用电子表格算 LTV：我用了 6 年的 5 变量模型（附 ChatGPT 提示词，90 秒生成你的版本）
目录
2021 年我合作过的一个 DTC（Direct-to-Consumer，直接面向消费者）品牌，每月在 Meta 广告上烧 48,000 美元。CEO 很自豪地看着 ROAS（Return On Ad Spend，广告支出回报率）仪表盘上的 2.4x。我告诉她公司在亏现金时，她一脸困惑。原因很简单：她根本没有 LTV 模型。她把"首单收入 × 2.4"当成利润，可这些客户年化流失率 55%，第二单几乎从不发生。我们用一个 5 变量电子表格模型重建了出价策略。六个月后，月广告预算升到 72,000 美元，毛利贡献（contribution margin）第一次转正。
下面就是这个模型。我用它在 DTC 服装、咖啡订阅、B2B SaaS（Software as a Service，订阅制软件）和一个净菜配送项目上反复跑过。它是我唯一信任的 LTV 框架——只有 5 个输入，每一个都能从 Shopify 导出或 Stripe 仪表盘里直接拉出来——输出正好回答营销人真正关心的三个问题：
- 这位客户我能不能盈利地获取？（LTV:CAC 比率）
- 多长时间能赚回 CAC？（回本周期）
- 最高可以出多少钱获取一个客户？（CAC 上限）
2019 年我第一次搭出这个模型。2026 年我还是这样搭。没有花活——但数学正确，输入诚实，每个格子你都能向 CFO（首席财务官）解释清楚。
多数 LTV 模型为什么是错的
市面上的 LTV 模型大概分三类，每一类各有各的死法。
"AOV × N" 模型。 这是 Shopify 报表里那种"LTV = 平均客单价 × 订单数"。它完全忽略留存、忽略流失，会把 LTV 高估 2-5 倍——只要客户不会在 30 天内复购，就会高估。2020 年一个 Shopify Plus 服装客户的真实案例：他们 Shopify 显示的 "LTV" 是 187 美元；按留存数据算的实际 LTV 是 74 美元。每个客户差 113 美元，按每月 4,000 个新客计算，一年就是 45.2 万美元——他们用这个"LTV"来证明广告预算是合理的，但那个数字完全是假的。
"机器学习" 模型。 数据科学家用 Python 搭了 BG/NBD（Beta-Geometric/Negative Binomial Distribution，经典客户预测统计模型）+ Gamma-Gamma。模型漂亮地吐出 LTV 预测。可市场团队没人能说清它怎么算的。一旦流失行为变了（产品更新、出现新对手、季节波动），没人能更新它。最后死在某个 Notion 文档里。
厂商黑盒。 Klaviyo、Shopify、Triple Whale、Northbeam——每家都给你一个"LTV"。数学不透明，输入不清晰，而且厂商每次重新调参数字就跟着跳。我有个客户从 Triple Whale 切到 Northbeam，报告的 LTV 一夜之间涨了 22%。同样的客户、同样的数据、不同的厂商算法。这本身就说明那个数字从来都是猜的。
5 变量电子表格模型不属于以上任何一种。它是显式的、可辩护的、可编辑的。代价是它假设留存大致恒定——对 ARR（Annual Recurring Revenue，年度经常性收入）5,000 万美元以下的大部分业务都够用，但在病毒式爆发增长的产品上会崩。
5 个输入
你只需要 5 个数字。对 B2C（Business to Consumer，面向消费者）电商业务，数据源是这样的：
| # | 输入 | 来源 | 含义 |
|---|---|---|---|
| 1 | AOV（Average Order Value，平均客单价） | Shopify > Analytics > Average order value，最近 12 个月 | 每单金额 |
| 2 | 年复购频次 | 总订单数 / 独立客户数，最近 12 个月 | 客户多久回来一次 |
| 3 | 毛利率 % | 利润表 —（收入 − 销售成本）/ 收入 | 每 1 美元收入留下多少 |
| 4 | 年流失率 % | （过去 12 个月流失客户数）/（期初客户数） | 客户基础被侵蚀的速度 |
| 5 | CAC（Customer Acquisition Cost，获客成本） | （市场花费）/（新获客数） | 每个新客的获取成本 |
其中两个简单：AOV 和 CAC 在仪表盘上一键就有。两个中等：年复购频次需要一个客户数导出（Shopify 切换正确报表后会给你"独立客户数"）。毛利率是会计数字不是市场数字——找财务要，或者自己做成本拆分。
年流失率是大家最容易搞错的。多数人混淆收入流失率（可能很高）和客户流失率（LTV 真正需要的）。对 B2C 业务，统计方法是这样的：数"过去 12 个月下过单、但最近 12 个月没下单"的客户数，除以"过去 12 个月下过单"的客户数。客户数不足 2,000 的话，这个数字会很噪——用 24 个月窗口会更稳。
4 个输出（以及公式）
把 5 个输入代入下面 6 个公式。电子表格里，把输入放第 2 行（A2 到 E2），公式放第 3 行。
客户生命周期（年） = 1 / 年流失率
年度毛利贡献 = AOV × 年复购频次 × 毛利率 %
LTV = 年度毛利贡献 × 客户生命周期
LTV:CAC = LTV / CAC
回本周期（月） = CAC /（年度毛利贡献 / 12）
CAC 上限（3:1 法则） = LTV / 3整个模型就这些。6 个公式。3 个输入来自仪表盘，1 个来自会计，1 个来自市场导出。
跑个真实例子。2023 年合作的一个咖啡订阅客户，输入如下：
- AOV：42 美元
- 年复购频次：8 次/年（重度用户）
- 毛利率：70%
- 年流失率：25%
- CAC：45 美元
输出：
- 客户生命周期：1 / 0.25 = 4 年
- 年度毛利贡献：42 × 8 × 0.70 = 235.20 美元/年
- LTV：235.20 × 4 = 940.80 美元
- LTV:CAC：940.80 / 45 = 20.9 : 1
- 回本周期：45 /（235.20 / 12）= 2.3 个月
- CAC 上限：940.80 / 3 = 313.60 美元
最后那个数字最让人意外。CEO 一直以为 45 美元就是花销上限，模型说你可以花到接近 7 倍。他们把 Meta 预算翻了三倍，Google 预算涨了上去，又开了一档播客——所有投入都来自 45 美元（实际 CAC）和 313 美元（CAC 上限）之间的差额。
再举一个结果不太好的例子。2022 年一个 DTC 服装品牌：
- AOV：78 美元
- 年复购频次：1.8 次/年
- 毛利率：55%
- 年流失率：60%
- CAC：85 美元
输出：
- 客户生命周期：1 / 0.60 = 1.67 年
- 年度毛利贡献：78 × 1.8 × 0.55 = 77.22 美元/年
- LTV：77.22 × 1.67 = 128.66 美元
- LTV:CAC：128.66 / 85 = 1.5 : 1
- 回本周期：85 /（77.22 / 12）= 13.2 个月
- CAC 上限：128.66 / 3 = 42.89 美元
这个品牌花 85 美元获取一个 LTV 只有 128.66 美元的客户。每成交一笔都在亏钱。模型给出了两个判断：(1) 立刻停止加投广告预算；(2) 唯一能修复的方法是调 5 个输入中的某一个——拉高 AOV、提高复购、提高毛利、降低流失，或者接受一个低得多的 CAC。CEO 选了流失这一条：他们重建了购后流程，加了会员体系，14 个月后年流失率降到 38%，模型跑出来开始盈利。
这个模型驱动的 3 个决策
模型是工具，不是答案。它能解锁三个决策：
1. 我要不要加投广告预算？
LTV:CAC 低于 3:1，你是在终身口径上亏钱买客。停止加投。先修单笔经济性（降 CAC、提 AOV、提复购、降流失）。LTV:CAC 高于 5:1，你是在把利润留在桌上——你不获取的每一个客户，都会被对手拿走。激进加投。
2. 我能加投到什么程度？
CAC 上限就是天花板。如果你实际 CAC 是 45、上限是 313，你还有巨大的空间——要么在同样关键词上比对手出更高的价，要么开新渠道（线下、播客、YouTube），这些渠道 CAC 更高但仍然能过 3:1 这条线。
3. 我要不要担心回本周期？
对风投支持或增长期业务，回本周期比 LTV:CAC 更重要，因为牵涉现金流。对自筹资金或低现金业务，12 个月回本是上限。对风投型 DTC，可以拉到 18 个月。5 变量模型直接给你这个数字。咖啡订阅的 2.3 个月回本意味着现金流从来不是问题。服装品牌的 13.2 个月意味着他们离现金流断裂只差一个差月份。
ChatGPT 提示词（90 秒生成你的版本）
我从 GPT-4 出来之后就在客户之间传这个提示词。把你自己的 5 个数字填进去粘到 ChatGPT（或 Claude）里，它会返回一份完整、可以直接粘到 Google Sheets 或 Excel 的模型——含所有公式、条件格式、健康检查。
你是一位营销分析专家。帮我搭一份完整的 LTV 电子表格模型，5 个输入
是用户唯一需要填的格子。输出：单元格引用清单、公式、条件格式规则，
以及用我的数字做的一个示例。
5 个输入（我会填进去）：
- B2: AOV（平均客单价，美元）
- B3: 年复购频次（每位客户每年订单数）
- B4: 毛利率 %（小数，例如 0.70 代表 70%）
- B5: 年流失率（小数，例如 0.25 代表 25%）
- B6: 获客成本 CAC（美元）
6 个输出及公式：
- B9: 客户生命周期（年）= 1 / B5
- B10: 年度毛利贡献 = B2 * B3 * B4
- B11: LTV = B10 * B9
- B12: LTV:CAC = B11 / B6
- B13: 回本周期（月）= B6 / (B10 / 12)
- B14: CAC 上限（3:1 法则）= B11 / 3
输出格式：
1. 一个表格，列出所有单元格引用以及每个单元格的公式。
2. 条件格式：B12 大于 5 绿色、1-5 黄色、小于 1 红色。
3. 用以下数字做一个示例：AOV=42、频次=8、毛利=70%、流失=25%、CAC=45。
4. 如果任何输入对我描述的业务类型（DTC、SaaS、订阅、服务）看
起来不现实，请标出来并建议一个更合理的范围。
5. 在底部加一行 "健康检查"，输出一句话判断："健康——激进加投" /
"警告——修复单笔经济性" / "严重——立刻停止加投广告预算"。
不要加任何点评、营销话术或者"希望对你有帮助！"这种话。我只要模型。把 5 个数字填进去，90 秒以内就能拿到模型。如果用带代码解释器的模型（ChatGPT Advanced Data Analysis、带工具的 Claude），让它自己验证一下数学——有时候模型会把回本周期算成年而不是月。
同一个提示词我在 Gemini 1.5 Pro 和 Claude 3.5 Sonnet 上都跑过。输出质量差不多；最大的区别是 GPT-4o 喜欢主动加建议（"你还可以考虑……"），这个我在提示词里已经明确禁止了。如果它非要加，忽略就好——模型就是模型。
这个模型没覆盖的部分（坦白讲）
5 变量模型假设留存随时间恒定。真实情况是留存曲线通常是凸的——客户在第 1-2 个月流失很快，剩下的人能待好几年。简单模型把同样的流失率无限外推，会高估"长尾"。对大部分业务来说问题不大——高估幅度不到 20%，模型方向还是对的。对高 LTV、强留存的订阅业务（想想规模化的 Dollar Shave Club，或产品驱动增长很强的 SaaS），你需要一个基于同期群（cohort）的模型（也就是数据科学那帮人在搭的东西）。
它也忽略了扩展收入——有些客户会越买越多、升级到更贵的套餐、或者带来推荐。简单模型把每个客户当成静态价值实体。对 SaaS 或 B2B 这点影响很大。对 DTC 电商，影响小一些。
它还假设毛利率恒定，但实际到 SKU 级别很少成立。有的产品毛利 30%，有的 80%。这个模型是一个有用的整体均值，不是单个客户级别的预测。
还有一个更复杂的模型会加、但我没加的输入：贴现率（货币的时间价值）。对风投支持、5 年视野的业务，第 4 年付 100 美元的客户比第 1 年付 100 美元的客户价值低。简单模型忽略这层。在 2-3 年回本窗口内，这是四舍五入级别的误差。在更长的视野或更贵的资本下，这点会变得重要。
如果你的业务超过 3,000 万美元 ARR、客户超过 10 万、或者所在品类有显著的扩展收入（SaaS 套餐分级、交叉销售的快消品、B2B 合同），就升级到同期群或 BG/NBD 模型。在那之前，5 变量电子表格就是正确复杂度。
如果我重新搭一次，会改什么
这个 5 变量模型我已经用了 6 年。如果 2026 年让我从零重新搭，我会加一个第 6 个输入——一个人群分段开关，让你能分别算"新客"、"复购客"、"召回客"三组的 LTV。原因是这样：通过付费广告获取的新客和通过邮件召回回来的流失客户，他们的 LTV 完全不同；混在一起算出来的数字，对两个决策都是错的。
一个新客年流失率可能 25%，LTV 42 美元。一个召回客（曾经流失、被 winback 邮件带回）可能年流失率 60%——但召回成本是零，所以哪怕 LTV 只有 15 美元也是赚的。把他们混在一起，会低估付费获取的价值、高估邮件召回的价值。电子表格里多三行，你就能对每组分别出价。
如果你搭出带这个开关的 6 输入版本，发我一份。我请你喝杯咖啡。