者向けビジネスの直感とも一致します。プロダクトが日常生活に組み込まれており、コストが解約を正当化できるほど高くないからです。一方、支払額の高いサブスクライバーはより慎重で、価値が明確でなければチャーンする可能性が高くなります。小規模な B2B 企業も同じパターンをたどります。負の相関グループの 77% は ARR 50万ドル未満です。

ポジティブグループ（大口顧客ほど長く継続する）は 93% が B2B で、大企業が中心です。これは典型的なエンタープライズのパターンです。MRR が高いほど、統合度が高く、スイッチングコストが高く、組織的な依存度も深くなります。

こうした顧客行動の違いは、LTV の精度の違いにそのまま表れます。

LTV は、大口顧客ほど早くチャーンする場合に最も正確で、長く継続する場合に最も不正確になります。

このモデルは、2 つの誤りが互いに打ち消し合うときに最も正確になります。新規顧客の価値を過大評価する一方で、支払額の高いそうした顧客ほど早くチャーンするため、実際の収益が予測に近づくのです。逆に、誤りが積み重なるときに最も不正確になります。支払額の高い顧客は最初から価値が高いうえに、長く継続もするため、計算式は二重に過小評価してしまいます。サインアップした時点で 1 回、そしてその後エクスパンションするにつれてもう 1 回です。

もっとも外れやすいのは誰か

誤差の中央値は均等に分布しているわけではありません。最も大きな違いは、業種、企業規模、ビジネスモデルによって現れます。

業種別：

EC は最も過大予測が大きい業種です。新規顧客は平均を大きく下回る金額しか支払わず、エクスパンションもほとんど見られないため、当初の ARPA のミスマッチを相殺する要素がほとんど残りません。

テーブルの反対側では、逆の物語が見えてきます。ビジネスインテリジェンスは、分析ツールが時間とともに業務により深く組み込まれ、利用が拡大するにつれて顧客がアップグレードするため、最大のエクスパンション効果（1.18x）を示しています。サインアップ後のエクスパンションが強い業種は、ARPA のミスマッチが同程度であっても、一貫して LTV の誤差が小さくなります。

こうした違いは、業種そのものよりもビジネスモデルを反映しているようです。LTV は、新規顧客が既存の顧客基盤と似た姿をしており、サインアップ後にエクスパンションする場合に最も正確になります。新規顧客が平均を大きく下回る水準から始まり、そのギャップを一切埋めない場合に最も不正確になります。

企業規模別：

最大手企業（ARR 3,000万ドル超）は、最も大きな過大予測を示す一方で、大きく外れるケースは最も少なくなっています。誤差は中央値で -19% と大きいものの、一貫しています。これらの企業は、既存顧客が大幅にエクスパンションするのに十分なほど長く事業を続けてきたため、ブレンドされた ARPA が新しいコホートの実際の支払額をはるかに超えて膨らんでいます。しかし、そうした新規顧客もサインアップ後に大きくエクスパンションする傾向があり、時間とともにそのギャップは部分的に縮まります。

小規模企業（ARR 50万ドル未満）は、わずかに 過小予測 を示しています（誤差の中央値 +0.5%）。計算式が最も小さな企業の収益をわずかに過小評価しているためで、おそらくエクスパンションの軌道が平均から想定される水準を上回っているのが理由と考えられます。しかし同時に、最も信頼性の低いコホート（29.5%）も抱えています。その誤差は構造的というよりノイズによるものです。平均で見れば計算式はおおむね正しいものの、個々のコホートの予測は大きくばらついています。

ビジネスモデル別：

B2B と B2C では、精度のプロファイルが根本的に異なります。

B2B 企業にとって、最大の問題は ARPA のミスマッチです。既存顧客がエクスパンションしており、平均を新規顧客の支払額より押し上げています。

B2C 企業は全体として見るとほぼニュートラルであり（誤差の中央値 +0.4%）、大きく外れたコホートの割合も最も低くなっています（20.2%）。B2C の価格設定はよりシンプルで均一なため、計算式の中核となる前提が成り立ちやすくなります。消費者市場では、計算式の死角も小さくなります。

警告ラベルを貼るだけでは解決しない

この検証では、コホート作成時点で得られる最も強いシグナルである ARPA レシオを使用しました。これは、新しいコホートの顧客当たり収益が、計算式で使われる会社全体の平均からどれだけ乖離しているかを測定します。即座に観測できるため、リテンションデータが存在する前から使用できます。

考え方はシンプルです。新規顧客が平均よりも大幅に多く、あるいは少なく支払っている場合、計算式の ARPA の前提はすでに誤っています。それだけで、算出される LTV の見積もりが信頼できないものになり得ます。

これらのコホートにフラグを立てるためのさまざまなしきい値を検証し、適合率と再現率のトレードオフを測定しました。フラグが不良な見積もりを正しく特定できた頻度と、実際に検出できた不良な見積もりの割合です。

適合率と再現率の最良のバランスで、大きく外れた予測の 57% を捕捉するには、全企業の 37% にフラグを立てる必要があります。しきい値を引き上げて最も極端なケースだけを捉える場合（しきい値 1.00）、適合率は 81% まで鋭くなりますが、捕捉できる不良な予測はわずか 10% にとどまります。

これは根底にある現実を反映しています。新規顧客が平均とまったく同じであることはめったになく、そのためほぼすべての企業で ARPA の前提はある程度誤っているのです。警告ラベルを導入すれば、結局は多くの企業にフラグが立つことになり、実用的でも、とりわけ信頼できるものでもなくなってしまいます。

LTV の使い方への示唆

このデータが示す結果への対応方法は 3 つあります。現在の数字の読み方を調整する、計算式そのものを修正する、あるいは補完的な指標に頼る、という 3 つです。

現在の数字の読み方を調整する。

LTV は精緻な予測値としてではなく、方向性を示す指標として扱ってください。誤差の中央値は小さいものの、その周辺の分布は広くなっています。個々のコホートを見れば、実際の結果が予測より 25〜30% 上振れ、あるいは下振れすることも十分にあり得ます。LTV:CAC の目標にすでに安全マージンを組み込んでいる場合、そのマージンの一部はすでに通常の LTV の不確実性によって吸収されている可能性があることを念頭に置いてください。

データが示す内容に基づく、セグメント別の調整をいくつか挙げます。

• EC：ここでは ARPA の前提が構造的に楽観的すぎます（誤差の中央値 -10.9%）。獲得に関する意思決定に使う前に、LTV を 10〜15% 割り引くことを検討してください。
• 大企業（ARR 3,000万ドル超）：誤差は予測可能で、一方向に偏っています。LTV はおよそ 20% 過大評価する傾向がありますが、これは主にブレンドされた ARPA に、既存顧客の何年にもわたるエクスパンションが織り込まれているためです。
• エンタープライズ比率の高い四半期：新規顧客が既存の顧客基盤よりも大幅に大きい場合は、逆の問題を想定してください。LTV はおそらく、その価値を過小評価します。

1 つ注意点があります。これらはそれぞれのセグメントにおける典型的な企業を示すものであり、すべての企業に当てはまるわけではありません。調整を適用する前に、自社の過去の LTV 予測が実際の結果とどれだけ一致していたかを確認してください。

計算式そのものを修正する。

最もインパクトの大きい構造的な修正は、会社レベルのブレンド ARPA を、新しいコホートのサインアップ時点の実際の収益に置き換えることです。ARPA のミスマッチが誤差の分散の中で最も大きな割合を占めているため、これだけでも精度は大きく改善するはずであり、必要なデータ（サインアップ時の MRR）はすでに存在しています。

エクスパンションは、この方法では修正が難しくなります。サインアップ時点では把握できず、残る誤差の大部分を占めているため、修正後の計算式でも、より大きな 2 つ目のずれの原因を見逃すことになります。実務上のコストもあります。コホートの実現 ARPA はコホートが締まるまで確定しないため、計算が遅れ、複雑さが増します。

補完的な指標を使う。

短期的なユニットエコノミクスについては、回収期間の方がより信頼できる代替指標かもしれません。無限の時間軸ではなく、上限がある指標であり（通常 12〜24 か月）、実際に変動する変数（マージン、初期チャーン、CAC）に敏感です。ただし、コストの高い単発の獲得施策によって一時的に歪む可能性はあります。

より長い時間軸で見るなら、コホート収益カーブは、過去のコホートが実際に何を生み出したかを示します。予測ではなく、過去の記録です。24〜36 か月にかけて右肩上がりの傾きは、健全なリテンションとエクスパンションを示し、早い段階での横ばいや低下は、目に見える、日付を特定できる問題です。

純 MRR の動きは、この両方を補完します。エクスパンション、コントラクション、チャーン、リアクティベーションを分解して示すことで、なぜそのカーブがそのような形になるのかを説明します。LTV はそのすべてを 1 つの数字に圧縮してしまいます。

単独で完全な視点はありません。これらを組み合わせることで、LTV 単体よりもはるかに正確な顧客価値の全体像が得られます。

最後の問い

LTV には限界があります。不安定な 2 つの前提を 1 つの数字に圧縮しているからです。その前提を理解することは、数字そのものを信頼することよりも重要です。

この計算式は、取締役会で説明できるほどシンプルで、時系列で追いやすく、事業を 1 つの数字にまとめるのに優れているため、今後も有用であり続けるでしょう。方向性を示す指標として、他の指標と組み合わせて使えば、LTV は依然として価値あるツールです。

方法論とデータ

方法論に関する注記

• データセット：ChartMogul プラットフォームのデータで、企業アカウント 3,331 社を対象とし、2020 年第 1 四半期から 2024 年第 4 四半期までをカバーし、35,512 件の（アカウント、コホート四半期）のペアを生成しています。コホートは、初回の新規ビジネスの動きが同じ暦四半期内に発生したすべての顧客と定義しています。
• 予測：各コホートが形成された時点で、アカウントのブレンド ARPA と直近 6 か月のロゴチャーン率に基づき、ChartMogul の計算式を用いて LTV を算出しました。そのうえで、続く 12 か月、24 か月、36 か月分の LTV に基づく収益予測を計算しました。
• 実績値：顧客ごとに月次で MRR を追跡し、各期間にわたって実際の MRR を合計しました。打ち切りバイアスを避けるため、観測期間がデータのカットオフ（2026 年 6 月）を超えるコホートは除外しています。
• 誤差指標：予測誤差は (実績値 - 予測値) / 予測値 × 100 で算出しています。マイナスは計算式が過大予測したこと、プラスは過小予測したことを意味します。信頼性の低いコホートとは、絶対誤差が 50% を超えるコホートを指します。
• 分散分解：各コホートの予測誤差を、ARPA のミスマッチとリテンションのミスマッチという 2 つの要素に分解しました。そのうえで、コホート間の予測精度のばらつきを、それぞれの要素がどれだけ説明するかを測定しました。この 2 つの要素とその相互作用で、説明可能な誤差の 100% を占めます。
• ARPA とリテンションの相関：各アカウントについて、顧客のサインアップ時 MRR と 12 か月生存率の関係を測定しました。大口顧客ほど長く残る傾向にあったアカウントはポジティブに、早くチャーンする傾向にあったアカウントはネガティブに、それ以外はニュートラルに分類しています。サンプル数の少なさによるノイズを抑えるため、最小相関しきい値を適用しました。

データに関する注記

本稿は、2026 年 6 月時点の ChartMogul の稼働中のプラットフォームデータに基づく分析を反映しています。本調査の以前のバージョンでは、誤差の中央値や分散がわずかに異なる数値を示していましたが、根本的な論点とそれに影響を与える要因は変わっていません。この変化は、基盤となるデータセットが更新され、対象企業アカウントが追加または削除されたことによるものです。