比率背后的两个数字
获客成本(CAC)是同一时期内总销售与营销支出除以新获得的客户数。以50,000美元营销支出、30,000美元销售支出、400名新客户为例,CAC为(50,000美元 + 30,000美元)÷ 400 = 每位客户200美元。David Skok广受引用的SaaS Metrics 2.0框架(发表于forEntrepreneurs.com)将CAC描述为评估企业增长效率的基础输入之一,与终身价值并列。
客户终身价值(CLV或LTV)是企业预期从一位客户身上、经毛利率调整后可获得的总收入。简化公式是用每位客户的月均收入(ARPU)乘以毛利率,再除以月流失率——在数学上等同于用经毛利率调整后的月收入乘以预期客户生命周期(以月为单位,即1 ÷ 流失率)。
实例演算:2,000美元终身价值对500美元获客成本
以50美元月均收入、80%毛利率、2%月流失率为例:预期客户生命周期为1 ÷ 0.02 = 50个月,终身价值为(50美元 × 0.80)÷ 0.02 = 2,000美元。对500美元的获客成本,LTV:CAC比率为2,000美元 ÷ 500美元 = 4:1——每花1美元获客成本,可获得4美元的终身价值。
| LTV:CAC比率 | 常见解读 |
|---|---|
| 3:1或更高 | 强健——常被引用为获客成本与终身价值之间的高效平衡点。 |
| 1:1至3:1 | 可行——客户在其生命周期内是盈利的,但高于获客成本的余量用于再投资可能偏薄。 |
| 低于1:1 | 偏弱——获客成本超过预期终身价值;客户未能覆盖自身的获客成本。 |
为什么恰好是3:1——以及为什么它是经验法则而非定律
3:1基准来自Skok的SaaS Metrics 2.0,这是SaaS单位经济学中被引用最广泛的参考资料之一,业内普遍将其视为健康、可持续增长的常见目标,而非官方标准。比率恰好处于或低于1:1,说明这种增长模式在不改善CAC、终身价值或两者的情况下是不可持续的。有意思的是,远高于3:1的比率也并非自动就更好——SaaS指标框架指出,这有时反而说明企业在增长上投入不足,本可以用这些资金加快获客,却被搁置了。
LTV:CAC也并非唯一值得追踪的效率指标。回收期(从毛利中收回CAC所需的时间)、净收入留存率和增长率都是互补指标;一个健康的LTV:CAC比率若伴随极慢的回收期,即便比率在纸面上看起来不错,仍可能给现金流带来压力。
什么因素会影响这个比率
由于终身价值是用经毛利率调整后的收入除以流失率得出的,流失率的小幅下降会带来终身价值的大幅上升——月流失率从2%降到1%,意味着隐含的客户生命周期从50个月翻倍到100个月,终身价值也随之翻倍,其他条件不变。在CAC方面,混合CAC常常掩盖了不同获客渠道效率的巨大差异,因此按渠道比较LTV:CAC,往往比单一的混合数字揭示更多信息。
常见问题
什么是好的LTV:CAC比率?
3:1是SaaS指标框架(例如David Skok的SaaS Metrics 2.0)中常被引用的健康、可持续增长基准——即每花1美元获客成本,获得3美元终身价值。比率低于1:1说明获客成本超过预期终身价值,而比率过高则有时意味着增长投入不足。
获客成本(CAC)是如何计算的?
将某一时期的总营销支出与总销售支出相加,再除以同一时期获得的新客户数。以50,000美元营销支出、30,000美元销售支出、400名新客户为例,CAC为每位客户200美元。
客户终身价值(CLV)是如何计算的?
一种常见的简化公式是用每位客户的月均收入乘以毛利率,再除以月流失率。以50美元ARPU、80%毛利率、2%月流失率为例,终身价值为(50美元 × 0.80)÷ 0.02 = 2,000美元。
极高的LTV:CAC比率是否总是好现象?
不一定。虽然更高的比率通常意味着高效的单位经济效益,但SaaS指标框架指出,远高于3:1的比率有时说明企业相对于每位客户创造的价值而言,在获客上投入不足,可能因此错过了更快的增长机会。
除了LTV:CAC,还应追踪哪些指标?
回收期(从毛利中收回CAC所需的时间)、净收入留存率和增长率通常与LTV:CAC一同被追踪。一个健康的比率若伴随极慢的回收期,仍可能造成比率本身无法揭示的现金流压力。
参考文献
- Skok D. SaaS Metrics 2.0 — A Guide to Measuring and Improving What Matters. forEntrepreneurs.com.
- Bessemer Venture Partners. State of the Cloud / Cloud Index — SaaS benchmark metrics. bvp.com.
- Kotler P, Keller KL. Marketing Management. 15th ed. Pearson, 2016.