SaaS 的 LTV 是每个账户的月均收入乘以毛利率,再除以月流失率:算例里是 80 × 0.80 ÷ 0.03 = 2,133 美元。这个简便算法假设所有客户流失率相同。细分之间不同时,它就不准:在一个两细分的示例里,它比真实的 2,667 美元低了 36%。下面讲每个输入、流失率敏感度表、按时间跨度的群组差距,以及 LTV 与 CAC 的检查。
读完你会知道
- 用毛利,不要用收入:毛利率 80% 时,收入会高估 LTV 25%
- 流失率一升,LTV 就快速下降:月流失从 3% 到 4%,2,133 美元降到 1,600 美元
- 先分细分再平均:在混合客户上用恒定流失率,示例里低估了 36%
SaaS 的 LTV 公式是什么?
SaaS 客户生命周期价值是 LTV = ARPA × 毛利率 ÷ 月流失率,其中 ARPA 是每个账户的月均收入。流失率同时承担两个作用:它还给出预期的客户生命周期,即 1 ÷ 流失率个月。一个算例:
- ARPA:每月 80 美元
- 毛利率:80%,所以每个账户每月贡献 80 美元 × 0.80 = 64 美元
- 月流失率:3%,所以预期生命周期是 1 ÷ 0.03 = 33.3 个月
- LTV = 64 美元 ÷ 0.03 = 2,133 美元
这是每个 SaaS 团队都在用的简便算法,也是个好起点。它建立在一个常常不成立的假设上:每个客户的流失率都相同。本文讲怎样把每个输入弄准,答案对流失率有多敏感,以及不同细分的流失率不同时,误差会有多大。通用的、非 SaaS 的计算见怎么计算 LTV;LTV 与获客成本怎么比,见LTV 与 CAC 之比。
每个输入怎样才算弄准?
| 输入 | 该用的定义 | 常见错误 |
|---|---|---|
| ARPA | 当月经常性收入 ÷ 同一时点的付费账户数 | 把免费或试用账户算进来,拉低 ARPA,并把两类人混在一起 |
| 毛利率 | (经常性收入 − 服务它的成本)÷ 经常性收入;包含托管、客服和支付手续费 | 用收入代替毛利,会让 LTV 高估 1 ÷ 毛利率(这里是 25%) |
| 月流失率 | 当月流失的账户数 ÷ 月初账户数,取至少 6 个月的平均 | 只用某一个好的或坏的月份,或者把年流失率除以 12 |
David Skok 的 SaaS 指标指南给出两个提醒。首先,客户流失和收入流失可以不同:如果流失的是较小的账户,流失 10% 的客户可能只对应约 3.4% 的收入流失,两个数字都重要(Skok,SaaS Metrics 2.0)。用和你的 ARPA 匹配的那个:ARPA 按账户算,就用账户(客户数)流失;想要按收入加权的 LTV,就用收入流失和总收入。其次,同一份指南把月度净收入流失率高于 2% 视为问题信号;这大约相当于每年损失 22% 的收入,因为 1 − 0.98¹² = 21.5%。
毛利率的影响很安静。用收入而不是毛利,示例 LTV 会是 80 美元 ÷ 0.03 = 2,667 美元,比 2,133 美元高 25%。一定要乘毛利率。
LTV 对流失率有多敏感?
LTV 的变化比流失率快,因为流失率在分母上。ARPA 保持 80 美元,毛利率 80%:
| 月流失率 | 预期生命周期 | LTV |
|---|---|---|
| 2% | 50.0 个月 | 3,200 美元 |
| 3% | 33.3 个月 | 2,133 美元 |
| 4% | 25.0 个月 | 1,600 美元 |
| 5% | 20.0 个月 | 1,280 美元 |
| 6% | 16.7 个月 | 1,067 美元 |
复算一行:64 美元 ÷ 0.04 = 1,600 美元,1 ÷ 0.04 = 25 个月。流失率从 3% 到 4%,只动一个百分点,LTV 就减少 533 美元(25%)。这就是为什么流失率是要守住的数字,也是为什么测量它的小误差,比 ARPA 上同样的误差更要紧。
| 月流失率 | 预期生命周期 | LTV |
|---|---|---|
| 2% | 50.0 个月 | 3,200 美元 |
| 3% | 33.3 个月 | 2,133 美元 |
| 4% | 25.0 个月 | 1,600 美元 |
| 5% | 20.0 个月 | 1,280 美元 |
| 6% | 16.7 个月 | 1,067 美元 |
ARPA 80 美元、毛利率 80% 保持不变;LTV = 64 美元 ÷ 流失率。
简便公式什么时候会给出错误答案?
当客户的流失速度不同时,用平均流失率去除就是错的。示例:你的新账户有一半是流失率每月 6% 的小企业,另一半是流失率每月 1.5% 的中型账户。两者都付 80 美元,毛利率 80%。
| 账户占比 | 月流失率 | 生命周期 | LTV(64 美元 ÷ 流失率) | |
|---|---|---|---|---|
| 小企业 | 50% | 6.0% | 16.7 个月 | 1,067 美元 |
| 中型 | 50% | 1.5% | 66.7 个月 | 4,267 美元 |
| 真实的混合 LTV | 2,667 美元(两者的平均) | |||
| 按混合流失率套公式 | 3.75%(6% 和 1.5% 的平均) | 26.7 个月 | 1,707 美元 |
复算:真实 LTV 是 0.5 × 1,067 美元 + 0.5 × 4,267 美元 = 2,667 美元。公式用的混合流失率是 0.5 × 6% + 0.5 × 1.5% = 3.75%,得到 64 美元 ÷ 0.0375 = 1,707 美元。公式比真实值低估了 36%(1,707 美元对 2,667 美元);反过来说,真实值高出 56%。
原因:流失快的账户走得早,所以留下来的人,流失速度比平均值显示的要慢。Fader 和 Hardie 关于订阅留存的研究建立在正是这个想法上:如果客户的基础流失概率各不相同,随着高流失客户离开,整体留存率会随时间上升(Fader 和 Hardie,How to Project Customer Retention)。所以恒定流失率的假设会漏掉长尾。办法是按细分分别计算 LTV,再按占比加权求和,或者去读真实群组的留存曲线。
同一批客户,不同方法算出的 LTV
示例,每账户美元该往后预测多远,群组曲线会带来什么改变?
上面的差距在早期看不出来。用同样的两细分组合(每个账户的累计毛利,每月按月初的存活率计):
| 时间跨度 | 群组曲线(混合) | 公式(3.75% 流失) | 群组高出 |
|---|---|---|---|
| 12 个月 | 633 美元 | 628 美元 | 0.9% |
| 24 个月 | 1,062 美元 | 1,025 美元 | 3.6% |
| 36 个月 | 1,371 美元 | 1,276 美元 | 7.5% |
| 整个生命周期 | 2,667 美元 | 1,707 美元 | 56.2% |
12 个月后,两种方法相差不到 1%,所以一年的数据分不出谁对。到第 36 个月,混合群组仍有 35.2% 活跃,而恒定 3.75% 流失下只有 26.2%。大部分差距在三年以后的长尾里,而那恰恰是你最难验证的部分。
由此得到两条实用规则。给时间跨度设上限,定在你能相信的范围:很多团队用 36 或 60 个月,这样数字就是前 36 个月的毛利(这里是 1,371 美元),而不是一个无限求和。每个季度用真实群组重新计算:按注册月份画留存,把每个群组实际产生的毛利加起来,公式只用来外推。
扩展收入和 LTV 与 CAC 的检查怎么办?
如果老客户随时间付得更多,且扩展收入大于流失损失的收入,净收入流失就是负的,简便公式会失效:它会给出无限或负的生命周期。Skok 指出这种情况需要另一种折现现金流的办法(Skok)。在那之前,公式用毛流失,扩展收入作为额外的上行空间单独报告。
有了 LTV,就用获客成本检验它。设示例 CAC 为 800 美元:
- LTV ÷ CAC = 2,133 美元 ÷ 800 美元 = 2.67。Skok 的指南称,高于 3 的比例是表现突出的 SaaS 企业的典型水平,同时说明这只是参考。
- 回收期:800 美元 ÷ 每月 64 美元毛利 = 12.5 个月。同一份指南说,CAC 回收超过 12 个月时盈利能力偏弱。
这个例子刚好在两条参考线之外,所以要问的不是"LTV 高不高",而是"ARPA、毛利率、流失率和 CAC 里,哪个是我们能动的"。把流失率从 3% 降到 2%(LTV 3,200 美元),比例升到 4.0。
哪些错误会让 SaaS 的 LTV 不可靠?
- 用收入代替毛利。 毛利率 80% 时,会高估 LTV 25%。
- 把差别很大的细分的流失率平均。 上面的例子偏低 36%;先分细分。
- 算流失率的窗口太短。 一个月是噪声;至少用六个月,并留意季节性。
- 在 ARPA 里混入免费和付费账户。 分开报告。
- 把无限时间跨度的数字当事实引用。 设上限,并把群组数字放在旁边。
- 忽略折现。 三年后的钱不如现在的钱值钱;说明这个数字有没有折现。
- 忘了 LTV 是个模型。 每个季度对照真实群组重新计算。
在 TapCub 里怎么搭这个?
TapCub 不是计费系统,自己并不知道你的订阅状态:LTV 需要的收入和流失,要由你以事件的形式发过来。如果你把每笔订阅付款记录成带金额属性的 purchase 事件,并识别已登录用户(B2B 的话,把他们归入账户),就能搭出这些输入:
- ARPA。 在 全端分析 › 行为分析 › 自定义指标与 SQL 里,用 purchase 事件定义指标:金额的属性求和,除以去重后的付费账户数,按月计。
- 流失和群组曲线。 在 全端分析 › 行为分析 › 行为分析 里,按注册月份对 purchase 事件(或登录事件)做留存报告。这就是拿来和公式对比的群组曲线。
- 用分群还原结构。 用 全端分析 › 用户 › 分群与标签 建规则分群(例如按套餐或公司规模,前提是你把它们作为属性发过来),分别看每个分群的留存。B2B 的话,用户 › 账户 按账户而不是按人汇总成员和 0–100 的账户健康分。
- CAC 这一侧。 在 全端分析 › 经营分析 › 渠道 ROI 按天、渠道和活动导入花费;它给出的单次获客成本是花费除以订单里的购买数,所以只有当"购买"代表新客户时,这些数字才和你的 LTV 对得上。
- 一次性的切片。 其他需求,可以在 SQL 页签里按人查询事件。
TapCub 报告的是发给它的数据;它不读取你的计费系统,不管理订阅,也不催缴失败的付款。
FAQ
SaaS 业务的 LTV 怎么计算?
把每个账户的月均收入乘以毛利率,再除以月流失率。ARPA 80 美元、毛利率 80%、流失率 3%,LTV 是 80 × 0.80 ÷ 0.03 = 2,133 美元。
SaaS 的 LTV 与 CAC 之比多少算好?
一条广泛引用的参考线是高于 3,且 CAC 在 12 个月内收回,见 Skok 的指南。把它们当作参考。在示例里,2.67 和 12.5 个月显示了差距在哪里。
为什么我的 SaaS LTV 和群组数据差这么多?
因为公式假设所有人的流失率相同。如果不同细分的流失速度不同,平均流失率会低估留下来的客户的生命周期。在示例里,公式比真实值低了 36%。
LTV 该用收入还是毛利?
毛利。收入会高估 LTV;毛利率 80% 时,示例数字会是 2,667 美元,而不是 2,133 美元。
有扩展收入时,流失率该用什么?
简便公式用账户毛流失,扩展收入单独报告。如果扩展超过流失,净收入流失为负,就需要另一种折现的办法。
资料来源
- David Skok,SaaS Metrics 2.0:衡量和改善关键指标的指南,核对于 2026-11-21
- Fader 和 Hardie,How to Project Customer Retention(2006),核对于 2026-11-21
这篇文章对你有帮助吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。

