Кейс: LTV упал. Как решать на собеседовании

Формулировка кейса

Классический кейс на позицию продуктового или маркетингового аналитика. Задают в Яндекс+, Ozon Fresh, Авито, Тинькофф.

Шаг 1. Уточнения

• Как считается LTV? Геометрическая формула, cohort-based, predictive?
• За какой горизонт? LTV_90d, LTV_12m?
• LTV новых когорт или всех? Важно — у старых retention высокий, и средний LTV тянется от них.
• Связанные метрики: ARPU, retention, churn, CAC — что изменилось?
• Что изменилось в привлечении? Новые каналы, изменение таргетинга?

Шаг 2. Декомпозиция LTV

Главная формула:

$$LTV = ARPU \times \frac{1}{1 - \text{retention}} = \frac{ARPU}{\text{churn}}$$

То есть LTV падает по двум причинам:

1. ARPU упал — пользователи стали платить меньше.
2. Retention упал (churn вырос) — пользователи быстрее уходят.

На собесе: «Разложу LTV на ARPU и retention. Посмотрю, какая компонента просела».

Шаг 3. Что чаще виновато — ARPU или retention?

На практике — retention. Особенно для новых когорт: если сменили каналы привлечения или таргетинг, качество пользователей падает.

• ARPU обычно меняется медленно: цены фиксированы, изменение tariff mix — плавное.
• Retention — чувствительная метрика, реагирует на качество трафика за недели.

Больше таких примеров с разборами — в Telegram-тренажёре. Короткие сессии, прогресс по темам, объяснения после каждого ответа.

Шаг 4. Гипотезы

По retention

• Канал привлечения сменился — больше пользователей из performance с низким intent.
• Промо/bonus привлекли не-ЦА — пришли за скидкой, ушли после trial.
• Продукт стал хуже — релиз сломал важную фичу.
• Рынок изменился — новые конкуренты, заменители.

По ARPU

• Снизили цены или ввели новый дешёвый тариф.
• Upsell ослаб — premium-тариф перестали покупать.
• Downgrade — существующие переходят на cheaper.

Шаг 5. Проверка через данные

1. Декомпозиция по ARPU × retention

SELECT
    cohort_month,
    AVG(revenue_per_user) AS arpu,
    AVG(CASE WHEN days_since_signup = 30 THEN 1 ELSE 0 END) AS d30_retention
FROM cohort_data
GROUP BY cohort_month
ORDER BY cohort_month;

Видим, где из двух компонент drop.

2. Разрез по каналам привлечения

SELECT channel, cohort_month, AVG(ltv_90d) AS ltv
FROM cohorts GROUP BY channel, cohort_month;

Часто здесь и ответ: один канал просел, остальные ок. Это channel mix issue.

3. Simpson's paradox

Если каналы стабильны по-отдельности, но mix сдвинулся в сторону «плохих» каналов — средний LTV падает.

Пример:

• Канал A: LTV 5000, было 60% когорты, стало 30%.
• Канал B: LTV 2000, было 40% когорты, стало 70%.
• Средний LTV: 0.6·5000 + 0.4·2000 = 3800 → 0.3·5000 + 0.7·2000 = 2900 (−24%).

Сегменты не изменились, но пропорции — да. Классика.

Шаг 6. Связь с CAC

LTV не смотрят в вакууме. Важна unit-экономика: LTV/CAC ≥ 3.

Если LTV упал, а CAC остался прежний — рекламные каналы неокупаются. Решения:

1. Оптимизировать CAC — снизить спенд на плохих каналах.
2. Улучшить retention — продуктовые изменения, лучший onboarding.
3. Повысить ARPU — upsell, премиум-тарифы.

Шаг 7. Что говорим PM

Структурный ответ:

Хороший ответ: декомпозиция → конкретная причина → действие.

Типичные ошибки

• Предложение «повысить цены» без диагностики.
• Игнорирование channel mix.
• Не сравнивать с CAC. LTV без CAC — полумера.
• Паниковать при 20% падении. Возможно, это сезонность или изменение методики расчёта.

Если готовишься к собесу — бот @kariernik_bot закрывает 80% технических вопросов. SQL, Python, A/B, продуктовые метрики — всё в одном месте.

Шаблон ответа

1. Уточнения (методика LTV, горизонт, когорты).
2. Декомпозиция: ARPU × 1/(1-retention).
3. Проверка каждой компоненты.
4. Сегментация по каналам, сегментам, платформам.
5. Simpson's paradox check.
6. Связь с CAC и unit-economics.
7. Вывод + действия.

Как тренироваться

Финансовые кейсы требуют крепких знаний формул и декомпозиций. Тренажёр Карьерник содержит кейсы на LTV, CAC, ARPU, unit-экономику с разборами.

Читайте также

• LTV — что это
• Кейс: ARPU упал на собеседовании
• Unit-экономика
• CAC — что это
• Парадокс Симпсона

FAQ

Геометрический LTV или cohort-based?

Geometric (ARPU / churn) — быстро, приближенно, хорошо для back-of-envelope. Cohort-based (сумма реальных revenue за N периодов) — точнее, но нужно больше данных и время. Для собесов знайте обе формулы.

Сколько должно быть LTV/CAC?

Минимум 3, лучше 5. Если <3 — бизнес не масштабируется. Если >10 — возможно, вы недоинвестируете в маркетинг.

Что быстрее чинить — ARPU или retention?

Обычно retention — через продуктовые улучшения и onboarding. ARPU — медленнее (новый tariff, upsell-кампании занимают месяцы). Но retention-ремонт и продуктовее, и длиннее в plan.

LTV падает только у новых когорт — что это?

Обычно — изменение channel mix или таргетинга. Старые когорты уже «в системе» и имеют высокий retention. Новые приходят из других источников с худшим intent.