English
グロッサリー

LTV(顧客生涯価値)とは?計算式とLTV/CAC比、向上の手順

LTV(顧客生涯価値)とは、一人の顧客が取引を続けるあいだにもたらす利益を全期間で見積もった金額である。平均注文単価と購買頻度、粗利益率、解約率から求める計算式と数値例、LTV/CAC比の読み方、計算を誤らせる原因、履歴・コホート・予測の使い分け、業種別の考え方、CDPの役割までを解説する。

Kazuki Ohta Kazuki Ohta 読了目安 2 分

LTV(顧客生涯価値)とは、一人の顧客が取引を続けるあいだに自社にもたらす利益を、関係の全期間にわたって見積もった金額である。 顧客生涯価値、CLV、CLTVと呼ばれることもあり、いずれも同じものを指す。測っているのは売上ではなく利益であり、値引きや返品の多い顧客を過大に評価しないための調整が式に含まれる。

LTVは、顧客を獲得するためにいくらまで使ってよいかを決めるための数値として使われる。あわせて、マーケティング、営業、カスタマーサポートの予算配分、収益の高い顧客層の特定、商品やサービスの採算判断にも使う。単体の金額としてよりも、顧客セグメントごとに並べたときに判断の材料になる。

LTVが答える問いと、答えない問い

LTVが答えるのは、顧客との関係が生む利益の大きさである。この数値があると、獲得単価の上限、維持に投資する優先順位、どの層に手を打つかを金額で比べられる。LTVが高い層と低い層を分ければ、同じ予算でも成果の見込みが変わる。

一方で、LTVは平均値であり、個々の顧客が実際に落とす金額ではない。全顧客の平均として計算すると、購買額も頻度も異なる層が混ざり、どの層が収益を支えているのかが見えなくなる。製品が1つしかない、あるいは顧客層の差が小さい事業なら全体平均でも足りるが、扱う商品の価格帯が分かれているなら、顧客セグメンテーションと同じ切り口でLTVも分けて出す必要がある。

もう一つの限界は、LTVが過去の実績か予測のどちらかに基づく点である。どちらなのかを言わずに数値を共有すると、会議の中で2つの異なる意味の数字が並ぶ。算出の方法と対象期間は、数値と一緒に必ず書き添える。

LTVの計算式

基本の式は次の形になる。平均注文単価と購買頻度で売上を出し、粗利益率を掛けて利益に直し、継続期間を掛けて関係全体の利益に広げ、最後に獲得コストを引く。

LTV = 平均注文単価(AOV)× 購買頻度 × 粗利益率 × 平均継続期間 − 顧客獲得コスト(CAC)

変数求め方注意点
平均注文単価(AOV)年間売上 ÷ 注文件数値引き後の実売額で計算する
購買頻度注文件数 ÷ 顧客数同一人物の注文が名寄せされていることが前提になる
粗利益率(売上 − 売上原価)÷ 売上商品やカテゴリーごとに異なる
平均継続期間1 ÷ 年間解約率解約率が毎年一定という仮定のうえでの近似。顧客数ベースで測る
顧客獲得コスト(CAC)獲得費用 ÷ 獲得顧客数広告費、販促費、営業人件費を含める

粗利益率を式に入れるかどうかは意見が分かれる。原価が大きく変動する事業では、率を固定すると別の誤差が入るためである。原価が安定しているなら入れたほうがよく、変動が大きいなら商品ラインごとに率を分けて適用する。

数値例で手順を確かめる

次の数値は計算の手順を示すための例示であり、実測のベンチマークではない。年間5,000足の靴を3,500人の顧客に販売し、売上が105万ドル(1,050,000ドル)、1足あたりの原価は50ドルと仮定する。

  • 平均注文単価 = 1,050,000ドル ÷ 5,000 = 210ドル
  • 購買頻度 = 5,000 ÷ 3,500 = 1.43回
  • 顧客1人あたりの年間売上 = 210ドル × 1.43 = 300ドル
  • 粗利益率 = (1,050,000ドル − 250,000ドル)÷ 1,050,000ドル = 76%
  • 顧客1人あたりの年間粗利益 = 210ドル × 1.43 × 0.76 = 228ドル(小数第1位を四捨五入)

300ドルは売上、228ドルは粗利益である。この2つを取り違えると、LTVが実際より大きく見える。

ここまでの228ドルは、1年間に1人の顧客が生む粗利益である。LTVにするには、関係が何年続くかを掛ける。平均継続期間を5年と置くと、丸める前の値で 210ドル × 1.43 × 0.76 × 5 = 1,141.14ドルになる。手元で計算するときは、途中で丸めた228ドルを使うと数ドルずれる。

最後に獲得コストを引く。獲得費用を45万5,000ドル、新規獲得を3,500人と仮定する。

  • 顧客獲得コスト = 455,000ドル ÷ 3,500 = 130ドル
  • 正味の価値 = 1,141.14ドル − 130ドル = 1,011.14ドル
  • LTV/CAC比 = 1,141.14ドル ÷ 130ドル = 約8.8倍(正味の1,011.14ドルで割れば約7.8倍)
  • 回収期間 = 130ドル ÷ 228ドル = 約0.57年(およそ7か月)

この計算は全商品の平均で行っている。実際には、安い靴を年に何足も買う顧客と、高い靴を数年おきに1足だけ買う顧客が混在する。どちらが収益に効くかは、平均ではなくセグメントごとに計算しないと分からない。

解約率から平均継続期間を出す

継続期間は、解約率から逆算できる。解約率は、期間の開始時点にいた顧客のうち、その期間に取引をやめた顧客の割合である。

解約率 = 期間中に失った顧客数 ÷ 期間開始時点の顧客数 × 100

上の例で、期間開始時点の顧客が3,500人で、そのうち年間に700人が取引をやめたと仮定する。解約率は 700 ÷ 3,500 × 100 = 20%になる。平均継続期間は解約率の逆数で近似でき、1 ÷ 0.20 = 5年となる。先の計算で置いた5年は、この20%に相当する。

混同しやすい指標に、1回しか購入しない顧客の割合がある。生涯を通じて1回しか購入しない顧客が250人なら、250 ÷ 3,500 × 100 = 約7.1%である。これは「購入した顧客のうち、2回目に至らないのはどれだけか」を示す別の指標で、1 ÷ 率 で継続期間を出す計算には使えない。継続期間の推定に使う解約率は、購入回数ではなく顧客数を分母に置き、対象期間を明示して求める。

LTV/CAC比の読み方

LTVをCACで割った比は、獲得に投じた金額がどれだけ回収できているかを見る指標として使われる。1を下回る状態は、獲得した顧客から回収できない金額を毎回払っていることを意味する。

LTV/CAC比については、David SkokのSaaS Metrics 2.0が示した「3:1を上回る」という指針がよく引かれる。ただし粗利益率の高いSaaS事業を前提にした目安であり、業種や粗利益率によって妥当な水準は変わる。粗利益率が低い事業では、比が大きくても回収に時間がかかる。逆に、契約が長期で解約が少ない事業では、3倍を下回っていても成立することがある。目安として参照し、自社の数値で置き換えて判断するのが現実的である。

比の分子を、CACを引く前の粗利益ベースのLTVにするか、引いた後の正味にするかで、同じ事業でも値が変わる。社内で目安と比べるときは、どちらの定義かを揃える。数値例では前者が約8.8倍、後者が約7.8倍である。

比と合わせて見るべきなのが回収期間である。CACを顧客1人あたりの年間粗利益で割ると、獲得費用を回収するまでの年数が出る。この期間が資金の余裕を超えると、LTV/CAC比が高くても事業は苦しくなる。回収期間は、キャッシュの制約が厳しい事業ほど短く保つ必要がある。

比を社内で共有するときは、CACに何を含めたかを揃える。新規獲得の費用だけを入れるのか、既存顧客の維持費用も含めるのかで、同じLTVでも比は大きく変わる。

計算を誤らせる4つの原因

LTVの誤りの多くは計算違いではない。定義とデータの誤りであり、入力を直さないかぎり再計算しても同じ結果になる。

売上だけを数え、粗利益を見ていない。 低粗利の商品を大量に買う層が、高粗利の商品を少しだけ買う層より価値が高いように見える。商品ラインやセグメントごとに粗利益率を適用し、全社の平均は妥当性の確認に使う。

期間の取り方がずれている。 12か月分の購買額と、24か月で測った解約率を組み合わせると、比較のたびに同じ歪みが再現する。観測する期間を1つに決め、公表する数値すべてにその期間を明記する。

返品と返金を差し引いていない。 返品、キャンセル、チャージバックは売上に含まれたまま、実際には入金されない。差し引いてから平均し、経理が報告する売上と突き合わせる。

名寄せが壊れている。 同一人物のレコードが分かれると購買頻度が過小に出て、逆に別の人物のレコードが1つに統合されると過大に出る。計算の背後にある顧客数と注文件数を、信頼できる情報源と照合してから期間比較に使う。名寄せの精度は、LTVの精度にそのまま効く。

履歴・コホート・予測のどれで見積もるか

計算式はどの方法でも同じで、変わるのは見積もりのうち実績とモデルの比率である。今日のデータで支えられる方法を選び、引き受ける制約を明示する。

方法何を明らかにするか効く場面失敗の形
履歴ベースこれまでの売上合計を、それを生んだ顧客数で割るモデルを必要としないため、式とデータのつながりが正しいかを最短で確かめられる生存者バイアス。残っている顧客だけを平均すると、解約した顧客が抜けて新規顧客の価値が高く見える
コホートベース獲得時期ごとに売上を追い、集団ごとの価値の推移を作るLTVを単一の数値ではなく、価格、商品、チャネルを変えても比べられる推移にする直近のコホートは未完成で、成熟した集団より必ず低く見える。実際は初期データの不足である
予測ベース直近の購買、頻度、商品構成といった初期のシグナルから将来の支出をモデル化する関係が浅い段階でも、期待価値に対して獲得と維持の予算を組める価格、品揃え、顧客構成が変わると精度が落ちる。一度の調整では済まず、再学習を計画する必要がある

順番に進めるのがよい。注文を獲得日まで辿れない状態なら、まずそこを直す。コホートの曲線が安定してから予測を重ねる。予測を自動化された判断に使う場合、エージェンティックAIのように人の確認を挟まずに動く仕組みでは、モデルの制約もそのまま下流の行動に持ち込まれる。履歴ベースの数値も併記し、予測が実績から外れていないかを確認できる状態にしておく。

業種別の考え方

同じ式でも、どの変数が結果を左右するかは業種で変わる。以下は構造の違いであり、数値の目安ではない。

業種結果を左右する変数実務での論点
サブスクリプション解約率と継続期間契約更新までの残期間、プラン変更、利用率の低下。粗利益率と獲得費用の回収期間を合わせて見る
EC購買頻度と粗利益率返品率、カテゴリーの広がり、初回購入から2回目までの間隔。商品ラインごとの粗利の差が大きい
小売・店舗来店頻度と会員との紐付け会員証、アプリ、レシートといった接点で購買を識別できるかどうかで、計算できる範囲が決まる

サブスクリプションでは、解約率のわずかな差が継続期間を通じて増幅される。月次の解約率を年率に直すと差が大きく見えるため、比較するときは期間の単位を揃える。

ECでは、初回購入から2回目までの間隔が、その後の継続と強く関係する。1回しか買わない顧客の割合が高いカテゴリーでは、平均値より、2回目に至る層と至らない層を分けた計算のほうが判断に使える。

小売・店舗では、購買が顧客の識別に紐づかない取引が残る。会員と非会員が混在する状態で全体のLTVを出すと、識別できた顧客だけの平均を全顧客の平均として扱う誤りが起きる。識別率を明示するか、会員に範囲を限定して計算する。

LTVを高める施策

LTVを上げる方向は、購買の頻度と単価を上げるか、継続期間を延ばすか、獲得と維持のコストを下げるかのいずれかに整理できる。施策はこの3つのどれに効くのかを言えないと、実施した後の評価ができない。

EC事業者であれば、決済までの手順を短くする、まとめ買いの割引を用意する、購入手続きの途中で関連商品を提示する、季節に合わせたフォロー配信を送る、ポイントや先行案内を含むロイヤルティ施策を用意する、といった打ち手がある。返品や交換の手続きを簡単にすることも、継続の側に効く。

サブスクリプション事業者であれば、利用量に応じたプランを用意する、導入時の設定を支援する、使い方を案内する定期配信を続ける、満足度と要望を定期的に集める、利用状況に応じて案内する内容を変える、上位プランへの移行を促す、といった打ち手がある。いずれも解約率を下げるか、単価を上げるかに紐づく。

施策を選ぶときは、LTVの高い層から始める。平均的な顧客に同じ施策を当てるより、価値の高い層の継続を1ポイント改善するほうが、金額としては大きく動くことが多い。

顧客データ基盤からLTVの改善までを通して扱った記事として、CDPでLTVを改善する方法がある。

CDPがLTVの算出と活用に果たす役割

1つ目は、顧客単位のLTVを出せる状態を作ることである。購買、行動、対応履歴が一人の顧客に結ばれている必要がある。これがCustomer 360であり、LTVの計算はその上に載る。CDPは、複数のシステムに分かれた履歴を名寄せして1つのプロファイルにまとめ、そこから顧客ごとの金額と頻度を集計できる状態を作る。ECのLTVをCDPで計算する場合は、注文・返品・チャネル属性を一人の顧客に名寄せし、購入間隔と粗利寄与でセグメントを切れる状態が前提になる。この計算と活用は、顧客データを集め、統合し、予測し、実行へ戻すCustomer Intelligence Loopの1周分にあたる。

2つ目は、セグメント別の算出である。年齢や地域ではなく、購買の仕方や粗利の寄与で層を分け、層ごとにLTVを出す。CDPのセグメント機能は条件を動的に保てるため、施策の結果が数値に反映されたかを追える。

3つ目は、予測LTVの属性化である。予測分析のモデルが返すLTVの見積もりを顧客プロファイルの属性として持たせると、施策の対象を選ぶ条件としてそのまま使える。初期の購買行動しかない顧客でも、期待価値の順に優先度をつけられる。

4つ目は、算出した数値を実行に渡す工程である。LTVの高い層への手厚い対応、解約の兆候が出た高価値顧客の引き止め、類似の見込み客の獲得、いずれもデータアクティベーションまでつながっていて初めて動く。計算だけを分析環境に置くと、数値は参照されるが行動は変わらない。

最後に、数値の鮮度を保つ仕組みが要る。LTVは一度出して終わりの数値ではなく、価格、商品構成、獲得チャネルの変化で古くなる。CDPのようにプロファイルの更新と計算が同じ場所にあれば、再計算を定例に組み込める。エージェンティックパーソナライズのように、エージェントが顧客ごとの案内を選ぶ場面では、古いスコアがそのまま判断に使われるため、更新の仕組みは運用の前提になる。

見直しの頻度と、数値が古くなる条件

LTVには寿命がある。購買の周期に合わせて定期的に計算し直す。ECであれば月次か四半期、サブスクリプションのように契約が長く続く事業なら四半期か半年が目安になる。

定例の見直しとは別に、入力が変わった時点で計算し直す必要がある。価格の改定、新しい商品ラインの追加、獲得チャネルの構成比の変化、障害や品質問題の後の解約の増加である。これらが起きた後に古い数値をそのまま使うと、施策の優先順位が実態とずれる。

数値を共有するときは、対象期間と算出した日付を添える。同じ会議で2つのチームが別々の時点のLTVを持ち込むと、比較の議論がかみ合わない。

FAQ

LTVの目安はどのくらいか?

業種と事業モデルで変わるため一律の水準はないが、LTV/CAC比が3倍を上回ることがSaaS事業者の指針としてよく引かれる。 この比は粗利益率の高い事業を前提にした目安で、粗利益率が低い事業では回収期間も合わせて見る必要がある。全体の平均ではなく、顧客セグメントやコホートごとに計算すると、どの層が収益を支えているかが分かる。

LTVを高めるには何から始めればよいか?

継続期間を延ばす打ち手から始める。 導入時の支援、問い合わせ対応の質、ロイヤルティ施策で解約を減らし、購買頻度を上げるキャンペーンや定期購入、単価を上げるまとめ買いや上位プランへと続ける。施策を選ぶ前に、自社のLTVがどの変数で決まっているかを分解しておくと、効果の測定ができる。

LTVの計算に顧客獲得コストを含めるべきか?

含めると、顧客1人あたりの正味の価値が見える。 式は LTV =(平均注文単価 × 購買頻度 × 粗利益率 × 平均継続期間)− 顧客獲得コスト になる。LTVとCACを別々に計算する方法もあるが、獲得に投じた金額を回収できているかは、差し引いた金額で判断する。回収までの年数も併記すると、資金の制約と照らして無理のない水準かを確認できる。

LTVの計算にはどんなデータが必要か?

注文または請求の履歴、顧客ごとの初回購入日、粗利益率、返品とキャンセルの記録である。 これらが1つの顧客識別子に紐づいている必要があり、獲得チャネルやプランの属性があると、分けて計算すべき層を切り出せる。履歴が複数のシステムに分かれている場合は、先に統合する。部分的な履歴から出した平均は、価値を静かに過小評価する。

実績の少ない新しい事業でもLTVは計算できるか?

計算できるが、観測期間を明示し、結果は暫定値として扱う。 1年未満のデータしかない場合は、生涯の金額を推定するのではなく、現時点までの価値を計算し、新しいコホートの曲線がどう育つかを見る。絶対額はコホートが成熟してから安定するため、単一の数値より、コホート間の推移のほうが判断に使える。

LTVと顧客生涯価値は同じものか?

同じものである。 LTVはlifetime valueの略で、日本語では顧客生涯価値と訳される。CLV、CLTVという表記も同じ概念を指す。ただし、どのコストを含め、どの期間を対象にしたかは書き手によって異なるため、社内外の数値を比べる前に定義と対象期間を揃えておきたい。

関連用語

この記事は他の言語でも読めます: Customer Lifetime Value

Kazuki Ohta
執筆者

Kazuki Ohta is Co-Founder & CEO of Treasure AI (formerly Treasure Data), which he co-founded in 2011. A co-developer of Fluentd, a CNCF graduated open-source project, he previously served as CTO of Preferred Infrastructure. Ohta graduated with honors in Computer Science from the University of Tokyo and conducted research in high-performance computing and large-scale data processing as a visiting researcher at Argonne National Laboratory. CDP.com is managed by Treasure AI as an educational resource.