Мы разобрали три популярных способа подсчета метрики LTV. Теперь пора сравнить их и сделать выводы.

Простой LTV. Это грубая и прогнозная оценка того, сколько денег один клиент принесет бизнесу за весь срок пользования продуктом. Такой показатель далек от реальных финансовых расчетов, так как не учитывает историю взаимодействия клиентов с продуктом, категории клиентов, дисконтирование и маржинальность. Поэтому цифры часто получаются завышенными. При этом простой LTV быстро и легко посчитать, а значит можно оценить допустимые затраты на маркетинг. Способ полезен стартапам без клиентской истории.

LTV с учетом маржи и дисконтирования. Такой метод расчета популярен среди финансистов, так как отражает финансовую оценку прибыли от усредненного клиента. Оставаясь прогнозной, метрика учитывает дисконтирование за расчетный период и маржу. Это позволяет использовать полученный LTV в юнит-экономике. Такой расчет применяется зрелым бизнесом с накопленной клиентской историей.

Когортный LTV. Это уже фактическая метрика, которая учитывает категорию клиентов. Она рассчитывается на основе накопленных данных о взаимодействии клиентов с продуктом и отражает прибыль, которую получил бизнес от конкретного сегмента пользователей. Метрика помогает переориентировать маркетинговые кампании на более прибыльные когорты клиентов. Ее можно превратить в финансовую модель, если учесть маржу и дисконтирование.

На слайде я суммировал информацию и привел формулы. Сохраняй как шпаргалку.

#разбор_метрик #метрики

Аналитики, дизайнеры и продакты!

Вы наверное уже слышали, что 27 сентября в Москве пройдет конференция «Продукты 24 × FFDD2D» – объединение двух крупных мероприятий, которые задают тренды в продуктовой среде.

Теперь это одно большое событие для тех, хочет смотреть на продукт и на метрики шире.

Будет три потока выступлений:

▪️Первый – про кейсы, перевернувшие индустрию, и инсайты из смежных сфер: телевидение, путешествия, которые помогают взглянуть на привычные бизнес-процессы с новой стороны.
▪️Второй – о том, как данные и технологии помогают создавать крутые продукты и укреплять лояльность клиентов.
▪️Третий – с дискуссиями и воркшопами про кросс-функциональное взаимодействие.

📍 Регистрируйтесь онлайн: https://producty24-ffdd2d.ru/

P.S. Для тех кто успел зарегистрироваться офлайн, приходите в экспертную зону, я там буду. Поговорим о метриках или за жизнь )

Есть метрика, которая неразрывно связана с LTV, – Customer Acquisition Cost (САС), стоимость привлечения клиентов. Это средняя сумма, которую компания тратит, чтобы привлечь одного клиента. Если CAC превышает прибыль от клиента, бизнес работает в минус.

Существуют два подхода к расчету САС. Маркетинговый подход учитывает только затраты на маркетинг: рекламу, контент-маркетинг, расходы на CRM и др. Он применяется в стартапах и E-commerce. Расчет CAC должен быть как по каждому каналу, так и по всем каналам в целом.

Финансовый подход включает не только затраты на маркетинг, но и на продажи: зарплаты менеджеров по продажам, обслуживание колл-центров, пробные версии продукта и др. Такой подход – стандарт в крупных компаниях и B2B, особенно в SaaS, где цикл сделки долгий, и маркетинг – только верхняя часть воронки.

Независимо от подхода, для корректного расчета метрики необходимо установить:

1. Какие затраты вы будете учитывать? Например, медиабюджеты, фиксированные затраты, такие как зарплаты маркетологов, расходы на CRM.

2. Кого считать «привлеченным клиентом»? В B2C это может быть пользователь, который совершил первую покупку, в SaaS – подписавший договор и прошедший онбординг, в freemium-моделях – платящий пользователь.

3. Какой временной лаг выбрать? Большинство маркетинговых активностей работают с отложенным эффектом. Человек мог увидеть рекламу в январе, а совершить покупку в марте. Поэтому не стоит считать CAC и количество привлеченных клиентов за один и тот же месяц. Один из вариантов – посчитать всех, кто перешел по рекламе в январе, и сколько из них стало клиентами в течение 30/60/90 дней.

В чем связь LTV и CAC? CAC показывает, сколько вы тратите на привлечение клиента, а LTV – сколько вы с него зарабатываете. Ключевая метрика здесь – соотношение LTV/CAC.

Золотое правило гласит: если LTV / CAC > 3, то модель считается здоровой и бизнес приносит прибыль, а значит надо масштабироваться! Если LTV / CAC < 1, то бизнес теряет деньги на каждом клиенте. Если LTV / CAC = 1, то вы просто окупаете маркетинг, но не покрываете прочие расходы.

#разбор_метрик #метрики

Зачем я поступил в магу?

Недавно обещал рассказать, зачем пошел в магу в таком почтенном возрасте и как ее выбирал.

Я закончил ВУЗ, вообще никак не связанный с IT или математикой. Но еще со школы я увлекался сайтами – делал их просто ради интереса, потом начал брать заказы, а дальше уже пошло-поехало, устроился работать в эту сферу. Сначала это казалось случайным путем, но именно он и привел меня в аналитику.

Когда я впервые пришел на собеседование, все выглядело иначе, чем сейчас. Тогда требования были простыми: знаешь Excel – ты уже аналитик))

Дальше все шло через самообучение: трекинг событий, SQL, Power BI, статистика. Все осваивал по вечерам, а также на практике методом проб и ошибок. Но постепенно пришло ощущение, что не хватает базы. Не хватает вот этого фундамента, на который можно было бы опереться, когда человек может не знать бизнес-контекста, но он быстро «врубается» просто потому, что у него есть технический бэкграунд.

Потом я оказался в Т-Банке. Вокруг люди, которые учатся постоянно: кто-то только закончил университет, кто-то проходит очередной курс, кто-то снова поступает. В основном это технические вузы. И я подумал: а почему бы не попробовать самому?
Оказалось, сейчас масса возможностей для жаждущих знаний. Например, онлайн-программы ВУЗов в партнерстве с крупными IT-компаниями. А еще в помощь студентам дают образовательный кредит под 3% с господдержкой! Решил собрать варианты и посмотреть, куда я вообще подхожу.

В список попали три магистратуры:
▪️ВШЭ с программой «Аналитика больших данных» совместно с Karpov Courses;
▪️МИФИ с направлением «Наука о данных и искусственный интеллект» в партнерстве с Яндекс Практикумом;
▪️МФТИ с программой «Наука о данных».

Сначала хотел податься везде, но МФТИ отпал – дорого и неудобный сайт, даже не смог подать заявку. В итоге сосредоточился на ВШЭ и МИФИ.
Сдал экзамен, выбрал МИФИ. Сыграли роль и доверие к ВУЗу, и партнерство с Яндекс Практикумом – я уже проходил у них курсы, знаю уровень. Плюс программа в МИФИ показалась интереснее: не только аналитика, но и искусственный интеллект – сейчас это очень актуально.

А дальше два года обучения.

1️⃣ Первый год базовый: Python, SQL, статистика, визуализация, теория вероятностей, машинное обучение. Во втором семестре нужно будет выбрать фокус – Data Science или инженерия данных.

2️⃣ На втором году выбор специализации. Всего их четыре: ML-инженер, инженер данных, направление по компьютерному зрению и NLP.

Пока начались только первые лекции, но мне уже нравится сам процесс. После работы учеба воспринимается по-другому – ты не просто сдаешь зачеты, а понимаешь, зачем это делаешь.

В нашей сфере все меняется слишком быстро и чтобы не выпадать из потока, нужно постоянно прокачиваться. Если давно думали о магистратуре или новом направлении – попробуйте. В любом случае это шаг вперед.

А я буду время от времени делиться, как идет обучение и какие выводы делаю по ходу.

В последнее время мы разбирали метрику LTV и ее связь с CAC. Хочется завершить эту серию постов вот какой темой: «Что делать, когда показатели посчитаны?»

Главное, что нам дает LTV в совокупности с другими метриками – понимание своих клиентов. Вот несколько рекомендаций по дальнейшим действиям.

Устанавливаем бюджет на рекламу. Очевидная польза LTV – знание о том, сколько денег приносит один клиент за все время пользования продуктом. При минимальных прикидках эта цифра не должна превышать расходы на привлечение одного клиента. При более сложных расчетах мы следим, чтобы соотношение LTV к CAC превышало 3. Это позволяет заложить бюджет на маркетинг.
Тут важная ремарка: затраты на привлечение могут превышать доход от клиента, если вы это делаете осознанно. Например, вы под инвестициями и вам необходимо нарастить оборот, долю рынка и тп. Однако вы должны четко понимать как в будущем будете исправлять экономику продукта и растранзачивать клиента, иначе это все может плохо закончиться.

Выявляем эффективные маркетинговые каналы. Каналы с наибольшим когортным LTV и прибыльным LTV/CAC Ratio должны стать приоритетом для маркетинговых кампаний, а каналы с наименьшим LTV – поводом для выявления причин и, возможно, смены стратегии.

Влияем на поведение клиентов. Не все клиенты одинаково прибыльны. Главная задача – подобрать стратегию для каждой когорты. Для этого мы проводим аналитику, формулируем гипотезы и разрабатываем стратегии, которые повысят LTV конкретной группы: скидки и бонусы, программа лояльности, продажи товаров комплектом и др. При анализе мы смотрим в первую очередь на частоту покупок, средний чек и снижение активности.

Увеличиваем LTV. Метрика складывается из трех показателей: средний чек, ARPU и среднее время жизни клиента. Декомпозируя LTV дальше, мы можем влиять на нижестоящие метрики. Например, сократить время до следующей покупки через рекламные рассылки или изменить цену продукта. Но при увеличении среднего чека акцент должен ставиться на товарах с наибольшей маржинальностью.

Планируем рост бизнеса. Прогнозирование LTV помогает ставить долгосрочные цели и рассчитывать инвестиции. Оптимальный горизонт предсказания – от года до трех лет. Лучше оценивать LTV одновременно с CAC за выбранный период, чтобы видеть, приносят ли клиенты прибыль в перспективе и за какое время окупятся затраты на их привлечение. На основании этого мы планируем расширение бизнеса.

#разбор_метрик #метрики

Always be the worst guy…

Always be the worst guy in every band you’re in. If you’re the best guy, you need to find another band. And always be around people who are better than you, so you can learn.

– Чад Фаулер, «The Passionate Programmer»

Эта фраза из книги так зацепила меня, что я решил осмыслить ее через написание поста 🙂

Она не про то, чтобы быть лузером, она про развитие. А смысл ее достаточно прост: всегда ищи окружение, где ты не дотягиваешь. Потому что только так происходит рост.

Большинство людей же напротив выбирает комфорт: быть «опытным специалистом», к которому идут за советом, чувствовать уверенность, знать все ответы. Это приятно, но опасно. Комфорт убивает развитие. Настоящий рост начинается там, где ты чувствуешь себя немного глупо, где есть люди, у которых хочется учиться.

В аналитике, IT, менеджменте это ощущается особенно остро. Когда вокруг сильные специалисты, тебе просто не дают застояться. Они показывают пример: как решать задачи быстрее, писать код аккуратнее, формулировать гипотезы точнее.

Иногда рядом с такими людьми чувствуешь себя неуверенно, но именно это состояние и есть двигатель прогресса. Через год ты оглядываешься назад и понимаешь – стал совсем другим.

И наоборот – если долго находишься в команде, где ты самый сильный, ты перестаешь расти. Все кажется знакомым, решения повторяются, задачи похожи. Комфортно, спокойно, предсказуемо и абсолютно бесперспективно.

Наша траектория формируется не великими решениями, а ежедневными мелочами. С кем мы работаем. У кого учимся. Как проводим время. Куда ходим – на конференцию или в бар. Хотя, если честно, и в баре иногда завязываются отличные знакомства – просто не стоит делать это своей основной стратегией развития 🙃

Поэтому если чувствуешь, что вокруг все слишком знакомо и спокойно – возможно, пора сменить окружение.

Потому что быть самым слабым в команде – не стыдно. Стыдно – застрять там, где ты не развиваешься.

#мысли

Друзья, привет!

Собрал для вас подборку своих последних постов на тему метрик, без которых невозможно управлять продуктом осознанно.

Чем глубже погружаешься в аналитику, тем яснее становится: именно LTV и CAC отвечают на главный вопрос – имеет ли продукт шанс на устойчивый рост. Они отражают не только эффективность маркетинга и ценообразования, но и то, насколько хорошо выстроены онбординг, удержание и продуктовая ценность.

▪️ Простой способ расчета LTV
▪️ LTV с учетом маржи и дисконтирования
▪️ Когортный LTV
▪️ Customer Acquisition Cost
▪️ Что делать, когда показатели посчитаны

Если тема вам близка – добавляйте пост в закладки, пригодится!

#метрики

Иногда кажется, что ИИ влетел в нашу жизнь слишком быстро. Еще вчера мы учились программировать, ковырялись в формулах, сдавали лабы ночами… а сегодня половина задач в ВУЗах и на собеседованиях решается по схеме: вставил в чат – получил ответ – профит 🙈

Появился новый жанр – вайб-кодинг. Когда человек не совсем понимает, что делает, но ИИ выдает что-то, что выглядит как работа, и этого как будто бы достаточно.

Проблема не в том, что «раньше было лучше» или что технологии «портят молодежь». Проблема в том, что мы внезапно получили инструмент, который слишком легко имитирует компетентность.

Ситуация в ВУЗах

Недавно наткнулся на интересную дискуссию в сообществе МИФИ о использовании ChatGPT студентами из-за возросшей нагрузки непрофильными предметами. Студент получает задачу, не понимает или просто не успевает в ней разобраться и открывает ИИ. Через минуту готовое решение, с кодом, объяснениями и красивыми формулами.
Можно сдавать и закрывать предмет. А вот знания, увы не прикладываются автоматически. Более того, даже преподы грешат этим!

Уровень собеседований

Здесь все еще забавнее. Кандидат приходит на интервью, получает вопрос, кивает, «думает» пару секунд, а в реальности в это время спешно вбивает запрос в ChatGPT.
Ответ получается идеально гладким. Но главное даже не в том, что рекрутер это заметит (а опытные замечают почти сразу). Главная проблема, что таким путем ты рискуешь получить работу, к которой вообще не готов.

Мы стоим на развилке

ИИ – невероятно мощный инструмент. Он может ускорять обучение, помогать понять сложные темы, разбирать код, объяснять формулы человеческим языком.
Но если сводить его роль к «сделай за меня», то мы попадаем в ловушку: перестаем различать, что мы понимаем, а что просто красиво сделано за нас.

Как быть?

Кажется, все упирается в честность перед собой.
Если я использую ИИ, то он должен быть советчиком и навигатором, но не тем, кто сдает экзамены вместо меня. Потому что в реальности экзамен всегда впереди – просто его роль будет выполнять жизнь или реальная работа.
ИИ облегчил вход, но не отменил необходимость учиться. Он только изменил то, как мы учимся. И в этом нет ни плохого, ни хорошего, есть только ответственность пользоваться инструментом так, чтобы становиться сильнее, а не зависимее.

#мысли