Короткий ответ. Есть три способа предсказать окупаемость подписочного приложения: наивная экстраполяция (безопасная, но обычно слишком медленная), подбор степенной кривой к ранним данным по выручке (точный, когда данных достаточно), и модели на основе прайоров по типу монетизации и географии (для новых кампаний без данных вообще). Начинай с прайоров, потом переходи к подбору кривой по мере накопления реальных данных.

На каждой UA-панели есть число LTV. Почти ни одна не говорит, насколько ему можно доверять.

Это не базовая версия про прогноз LTV. Если нужны основы, весь путь от сигналов первого дня до окна окупаемости, я уже писал об этом отдельно. Этот текст уже: три реальных способа построить прогноз, настоящая математика за каждым, и почему выбор неправильной модели может сдвинуть дату окупаемости больше чем на месяц.

Что на самом деле предсказывает модель окупаемости

Модель окупаемости отвечает на один вопрос: в какой день накопленная выручка от подписок этой когорты сравняется с тем, что потрачено на её привлечение? Угадай день правильно, и точно знаешь, когда кампания превращается из расхода в центр прибыли. Ошибись, и либо масштабируешь кампанию, которая тихо теряет деньги, либо убиваешь ту, что вот-вот окупится.

Само число получить легко, любая таблица разделит выручку на траты. Часть, которую почти никто не проверяет, это насколько доверять этому числу на 3-й день против 30-го. Именно это отличает настоящую модель окупаемости от догадки с прикрученной формулой.

Три типа, и реальная математика за каждым

1. Наивная экстраполяция. Берёшь всю выручку, которую когорта уже принесла, и предполагаешь, что дневной темп продолжит затухать с фиксированной скоростью, вместо того чтобы моделировать, как он реально растёт. На практике: суммируешь наблюдаемую выручку, потом продлеваешь хвост с фиксированной скоростью затухания день за днём. Это одна строчка кода и ноль дата-сайенса. Плата за это в том, что скорость затухания — догадка, не подобранная под реальную когорту, поэтому она почти всегда слишком консервативна. Это безопасная модель, и она медленная.

2. Подбор кривой. Вместо того чтобы угадывать скорость затухания, подбираешь реальную кривую под наблюдаемую выручку, обычно степенную или логарифмическую, и оставляешь ту, что лучше всего описывает реальные цифры с наименьшей ошибкой. Именно так работает продакшн-движок LTV, который я использую: он пробует несколько кандидатных форм кривой, оставляет ту, у которой ошибка меньше всего, и может пересчитать с большим весом на недавние дни, если поведение когорты меняется на ходу. Это по-настоящему точно, когда данных достаточно и они охватывают достаточно дней. С двумя точками за последние два дня модель уверенно нарисует красивую кривую, которая ничего не значит.

3. Модели на основе прайоров. Для кампании, которая запустилась вчера, подбирать кривую ещё не по чему, поэтому берёшь готовую форму. Форму, основанную на типе монетизации (подписки продлеваются предсказуемой лесенкой, встроенные покупки часто скошены в сторону китов, приложения на рекламной модели дают всплеск в начале и затухание), географии (когорта из США обычно монетизируется на другом уровне и с другой скоростью продления, чем страна третьего уровня), и источнике трафика (органические пользователи обычно конвертируются и удерживаются лучше платных). Ничего из этого не специфично именно для твоей кампании. Но всё это лучше, чем вообще ничего в первый день.

Одни и те же 7 дней данных, два разных ответа

$0$4$8$12Накопленная выручка на установкуДень 0День 30День 60День 90Окупить нужно: $8/установкуДень 45День 80КриваяНаивная
Одни и те же 7 дней наблюдаемой выручки, два разных прогноза. Подобранная степенная кривая говорит, что эта когорта окупается на 45-й день. Наивная модель затухания, на тех же данных, говорит про 80-й день: разница в 35 дней, которая решает, масштабировать, приостановить или убить кампанию на этой неделе или через месяц.
Подобранная кривая (степенная регрессия)Наивный прогноз (плоское затухание)Наблюдения, дни 1, 3, 7

На графике используется один небольшой, реалистичный пример: когорта, которая стоит $8 за установку, с выручкой, наблюдаемой до 7-го дня. Обе модели согласны в том, что уже произошло. Они резко расходятся в том, что будет дальше, и это расхождение не погрешность округления, это больше месяца разницы в решении масштабировать, приостановить или убить кампанию, в зависимости от того, какой модели ты случайно поверил.

Какую из них реально использовать

Используй тип, который соответствует тому, сколько данных у тебя реально есть, а не тот, который проще всего построить. Начинай каждую новую кампанию с прайоров, потому что в первый день это реально лучшая доступная информация. По мере поступления реальной выручки переключайся на подбор кривой, и доверяй ему больше, когда данные охватывают больше дней и больше когорт, а не просто больше сырой выручки.

Часть, которую стоит перенять, даже если никогда не будешь строить ничего из этого сам: прикрепляй уровень уверенности к каждому числу окупаемости, не только само число. Оценка окупаемости, построенная на двух точках данных, и та, что построена на тридцати, никогда не должны выглядеть одинаково на панели, даже если случайно выдают один и тот же день.

Я построил именно это, переключение с прайоров на подбор кривой и оценку уверенности, внутри uacopilot.ai, продукта для UA-аналитики, который я веду. Это не теория, вычитанная где-то, это модель, принимающая реальные бюджетные решения на реальных кампаниях.

Главное

  • Модель окупаемости настолько заслуживает доверия, насколько заслуживают доверия данные за ней, поэтому уровень уверенности важен не меньше самого числа.
  • Наивные модели затухания безопасны, но обычно опаздывают; подбор кривой точен, но нужны реальные данные за реальные дни, а не просто две точки.
  • Начинай новые кампании с прайоров по типу монетизации и гео, потом переходи на подобранную кривую по мере накопления данных по выручке.

Частые вопросы

Сколько точек данных нужно, чтобы доверять подбору кривой?
Как правило, минимум четыре наблюдаемые точки, охватывающие минимум неделю. Меньше, и подбор кривой на самом деле прайорная догадка, притворяющаяся подобранной формулой. Относись к любой кривой, подобранной по двум-трём ранним дням, как к низкой уверенности, какой бы красивой она ни выглядела.
Почему наивные прогнозы обычно опаздывают, а не забегают вперёд?
Потому что фиксированная скорость затухания предполагает, что когорта уже замедляется настолько быстро, насколько вообще будет. Реальные подписочные когорты часто продолжают конвертировать пробных пользователей и продлевать подписки далеко за той точкой, которую ожидает плоская кривая затухания, поэтому наивная модель склонна недооценивать будущую выручку и сдвигать дату окупаемости дальше.
Значит ли больше дней данных всегда более точную модель?
Больше дней реальных данных делают подбор кривой точнее, но прогноз, уходящий дальше, чем реально охватывают данные, экстраполирует в неизвестность, а не набирает уверенность. Практическое правило: не доверяй прогнозу больше чем примерно в шесть раз дальше, чем дни, которые реально наблюдались.