株式会社renue
renueについて
renueは、AIで業務を実装する会社です
AIコンサルティングから図面AI・広告運用エージェント・コールセンターAIまで、実際に動いているサービスをご覧いただけます。renueが何をしている会社か、まずはサービス一覧からご確認ください。
Life Time Valueという単語をご存知だろうか。顧客生涯価値とは、1人の顧客との取引関係が続く間の経済的な価値を捉える概念だ。本稿の計算例では、解約・離脱までの売上を合計した「売上ベースのLTV」を扱う。顧客との継続的な関係やサブスクビジネスの管理に活用できるが、採算評価ではサービス提供原価を差し引いた粗利ベースのLTVと区別する。将来の粗利を現在価値へ割り引く方法もあり、定義と計算条件をそろえて比較する必要がある(David SkokによるLTVの解説)。本稿では、サブスクビジネスを運営する経営者に向けて、LTVの計算方法や意味を整理し、適切にKPIとして管理してビジネスを成功させるための手法を書き記したいと思う。

LTVとは
LTVは序論でも書いた通り、時間軸を顧客にフォーカスして売上高を管理するための指標である。単に購買を統計的に捉えて売上を予測する場合には、
広告imp数 × CTR × CVR × 平均客単価 ・・・式(A)
という数式で広告経由の購入売上を捉えられる。一方、1名の顧客が何度もリピートするビジネスでは、購入後の継続期間を含む価値も管理したい。そのために使う指標がLTVである。
日本でも2012年より前に顧客生涯価値の研究がある。例えば、中村人哉・比嘉邦彦による「顧客生涯価値算出方法に関する研究の調査」は、経営情報学会2011年春季全国研究発表大会の論文として公開されている。これは2011年が最古という意味ではなく、2012年を国内の最初の言及とはできないことを示す例である。同論文が整理する通り、業種やモデルの条件によって算出方法も異なる。
では、なぜ従来通りの管理手法ではリピート購買を管理できないのか。それは、① 広告在庫の上限、② ファンと新規客のCVRの違いを、式(A)では表現できないからである。
①は単純に「日本人は1億人しかいないため無限に広告できない」というだけの話だ。どうしても「すでに買った人」や「もう何度も広告を見た人」に広告は表示される。このため、闇雲に広告imp数を増やしても売上は増えず経営管理指標として適切ではないということになってしまう。
②は新規客よりもファンの方が明確にCVRが高い時、同じ広告を全体に出しても効率が悪いのだが、それを式(A)が管理できないという問題だ。明らかに売上貢献度の高い消費者に対しては専用の広告やキャンペーンDMを高い費用を出してでも届けるべきであり、この設計にLTVは必須になってくるのだ。
LTVの計算方法
LTVの基本的な計算式は単純である。消費者1名を前提とした場合、その消費者が消費した金額を合計するのみである。
<n=1の場合>
1ヶ月目売上 + 2ヶ月目売上 + 3ヶ月目売上 ・・・+ 解約時の売上
しかし、実際のビジネスではお客様は1名ではないため、利用金額も解約までの期間も異なってくる。そのため、同じ開始月などでそろえた集団について、各月の売上を開始時の顧客数で割り、解約後の売上を0として各月の平均を足し合わせる。観測中の顧客がいれば、観測済みの売上と将来の推計を区別する必要がある。
<n=多数の場合>
1ヶ月目平均売上 + 2ヶ月目平均売上 + 3ヶ月目平均売上 ・・・+ 観測最終月の平均売上(各月とも開始時の顧客数で割った平均)
ここでよく利用される手法が等比級数だろう。高校数学で習う概念だが、社会人になって使う場面も少ないので、今更言われてもどんな計算だったか忘れてしまったという方も多いのではないだろうか。式自体は簡単に記すと
Sn=a+ar+ar^2+ar^3+ …… +ar^(n-1)
Sn=a(1-r^n)/(1-r) ※ r=1ではない
Sn :総和
a :初項
r :公比
となる。数学が苦手な方は頭が痛くなるかもしれない数式だ。しかし、実際の値を入れてみると何となくだが実感が湧くのではないだろうか。
Sn :総和 → nヶ月間の1人当たり累計売上(有限期間の売上ベースLTV)
a :初項 → 月初在籍者1人当たりの月間平均売上(各月一定と仮定)
r :公比 → 月次継続率(1−月次顧客解約率。各月一定、再加入なしと仮定)
具体例としては、100名の集団をイメージすると分かりやすい。100名のLTVの合計値を計算する時、
100名分の累計売上 = 1ヶ月目平均売上 × 100 + 2ヶ月目平均売上 × (2ヶ月目に解約せず残っている人数) + 3ヶ月目平均売上 × (3ヶ月目に解約せず残っている人数) ・・・
であり、ここでの各月の平均売上は、その月に残っている顧客1人当たりの値である。100名全員が離脱するまでの売上合計を開始時の100で割ると、1人当たりの実績LTVが求まる。予測例では、全員が初月分を支払い、月単価1万円、各月末の顧客解約率60%、再加入・値上げ・割引・追加購入なしと仮定する。この場合、期待売上の継続率は0.4で、「無限等比級数」の和は1万円÷0.6≒16,667円となる。元の数値は売上ベースの期待LTVであり、原価も将来価値の割引も含まない。0.4を掛け続ける期待人数が小数のまま0へ近づくことと、実際の100名が全員解約して0名になることは別である。一定の月次単価・解約率を使うモデルの前提はSkokの定義解説も参照されたい。
実際に検算してみよう。

この前提なら、上記の式で売上ベースの期待LTVを計算できる。有限期間で近似する場合に使うのは「1000ヶ月目だけの売上」ではなく「初月から1000ヶ月目までの累計売上」である。0≦r<1では無限和に対する未計上分の割合はr^1000となるため、継続率rが1に近いと1000ヶ月でも十分とは限らない。例えばr=0.999では約36.8%が未計上となる。許容する誤差と現実の予測期間を確認して月数を決めよう。
コホートの設計を見失ってはいけない
上述の一定単価・一定解約率の前提が成り立つ場合には、LTVを簡易に推計できる。ただしサブスクでも、料金プラン変更・アップセル・返金などで顧客単価は変わる。顧客ID、利用開始月、月ごとの売上・返金、解約・再加入を整理し、各コホートの月初顧客数と解約数を同じ基準で集計する必要がある。データ整理を省いて計算式だけ適用しても、信頼できる指標にはならない。
しかしながら、単に計算式を扱うだけではLTVの導出はできるが、正しい経営指標としての意味を果たさない。なぜならば、ユーザーはさまざまな「コホート」に別れており、コホート毎にLTVは異なってくるからだ。分かりやすい例で言えば、熱烈なファンとライトユーザーでは明らかにLTVが異なってくる。
コホートを正しく設定したい場合、有効なアプローチはいくつかあるが、まず取り組むべきはユーザーヒアリングやフィードバックの整理だろう。データドリブンな経営は重要だが、経営・企画者が肌感を持って消費者を感じるというのも重要である。まずは感覚で良いので、消費者を分類し、それぞれのコホートのLTVを計算して違いを見てみると良い。
また、他のアプローチとしては「事前に決めた区分間の差の検証」と「解約理由によるユーザーセグメントの類推」がある。差が出るまで分類をランダムに組み替えると、偶然の差を拾うおそれがある。比較を事前に定め、複数の比較を行う場合にはNISTが説明する多重比較への対処を検討し、探索して得た区分は別のデータでも検証したい。どちらもデータ処理の専門性が求められるため、分からない方は専門家に意見を求めるのが良いだろう。

LTVの伸ばし方・使い方
さて、最後になるが読者が最も興味があるであろう、実務レイヤーでのLTVの使い方を紹介していこうと思う。他にもキャッシュフロー改善や借入調達のためのLTV活用方法も紹介したいが、これについてはまた別の記事にて取り扱いたい。
まず、第一に分かりやすいのが「LTVの特に高いセグメントを割り出し、集客を強化する」という方法だろう。前項で書いた通り、特定のコホートのみLTVが高いという状況は比較的発生しやすい。例えば、「地方都市在住の50代サラリーマンのLTVが他よりも130%高い」というデータがあれば、重要ターゲットとして広告出稿をするべきだろう。結果として、全体のLTVも向上することになる。
第二に挙げたい手法は、「解約率を下げる」というアプローチだ。当たり前だと言われるかもしれないが、LTVをコホート毎に管理することでどの集団のどんな課題にアプローチするのか優先度をつけることが大事だ。闇雲にサービス改善に取り組むのではなく、集団の大きさや解約理由のクリティカルさ、課題解決の難易度などを整理して、LTVを適切に上げるCS改善を行おう。
最後に、シンプルだが強力な手段として「値上げする」を取り上げたい。当たり前だが値上げすれば単月売上は向上する。しかしながら、大抵の場合には新規客の獲得が鈍ったり、解約率が上がって結局LTVが下がるというケースもある。しかしLTVを正しく管理している場合、値上げにより多少のユーザー離脱が進んでも、結局は全体売上が上がるかどうかを素早く察知することができる。正しい管理体制を敷いたら、一部ユーザーに値上げをするなどして、LTVが変動するかテストするのが良いだろう。
今回は少し長文かつ数学っぽい内容になってしまった。あまり数学が好きではない読者には読みづらい文章だったかもしれない。もし、内容が理解できないなどあれば、お気軽に相談していただければと思う。最後までお読みいただきありがとうございました。

