LTV Hesaplama Rehberi.
Müşteri Yaşam Boyu Değeri (LTV) bilinmiyorsa pazarlama bütçesinin sınırı bilinmiyor demektir. Çoğu marka tek-formül LTV ile çalışır; bu hızlı tahmindir ama yanılgılarla doludur. Bu rehberde dört yaklaşım: basit formül, SaaS formülü, kohort tabanlı, predictive — her biri için ne zaman kullanılır + adım adım örnek.
LTV = AOV × Sipariş Sıklığı × Müşteri Ömrü × Brüt Marj. Bu basit formül başlangıç noktasıdır; kohort yöntemi gerçek LTV'yi gösterir. SaaS'te LTV = ARPU / Aylık Churn × Marj. Sağlıklı LTV:CAC oranı 3+, çoklu segment ortalaması yanıltıcıdır — VIP'ler ve normal müşteriler ayrı hesaplanmalı. Excel template ile aylık 30 dakikada güncel LTV elde edilir.
// 01LTV neden önemli
LTV (Customer Lifetime Value) dört kritik kararın sınırını çizer:
- Pazarlama bütçesi tavanı: LTV/3 = sağlıklı CAC üst sınırı. LTV bilinmeden bütçe agresif mi muhafazakar mı bilinemez.
- Segmentasyon önceliği: VIP segmentler ortalamadan 4-8x LTV'ye sahipse ayrı kampanya, ayrı kanal, ayrı içerik hak ederler.
- Retention vs acquisition kararı: mevcut müşteriyi tutmak yenisinden 5-25x daha ucuz; ama bunu LTV'siz savunamayız.
- Yatırımcı / strateji konuşması: LTV:CAC ve payback period SaaS valuation'larının ana parametresidir.
// 02Basit formül (e-ticaret)
Her boyutu nasıl hesaplayacağın:
- AOV (Ortalama Sipariş Değeri): Toplam Gelir / Toplam Sipariş Sayısı, son 12 ay.
- Sipariş Sıklığı: Toplam Sipariş Sayısı / Tekil Müşteri Sayısı, son 12 ay.
- Müşteri Ömrü: 1 / Yıllık Churn Oranı. %35 yıllık churn = 2.86 yıl ortalama ömür.
- Brüt Marj: (Gelir − COGS) / Gelir.
// 03Basit formülün yanılgıları
Tek-formül hızlıdır ama üç büyük problem barındırır:
- Geçmiş ≠ gelecek. Pazar değişir, ürün değişir, churn değişir. Geçmiş 12 aydan çıkarılan ortalamayı geleceğe projekte etmek tehlikelidir.
- Ortalama segment varyansını maskeler. Müşterilerin %20'si gelirin %60'ını üretiyorsa "ortalama LTV" iki ayrı popülasyonu yıkar.
- Edinim kohortları farklı davranır. Black Friday'de edinilen müşteri organic'ten 6-9 ay önce churn eder; ortalama bunu gösterimez.
Bu yüzden ciddi pazarlamacılar kohort analizine geçer.
// 04Kohort tabanlı LTV
Kohort yöntemi gerçek LTV'yi gösterir çünkü zaman içinde davranışı izler. Adımlar:
- Kohort grupla: Müşterileri ilk satın alma ayına göre grupla (Ocak 2025 kohortu, Şubat 2025 kohortu vb.).
- Aylık kümülatif gelir hesapla: Her kohortun her aydaki kümülatif net gelirini hesapla (brüt marj uygulanmış).
- Eğri çiz: X eksen = kohorttan geçen ay (0, 1, 2... 24), Y eksen = kümülatif LTV.
- Asimptot bul: Eğri yatay seyre giriyorsa o noktadaki değer = gerçek LTV. Hâlâ artıyorsa ekstrapolasyon gerekir.
Excel'de adım adım
İhtiyaç: bir tablo, kolonlar = customer_id, first_order_date, order_date, net_revenue. Sonra:
- Pivot table: rows = first_order_month (kohort), cols = month_diff (kohorttan geçen ay), values = sum(net_revenue).
- Cumulative satır toplamı al.
- Müşteri sayısına böl → kohort başına ortalama kümülatif LTV.
- Grafik çiz, asimptot oku.
// 05SaaS LTV formülü
SaaS'te müşteri ömrü = 1 / aylık churn. ARPU sabit, churn küçük → LTV büyük.
Churn etkisinin gücü
| Aylık Churn | Ortalama Ömür (ay) | LTV (38.400 TL ARPU, %75 marj) |
|---|---|---|
| %5 | 20 | 576.000 TL |
| %3 | 33 | 950.400 TL |
| %2 | 50 | 1.440.000 TL |
| %1 | 100 | 2.880.000 TL |
Churn'ü %5'ten %2'ye düşürmek LTV'yi 2.5x katlar — bu yüzden çoğu SaaS için churn azaltma CAC azaltmadan daha yüksek ROI verir.
// 06Predictive LTV (machine learning)
Olgun veri seti (1000+ müşteri, 12+ aylık geçmiş) varsa predictive LTV'ye geçilebilir:
- BG/NBD modeli: Beta-Geometric / NBD; klasik probabilistic model. Müşterinin tekrar satın alma olasılığını + sıklığını tahmin eder.
- Gamma-Gamma modeli: Sipariş başına değer dağılımını tahmin eder. BG/NBD ile birleştirilirse predictive LTV verir.
- RFM-bazlı XGBoost: RFM özellikleri + kategorik veriyle 12-aylık LTV tahmini.
Python'da lifetimes kütüphanesi BG/NBD + Gamma-Gamma uygular; 200 satır kodla çalışır model çıkar. Gerçek üretim için pazarlama ekibi yerine veri ekibi yönetmeli.
// 07LTV:CAC sağlık eşikleri
LTV tek başına anlam taşımaz; CAC ile birlikte okunur:
| LTV:CAC | Yorum |
|---|---|
| < 1 | Kayıp; her müşteri kazanma para yakıyor. |
| 1-2 | Break-even sınırı, büyüme zor. |
| 3 | Sağlıklı SaaS standardı. |
| 4-5 | Mükemmel, agresif yatırım yapılabilir. |
| > 5 | Çok az harcama; pazarlama bütçesi artırma fırsatı. |
Payback period
CAC payback = CAC / Aylık Brüt Marj. Hedef: SaaS <12 ay, e-ticaret ilk siparişte break-even.
// 08Yaygın hatalar
- Brüt marj atlanır: Net LTV yerine gross LTV hesaplanırsa rakam %50-70 abartılır.
- Loaded CAC kullanılmaz: Sadece reklam harcaması bölünür, ekip maaşları + araçlar dahil edilmez. Gerçek CAC 1.5-3x daha yüksektir.
- Tekil global LTV: Segmentlere bölünmemiş LTV stratejik karar üretmek için yetersiz; RFM bazlı segment LTV'leri ayrı hesapla.
- Ekstrapolasyon hatası: 3 aylık veriden 24 aylık LTV ekstrapolasyon yapmak — istatistiksel olarak çürük.
- Edinim kanalını dahil etmemek: Meta'dan gelen müşteri Google'dan farklı LTV verir. Kanal × kohort matrisi daha sağlam tablo.
// ilgiliİlgili sözlük terimleri.
Bu rehberde geçen kavramların kısa tanımları için sözlüğe bakabilirsin:
LTV biliyorsan, pazarlama tavanını biliyorsun.
d-lens AOV, sipariş sıklığı, churn ve kohort verisini otomatik hesaplar — Excel'de 4 saatlik analiz panelde 5 saniyede güncel. LTV:CAC oranı segment bazlı izlenir.