LTV 有個盲點

摘要

LTV 可以說是 SaaS 領域最重要的單一指標，因為它預測了未來：一位客戶或一個世代將產生的總營收。但現實真的符合這個預測嗎？如果不符合，這代表現在有數千家公司正因此做出錯誤的策略決策。

LTV 是一個簡單的公式：ARPA 除以流失率。輸入兩個數字，就能得到一個估算客戶關係總價值的數字。這是 SaaS 領域的基礎指標之一，影響著獲客預算、回本期預期、募資對話與產品策略。

但當你把這個預測拿去對照現實，它到底準不準？

為了回答這個問題，我們針對來自 3,331 個 ChartMogul 公司帳戶、共 35,512 個客戶世代，將 LTV 與實際數據進行了壓力測試。具體來說，我們問的是：如果你在一個世代形成時計算出 LTV，這個預測與 12 個月、24 個月、36 個月後的實際結果有多接近？

最出人意料的結論是：LTV 預測誤差並非隨機發生，而是系統性的，這讓這項指標在某些情況下可靠，在另一些情況下卻持續誤導人。

重要發現

• 預測誤差是系統性的，而非隨機。電子商務類公司持續高估客戶價值，而企業型客戶較多的公司則常常低估，因為客戶規模、續留與擴張之間的交互作用不同。
• 許多世代的誤差非常大。28.3% 的世代與現實相差超過 50%。
• 中位數誤差之所以看起來小，只是因為相反方向的誤差經常互相抵銷。LTV 經常同時被高估與低估相近的幅度，使整體中位數顯得準確。
• 多數預測誤差來自單一假設：用全公司層級的 ARPA 來估算新客戶的營收。
• 付費較低的客戶，違反直覺地，往往比付費較高的客戶存活更久，但存活下來的客戶擴張帶來的效果，最終會讓 LTV 從高估轉為低估營收。
• LTV 最適合當作方向性指標使用，而非精準預測。世代營收曲線與淨 MRR 變動提供了缺少的脈絡。

與其問 LTV「準不準」，我們問的是它在哪裡出錯。是什麼造成了這些誤差？它們如何疊加？隨著時間又如何變化？這些又意味著你該如何使用 LTV？

作者：Thomas Anastaselos，研究方向與編輯意見由 Jason Cohen 提供。

LTV 公式的假設

LTV ＝ ARPA ÷ 流失率，是一個雙變數模型。它的簡單，也伴隨著限制。

要理解它在哪裡出錯，得先從這個公式的假設談起：

每個新客戶的付費金額都等於公司平均值。ARPA 是一個混合數字。它代表你帳戶上此刻的每一位訂閱戶——無論規模大小、新舊，也無論正在擴張或萎縮。當你用它來預測一個新世代將產生的營收時，你其實假設了剛簽約的客戶看起來就像你整個現有客戶群，包括那些已經合作三年、多次擴大支出的客戶。

流失率維持不變。過去六個月的平均客戶數流失率，會被一視同仁地套用到每一個新世代身上，無論他們是誰、如何被獲取、與產品的契合度如何，也不管其中有些客戶其實已經流失。

每位客戶的營收維持不變。擴張或萎縮並未被明確納入考量，只透過混合 ARPA 間接反映。客戶剛加入時付多少錢，就假設他們永遠付那麼多錢；提早取消的客戶，平均而言與已經合作五年的客戶付費相同。

這些都是已知的取捨。更簡單的模型更容易理解，也更難被操弄。問題在於，這些取捨在實務上是否真的重要。讓我們來看數據。

我們如何測試

對資料集中的每個 ChartMogul 帳戶，我們定義了世代：所有在特定日曆季度內簽約的客戶，以他們首次成為付費客戶的時間點來認定。我們分析了 2020 年第一季到 2024 年第四季共 20 個季度世代，涵蓋全部 3,331 個帳戶，總共產生 35,512 組（帳戶、世代季度）配對。

在每個世代形成的當下，我們記錄了該帳戶的 ARPA 與過去六個月的流失率，做法與 LTV 公式完全一致。接著，我們計算出 LTV 公式對這些客戶在 12、24、36 個月內所預測的營收。

接著，我們衡量這些相同客戶實際產生的營收。針對每位客戶，我們逐月追蹤其 MRR，並將實際 MRR 加總到每個時間窗口。為避免資料截斷偏誤，我們排除了觀察窗口超出資料截止日期（2026 年 6 月）的世代。

這讓我們能夠針對相同客戶、在相同時間區間內，直接比較預測營收與實際營收，且僅使用他們首次成為付費客戶當下可取得的資訊。

這個公式看起來相當準確

典型世代在 12 個月內產生的營收，比 LTV 預測少 2.4%。這聽起來令人安心。

然而，28.3% 的所有世代在其中一個方向上，預測誤差超過 50%。

這個公式使用的混合 ARPA，包含了既有客戶多年來的擴張。這些客戶已經花了數個月甚至數年的時間增加席次、升級方案、提高支出。而新客戶還沒有做過這些事。公式卻假設他們已經和平均客戶一樣，儘管他們根本還沒有時間變成那樣的客戶。

兩個輸入值，兩種出錯方式

這個公式有兩個輸入變數，因此可能在兩個地方出錯：分子的 ARPA，或分母的流失率。兩者都會出錯，但方向不同、幅度不同，原因也不同。

失準模式一：新客戶不是平均客戶。

這個公式使用的是公司的混合平均客戶營收。新客戶幾乎總是付得比這個平均值少。他們才剛簽約，代表還沒有席次擴張、方案升級，也沒有多年的成長。而混合平均值把這一切都算進去了。於是公式假設新客戶已經賺到了他們其實還沒賺到的營收。

就中位數而言，這種 ARPA 落差對預測準確度的影響不大：-4.9%。但中位數掩蓋了這個落差在不同世代之間的變化幅度。當我們把每個世代的預測誤差拆解成 ARPA 與續留兩個成分時，ARPA 落差解釋了預測準確度變異中的 84.9%。換句話說：典型的 ARPA 效應很小，但 ARPA 落差的差異，正是某些世代的 LTV 預測比其他世代更準確的主要原因之一。

失準模式二：世代的流失率並非平均值。

這個公式使用公司過去六個月的流失率，來推估每個月會有多少客戶存活。但特定世代的流失率可能大不相同。新進的企業級買家、由中小企業轉換而來的客戶，以及由試用轉為付費的用戶，即使在同一季加入，也不會有相同的存活曲線。公司平均值幾乎無法告訴你眼前這個特定世代的狀況。

就中位數而言，這兩種誤差（ARPA 與流失率）恰好部分互相抵銷。這就是為什麼 -2.4% 看起來這麼小。

存活悖論

其中一個最令人意外的發現，是哪些客戶實際上留得最久。

傳統的 SaaS 經驗法則認為，付費較高的客戶會留得更久。企業客戶有鎖定效應、多年期合約與專屬客戶經理。付費較低的客戶則有更多替代方案、更低的轉換成本，組織上的牽制也較少。舉例來說，在 WP Engine，這個模式確實成立：規模較大的公司黏著度更高。

ChartMogul 的資料集偏向中小企業，並包含相當大比例的 B2C 客群。在這個資料集裡，這個模式反過來了。我們依客戶簽約時的 MRR，把客戶分成四組，並衡量各組在 12 個月後仍活躍的比例。結果令人意外：隨著相對價格上升，12 個月續留率反而下降。最便宜的四分位客戶存活率為 74%，最貴的四分位僅有 45%。

第二項檢驗也說出同樣的故事：仍活躍客戶的簽約 MRR 中位數，會隨著時間下降，而不是上升。在同一個世代裡，付費較高的客戶往往先離開。這或許部分反映了我們先前研究中描述的「你獵捕什麼，就會變成什麼」模式：許多 SaaS 公司先成功獲取中小企業客戶，之後才往高端市場推進，而留住較大型客戶在那個階段變得更加困難。

拉高 ARPA 的是擴張，不是存活

乍看之下，這似乎與 ARPA 的故事互相矛盾。如果較便宜的客戶存活得更久，世代 ARPA 隨時間推移不是應該下降，而非上升嗎？一個可能的解釋是，在以中小企業為主的市場中，較便宜的訂閱戶幾乎沒有理由離開。這套軟體已經嵌入他們的工作流程，成本也低到不足以觸發一個「刻意取消」的決定。

付費較高的公司對投資報酬率更加謹慎。當價值不夠明確時，他們就會轉換供應商。讓大型 B2B 客戶黏著度更高的企業鎖定效應，並不適用於月付 500 美元的中小企業買家，或月付 29 美元的消費者。

這對 ARPA 意味著什麼。如果較便宜的客戶存活更久，那麼隨著世代老化，它的平均 MRR 應該會下降。這與 ARPA 膨脹恰恰相反，而在客戶層級，這似乎正是實際發生的情況。

那麼公司層級的 ARPA 膨脹從何而來？答案是擴張。留下來的客戶會升級。我們直接測量了這一點：在 2020 至 2021 年間存活下來的客戶中，目前 MRR 有 45.6% 來自簽約後的擴張，而非原始訂閱金額。混合 ARPA 之所以膨脹，是因為存活下來的客戶不斷擴張。

這對 LTV 意味著什麼？用來預測新世代營收的 ARPA，已經被既有客戶已經歷過的擴張效果所膨脹，但新客戶還沒有時間達到那樣的擴張。

到目前為止，我們解釋了為什麼 LTV 一開始會高估新客戶的價值。但這些誤差來源並非恆定不變。隨著世代成熟，客戶開始擴張。這會逐漸讓最初的 ARPA 落差變得不那麼重要，同時擴張的影響力則會愈來愈重要。當我們把相同的世代放到更長的時間跨度下比較，就能看到這個轉變。

預測如何隨時間變化

在初期，混合 ARPA 會讓 LTV 過於樂觀。但隨著時間推移，客戶擴張會超越這個最初的偏誤。在 24 個月時，預測誤差中位數為 +6.9%，到了 36 個月則是 +14.4%。到了 24 個月，LTV 已經從高估轉為低估營收。

原因就是擴張。在 12 個月時，ARPA 落差與擴張大致互相抵銷。到了 24 個月，已經有足夠多的客戶升級了席次與方案，讓擴張的效果勝出。到了 36 個月，累積的擴張更是把數字推得更遠。

到了 36 個月時，結果的離散程度也幾乎翻倍，使 LTV 的可靠度大幅下降。

並非每家公司都是如此

整體模式——也就是較便宜的客戶留得更久——確實存在，但並非放諸四海皆準。不是每家公司都是這樣，所以讓我們來看看哪些情況成立、哪些不成立。

針對每家公司，我們衡量了客戶簽約 MRR 與 12 個月存活率之間的相關性。正相關代表規模較大的客戶留得更久，負相關則代表規模較大的客戶更快流失。

以下是我們的發現：

預期中的企業模式——也就是規模愈大留得愈久——只在 14% 的公司中成立。有 37% 的公司則正好相反。

B2C 公司在負相關組別中佔 37.8%，但在正相關組別中只佔 6.6%。這符合許多消費型業務的直覺：產品已經嵌入日常生活，成本又低到不足以構成取消的理由。相對地，付費較高的訂閱戶更加謹慎，一旦價值不明確就更容易流失。小型 B2B 公司也呈現相同的模式：負相關組別中有 77% 的公司 ARR 低於 50 萬美元。

正相關組別（規模較大的客戶留得更久）中有 93% 是 B2B，並以較大型的公司為主。這是典型的企業模式：MRR 愈高，代表整合程度愈深、轉換成本愈高，組織上的依賴也愈深。

這些客戶行為上的差異，直接反映在 LTV 準確度的差異上。

當規模較大的客戶更快流失時，LTV 最準確；當他們留得更久時，LTV 最不準確。

當模型的兩個誤差互相抵銷時，它最準確：它高估了新客戶的價值，但這些付費較高的客戶也流失得更快，讓實際營收更接近預測值。而當誤差疊加時，模型最不準確：付費較高的客戶一開始價值就更高，而且留得更久，於是公式對他們低估了兩次——一次是在簽約時，另一次則是在他們隨時間擴張時。

誤差最大的族群

中位數誤差的分布並不平均。最大的差異出現在產業、公司規模與商業模式之間。

依產業區分：

電子商務業的高估幅度最大。新客戶的付費遠低於平均值，且擴張幅度很小，幾乎沒有什麼能抵銷最初的 ARPA 落差。

在表格的另一端，我們看到相反的故事。商業智慧產業的擴張效果最大（1.18 倍），因為分析工具會隨時間愈來愈深入嵌入使用流程，客戶也會隨著用量成長而升級方案。即使 ARPA 落差相近，簽約後擴張效果強勁的產業，其 LTV 誤差始終較小。

這些差異似乎更多反映的是商業模式，而非產業本身。當新客戶與既有客戶群相似，且在簽約後持續擴張時，LTV 最準確。當新客戶一開始就遠低於平均值，且始終無法縮小差距時，LTV 最不準確。

依公司規模區分：

最大型的公司（ARR 超過 3,000 萬美元）高估幅度最大，但出現重大失準的比例卻最少。它們的誤差幅度大，中位數為 -19%，但很穩定。這些公司經營時間夠久，讓既有客戶得以大幅擴張，把混合 ARPA 拉高到遠超過新世代實際付費的水準。但這些新客戶在簽約後往往也會大幅擴張，隨著時間逐漸縮小差距。

小型公司（ARR 低於 50 萬美元）則呈現輕微的低估（誤差中位數 +0.5%），公式對這些最小型公司的營收略有低估，可能是因為它們的擴張軌跡超出了平均值所暗示的水準。但它們也有最多不可靠的世代（29.5%）。它們的誤差比較像是雜訊，而非系統性偏誤。平均而言，公式大致準確，但個別世代的預測結果差異很大。

依商業模式區分：

B2B 與 B2C 呈現出根本不同的準確度樣貌。

對 B2B 業務來說，最大的問題是 ARPA 落差。既有客戶已經擴張，把平均值推高到超過新客戶的付費水準。

B2C 公司整體而言幾乎是中性的（誤差中位數 +0.4%），嚴重失準的世代比例也最低（20.2%）。B2C 的定價更簡單、更一致，代表這個公式的核心假設在這裡更站得住腳。在消費市場中，這個公式的盲點較小。

不能只是加個警示標籤

我們用一個在世代形成時就能取得的最強訊號來測試這件事：ARPA 比率。它衡量的是新世代的每客戶營收，與公式中使用的全公司平均值之間的差異程度。因為它可以立即被觀察到，所以在還沒有任何續留數據之前就能使用。

邏輯很簡單。如果新客戶付的錢遠高於或遠低於平均值，公式的 ARPA 假設就已經錯了。光是這一點，就可能讓算出來的 LTV 估計值不可靠。

我們測試了不同的標記門檻，用來標示這些世代，並衡量精確率與召回率之間的取捨：這個標記多常正確地找出一個不良估計值，以及它總共抓到了多少不良估計值。

若要在精確率與召回率的最佳平衡點下，抓到 57% 嚴重失準的預測，你必須標記全部公司中的 37%。把門檻提高到只抓最極端的案例（門檻 1.00）能把精確率提升到 81%，但只能抓到 10% 的不良預測。

這反映了一個根本現實：新客戶幾乎不曾與平均值完全相同，所以幾乎每家公司的 ARPA 假設都在某種程度上是錯的。一個警示標籤最終會標記出一大部分的公司，讓它既不具可執行性，也不特別可信。

這對你使用 LTV 的方式意味著什麼

面對這些數據，有三種因應方式：調整你解讀現有數字的方式、修正公式本身，或倚賴輔助指標。

調整你解讀現有數字的方式。

把 LTV 當作方向性指標，而不是精確數字。中位數誤差很小，但周圍的分布範圍很寬。對任何特定世代來說，實際結果很容易落在預測值上下 25-30% 的範圍。如果你的 LTV：CAC 目標已經內建了安全緩衝，請記得其中一部分緩衝，可能早已被 LTV 本身的正常不確定性所吸收。

根據數據顯示的結果，以下是幾個針對特定區隔的調整建議：

• 電子商務：這裡的 ARPA 假設系統性地過於樂觀（誤差中位數 -10.9%）。在把 LTV 用於獲客決策之前，可考慮先打 10-15% 的折扣。
• 大型公司（ARR 超過 3,000 萬美元）：誤差是可預測且單一方向的。LTV 往往會高估約 20%，主要是因為混合 ARPA 已經內建了既有客戶多年來的擴張。
• 企業客戶佔比高的季度：如果新客戶明顯比你現有客群大，情況就會反過來。LTV 很可能會低估他們的價值。

有一點需要提醒：這些描述的是各區隔中的典型公司，並非每一家公司都適用。在套用任何調整之前，請先檢查你自己過去的 LTV 預測與實際結果的吻合程度。

修正公式本身。

影響最大的結構性修正，是用新世代簽約當下的實際營收，取代公司層級的混合 ARPA。由於 ARPA 落差是誤差變異最大的驅動因素，光是這一項修正就能有意義地提升準確度，而且所需的數據（簽約時的 MRR）早已存在。

擴張則更難用這種方式修正。它在簽約當下無法得知，而且佔了剩餘誤差中很大的一部分，因此即使修正了公式，仍然會漏掉第二個、也是更大的漂移來源。這麼做還有一個現實成本：一個世代實際實現的 ARPA，要到該世代結束才會確定，這會延遲計算並增加複雜度。

使用輔助指標。

對於短期的單位經濟效益，回本期可能是更可靠的替代指標。它有明確的邊界（通常是 12-24 個月，而不是無限的時間跨度），並且對真正會變動的變數（毛利率、早期流失、CAC）很敏感，不過單一次高成本的獲客投入，可能會暫時扭曲這個數字。

就更長的時間跨度而言，世代營收曲線顯示的是過去世代實際產生的營收，不是預測值，而是歷史紀錄。24 到 36 個月間持續上升的斜率，代表健康的續留與擴張；提早趨平或下滑，則是一個看得見、也標得出時間點的問題。

淨 MRR 變動則能補足這兩者，解釋這些曲線為何呈現那樣的形狀，把擴張、萎縮、流失與重新啟用分別拆解出來，而 LTV 卻把這一切壓縮成單一數字。

沒有任何單一視角是完整的。把它們合在一起看，會比單靠 LTV 更能準確呈現客戶價值的全貌。

最後的問題

LTV 之所以有其局限，是因為它把兩個不穩定的假設壓縮成單一數字。理解這些假設，比單純相信這個數字本身更重要。

這個公式仍然會很有用，因為它簡單到可以在董事會上解釋清楚，也容易長期追蹤，並且擅長用單一數字概括一家公司的業務狀況。只要把它當作方向性指標，並搭配其他指標一起使用，LTV 依然是一項有價值的工具。

方法論與數據

方法論說明

• 資料集：ChartMogul 平台上 3,331 個公司帳戶的數據，涵蓋 2020 年第一季到 2024 年第四季，共產生 35,512 組（帳戶、世代季度）配對。世代的定義是所有首次「新業務」異動發生在同一個日曆季度內的客戶。
• 預測：在每個世代形成時，我們根據該帳戶的混合 ARPA 與過去六個月的客戶數流失率，用 ChartMogul 的公式計算 LTV。接著計算出該 LTV 對後續 12、24、36 個月所隱含的營收預測。
• 實際值：針對每位客戶，我們逐月追蹤 MRR，並將實際 MRR 加總到每個時間窗口。為避免資料截斷偏誤，觀察窗口超出資料截止日期（2026 年 6 月）的世代已被排除。
• 誤差指標：預測誤差＝（實際值－預測值）／預測值 × 100。負值代表公式高估，正值代表公式低估。不可靠世代指的是絕對誤差大於 50% 的世代。
• 變異分解：我們把每個世代的預測誤差拆解成兩個成分：ARPA 落差與續留落差，接著衡量各世代之間預測準確度的變異中，各成分分別解釋了多少比例。這兩個成分加上其交互作用，共同解釋了 100% 的誤差。
• ARPA 與續留的相關性：針對每個帳戶，我們衡量客戶簽約 MRR 與 12 個月存活率之間的關係。規模較大的客戶留得較久的帳戶，被歸類為正相關；規模較大的客戶流失得較快的帳戶，被歸類為負相關；其餘則歸類為中性。我們設定了一個最低相關性門檻，以降低小樣本造成的雜訊。

關於數據的說明

本文反映的是截至 2026 年 6 月，針對 ChartMogul 即時平台數據所做的分析。早期版本的這項研究，呈現出的誤差中位數與變異數略有不同，但影響它們的根本論點與因素維持不變。這些變化來自於底層資料集的持續演變，以及資料集中公司帳戶的新增或移除。