Table des Matières
Principaux points à retenir :
- La LTV est une métrique couramment prioritaire pour les entreprises SaaS, mais son suivi et son analyse précis sont difficiles
- La LTV simple peut fournir un aperçu détaillé de la valeur client dans plusieurs scénarios différents, bien que vous ayez besoin de tenir compte d'une marge d'erreur potentielle
- La combinaison de données statistiques et de performances historiques avec vos données de LTV peut fournir aux entreprises d'abonnement des informations plus détaillées et précises
La valeur sur la durée de vie (LTV) est l'une des métriques les plus importantes que nous suivons dans SaaS. Elle nous indique la valeur que nos clients apportent à notre entreprise.
Généralement, la LTV est estimée en utilisant un calcul de LTV « simple ». Mais est-ce vraiment efficace ?
Dans un article précédent, nous avons exploré les pièges de l'utilisation des métriques de taux de désabonnement. Nous avons découvert que les calculs de taux de désabonnement nous induisent en erreur dans certaines circonstances, comme lorsqu'il y a beaucoup de clients à court terme, ce qui peut rendre difficile l'identification précise des utilisateursà risque de désabonnement et nécessite une évaluation minutieuse du taux de désabonnement client par rapport au taux de désabonnement revenu..
Notre métrique la plus populaire pour la LTV est une métrique basée sur le « taux de désabonnement », où le taux de désabonnement se trouve au dénominateur lors de son calcul. Alors, qu'est-ce que cela dit sur nos calculs de LTV ? Sont-ils parfois faux ?
Dans cet article, nous allons tester la métrique de LTV « simple ».
- Quand est-elle exacte ?
- Où nous induit-elle en erreur ?
- À quel point se rapproche-t-elle de la vraie LTV ?
Calcul de la LTV simple
Avant de plonger dans le vif du sujet, examinons ce qu'est la LTV « simple ». Voici la formule
LTV = Revenu mensuel moyen par utilisateur / taux de désabonnement utilisateur
Remarquez qu'elle inclut le taux de désabonnement au dénominateur.
Si le taux de désabonnement nous induit en erreur pour la rétention client, nous induit-il également en erreur pour les calculs de valeur sur la durée de vie ?
Exécutons quelques simulations où nous connaissons la valeur réelle de la LTV et voyons comment la méthode « simple » l'estime.
Scénario 1 : LTV dans une entreprise stagnante avec de nombreux abonnés à court terme
Voici notre premier scénario: une entreprise stagnante où rien ne change. Les inscriptions restent les mêmes. Les résiliations restent les mêmes, et la durée de vie moyenne d'un abonnement ne change pas. Voici un résumé :
- Inscriptions mensuelles moyennes : 30
- Durée de vie moyenne de l'abonnement : 2 mois
- Prix de l'abonnement : 20 $/mois
- Valeur moyenne sur la durée de vie : 40 $
- De nombreux abonnés à court terme
Le graphique ci-dessous illustre une simulation où nous générons les données nous-mêmes en utilisant des paramètres connus (tels que les taux d'inscription et les durées de vie des abonnements). Nous pouvons évaluer les métriques clés, telles que la LTV « simple », en les comparant à la réalité.
Voici un aperçu de la population d'abonnés actifs dans la simulation décrite ci-dessus :
Remarquez comment la population d'abonnés actifs augmente rapidement au cours des 20 premiers mois, puis la population fluctue au-dessus et au-dessous de la ligne pointillée rouge pendant le reste de la simulation. Après environ 15 mois, l'entreprise est vraiment stagnante. La ligne d'abonnés actifs en violet s'alignera à jamais sur la ligne pointillée rouge, fluctuant autour de 72 abonnés.
Une métrique de LTV devrait être facile à gérer dans un scénario d'entreprise stagnante car rien ne change. La métrique devrait avoir suffisamment de données pour capturer la vraie LTV. Mais notre métrique de LTV « simple » peut-elle se rapprocher de la vraie LTV que nous connaissons ?
Décomposition par mois
Calculons la LTV chaque mois dans la série chronologique ci-dessus. Nous commencerons avec de petites quantités de données aux premiers mois, mais à mesure que notre ensemble de données croîtra, l'estimation devrait se rapprocher de la valeur réelle de la LTV. Le fait-elle ?
Le graphique ci-dessus montre l'estimation simple de la LTV calculée chaque mois. La ligne bleue indique la valeur de vie réelle pour cette base de clients. Remarquez que pendant que l'entreprise est en phase de croissance, notre LTV « simple » sous-estime la vraie LTV de beaucoup.
Pour résumer, nous connaissons la LTV dans cette situation simulée car nous l'avons choisie. Nous avons ensuite utilisé la métrique de LTV simple pour calculer la LTV. Ensuite, nous avons comparé la métrique de LTV simple et la métrique de LTV, qui est un paramètre de la simulation, pour voir si elles étaient identiques ou non.
La LTV simple commence près de zéro. Elle commence petite parce que la population de clients n'a pas encore se stabilisé, et beaucoup de clients à court terme se désabonnent par rapport aux autres.
La LTV simple se rapproche beaucoup plus de la réalité lorsque la population se stabilise, mais nous avons tendance à toujours sous-estimer la LTV. L'estimation moyenne de la LTV lorsque la population se stabilise est de 32 $. C'est 20 % moins que la vraie valeur de 40 $. C'est une sous-estimation, mais étonnamment, ce n'est pas terrible !
Les Résultats
Bien que non parfaits, les calculs simples de LTV dans le scénario ci-dessus semblent utilisables, avec seulement environ 20% d'écart.
Mais comment le calcul « simple » de LTV fonctionne-t-il dans une base de clients plus typique de Baremetrics, où les clients s'abonnent en moyenne pour quelques années ?
Scénario 2 : LTV dans une Entreprise Stagnante avec des Abonnés à Long Terme
Et si nous essayions la simulation avec une base de clients différente ? Obtiendrions-nous toujours des sous-estimations ? Essayons une nouvelle simulation avec moins d'abonnés à court terme. Notre estimation de LTV serait-elle meilleure une fois la désabonnement réduite? (N'oubliez pas : La désabonnement est inévitable, même si de nombreuses marques s'efforcent pour taux de désabonnement négatif.)
Le graphique ci-dessous représente une simulation différente. Les paramètres sont les mêmes qu'avant, sauf pour une distribution différente d'abonnés. Cette population ressemble étroitement à un client réel de Baremetrics.
Dans cette simulation, il y a moins d'abonnés à court terme, et la durée de vie moyenne de l'abonnement est de 3,7 ans. Si l'abonnement moyen dure 3,7 ans, alors la LTV réelle est de 904 $.
Ceci est calculé en multipliant 3,7 ans x 12 mois x 20 $ mensuels.
Le LTV « simple » peut-il se rapprocher de ce chiffre de 904 $ ?
Dans le graphique ci-dessus, la ligne jaune représente le calcul simple de LTV calculé chaque mois au fur et à mesure que la simulation progresse. Remarquez que nous obtenons des surestimations spectaculaires au début. Pourquoi ? C'est parce que nous avons plus d'abonnés à plus long terme. Très peu de clients se désabonnent dans les premiers mois de ce processus. Par conséquent, notre estimation de LTV est beaucoup trop élevée car nos estimations s'attendent à ce que les abonnements durent éternellement avec un si faible taux de désabonnement.
Cependant, la population de clients se stabilise après 3,7 ans. Après 3,7 ans, nous obtenons des estimations proches de la LTV réelle (ligne bleue). De plus, il semble que ce soit une estimation beaucoup plus précise que dans notre scénario précédent. C'est seulement décalé de quelques points de pourcentage !
Les Résultats
Donc, en conclusion, le LTV « simple » n'est pas si mauvais quand les clients restent à long terme, et rien ne change fondamentalement dans l'entreprise ! D'autant plus que nous avons abordé les problèmes dans notre article précédent sur la désabonnement.
Alors, pouvons-nous trouver un scénario où le LTV « simple » échoue ? Peut-être que le LTV « simple » échoue quand la population de clients change rapidement. Peut-être que nous voyons le même problème ici parce que notre estimation simple de LTV surestime énormément la valeur de durée de vie au cours des deux premières années.
Scénario 3 : LTV dans une Entreprise en Croissance
Essayons une autre simulation pour explorer cette question plus avant. Gardons tout le même que le scénario que nous avons fait ci-dessus, mais avec un changement clé.
Supposons que nous ayons une excellente équipe marketing qui augmente régulièrement le nombre d'inscriptions mensuelles, et notre taux d'inscription moyen augmente d'un pour cent chaque mois.
Après 100 mois, nous devrions obtenir le double du nombre de clients en moyenne chaque jour. La valeur de durée de vie, cependant, ne change pas. Cette croissance extrême ruine-t-elle notre estimation de LTV ?
Voici un graphique de la base de clients actifs :
À mesure que nous obtenons des inscriptions croissantes, notre population de clients actifs augmente considérablement.
Incroyable ! Comment notre calcul de LTV fonctionne-t-il ?
Voir le graphique ci-dessous :
Les Résultats
Dans le graphique ci-dessus, nous voyons comment les estimations de LTV « simple » (jaune) prennent plus de temps à converger avec la vraie valeur de LTV (ligne pointillée).
Les estimations finissent par converger avec la vraie valeur, mais seulement après environ dix ans. Même cinq ans dans cette série chronologique, nos estimations de LTV sont décalées d'autant que 50%.
Il semble que l'estimation de LTV « simple » soit sensible à une population de clients en mutation, même si la taille de la population de clients ne devrait avoir rien à voir avec la valeur de durée de vie de l'individu.
Cette sensibilité à la taille de la population est due au fait que l'estimation simple de LTV dépend de la désabonnement, qui est sensible à une taille de population en mutation rapide.
Essayons une Métrique Différente pour LTV
Pouvons-nous trouver une meilleure métrique pour LTV ? Une qui ne soit pas déformée par des taux d'inscription changeants ? Au lieu de l'estimation simple de LTV, construisons-en une basée sur les statistiques.
Dans cet exemple, estimons la durée de vie moyenne d'un client à l'aide d'un modèle statistique. En utilisant nos données, nous construirons un modèle statistique pour les durées d'abonnement.
Nous utiliserons la régression de Weibull comme modèle statistique. Nous alimentons des données dans le modèle, et il produira une estimation pour la durée de vie moyenne de l'abonnement.
Ensuite, nous multiplions la durée de vie moyenne de l'abonnement par notre taux mensuel de 20 $/mois pour obtenir une estimation de LTV. Comment une telle estimation se comparerait-elle au LTV « simple » ?
Répétons la simulation précédente avec des taux d'inscription client croissants et calculons la LTV des deux manières pour comparer.
Dans le graphique ci-dessus, nous montrons les estimations de LTV au fil du temps. L'estimation de LTV « simple » est bleue, et l'estimation statistique est violette.
Remarquez comment la méthode statistique converge avec la vraie valeur de LTV (ligne pointillée) bien avant l'estimation « simple ». Avec l'estimation statistique, nous nous rapprochons de quelques points de pourcentage de la LTV réelle avec environ 18 mois de données, bien avant que la base de clients n'atteigne une population stable.
En revanche, l'estimation basée sur la désabonnement prend dix ans pour rattraper et n'atteint jamais le même niveau de précision. L'estimation statistique surpasse celle basée sur la désabonnement simple.
Les Statistiques Surpassent le LTV « Simple », Mais Pouvons-Nous Faire Mieux ?
Une note intéressante : Remarquez comment, au début du graphique ci-dessus, l'estimation basée sur la désabonnement surestime la LTV réelle, tandis que la méthode statistique la sous-estime. Pourquoi ? Ces deux distorsions se produisent parce que ces estimations sont naïves. Elles ne savent rien avant de voir des données, donc elles commencent par des estimations absurdes : l'estimation statistique commence à zéro, et la désabonnement « simple » commence près de l'infini.
Alors, pouvons-nous améliorer nos estimations en leur donnant un meilleur point de départ avant qu'elles ne voient des données ?
Bonne nouvelle : Oui.
Il s'avère que nous pouvons améliorer notre estimation statistique en donnant au modèle une certaine éducation. Si le modèle commence par une idée vague de ce qu'une durée de vie d'abonnement moyenne ressemble, basée sur des expériences antérieures ou les expériences de pairs. Disons que nous nous attendons à ce qu'une durée de vie d'abonnement dure environ un an. Une estimation approximative large, mais plus réaliste que zéro. Ensuite, à mesure que les données arrivent, nous mettons à jour nos estimations.
À mesure que nous collectons plus de données, notre point de départ vague disparaîtra régulièrement, cédant la place à ce que les données nous disent. Mais initialement, cela aidera en commençant plus près de la vérité.
Ce que nous faisons s'appelle la régularisation en statistiques et en apprentissage automatique. C'est une technique où nous ajoutons du biais à notre modèle – le bon type de biais. Cela met plus de poids sur les points de données réalistes et traite les observations extrêmes avec scepticisme. Nous obtenons de meilleures estimations en conséquence.
Ci-dessous, nous avons ajouté une nouvelle estimation améliorée qui utilise la régularisation. Elle est similaire à l'estimation statistique, mais elle utilise quelque chose appelé Probabilité a priori bayésienne. Une probabilité a priori est comme une préconception vague. Elle oriente nos estimations vers ce que nous savons être des durées de vie d'abonnement raisonnables, afin que nos estimations commencent plus près de la réalité. Voyons comment cela fonctionne :
Nous avons ajouté une estimation statistique améliorée (en vert) dans le graphique ci-dessus. Remarquez comment la nouvelle estimation surpasse les autres au cours des premiers mois. Cette amélioration fait exactement ce que nous avions l'intention de faire.
Notre estimation améliorée est plus proche de la valeur LTV réelle au cours des premiers mois. Cependant, à mesure que les données arrivent, les deux estimations statistiques convergent et finissent par devenir indiscernables.
Utiliser Baremetrics pour suivre avec précision les indicateurs clés de performance
Nous espérons avoir montré qu'il est possible de trouver de meilleures métriques LTV que celles basées sur le taux de désabonnement. Les estimations LTV basées sur le taux de désabonnement peuvent être très inexactes, en particulier lorsqu'il y a peu de données. Nous pouvons les remplacer par ces meilleures métriques. De plus, nous pouvons aussi les affiner, afin qu'elles soient mieux adaptées à notre domaine dans SaaS.
Baremetrics fournit des données précises et à jour pour 26 métriques de performance et financières qui sont critiques pour les entreprises SaaS, y compris taux de désabonnement brut vs net, revenu mensuel récurrent, et bien sûr LTV. Si vous souhaitez réduire taux de désabonnement de SaaS— ou même analyser le désabonnement pour mieux comprendre pourquoi les clients ne sont pas fidèles —, Baremetrics peut vous aider.
Nous avons également des fonctionnalités avancées de segmentation des clients, Analyse des annulations pour fournir un aperçu de l'annulation des clients, et Recover pour prévenir churn involontaire avec la gestion des relances de paiement.
Fatigué de perdre du temps sur des feuilles de calcul ? Obtenez un essai gratuit de Baremetrics dès aujourd'hui !
