Unit Economics для SaaS: как считать LTV, CAC и Payback с помощью AI

Unit economics — это набор метрик, определяющих, приносит ли бизнес прибыль на уровне одного клиента. Для подписочных продуктов три ключевые метрики — LTV, CAC и Payback Period — отвечают на вопросы: сколько стоит привлечь клиента, сколько он принесёт за время жизни и когда вложения окупятся. AI-инструменты вроде Claude позволяют рассчитать всё это за минуты вместо часов ручной работы в таблицах.

Статья покрывает формулы, бенчмарки, готовые промпты для Claude, пример расчёта на реальных данных и sensitivity analysis — всё, что нужно для оценки экономики SaaS-продукта.

Формулы трёх ключевых метрик SaaS

LTV (Lifetime Value) — совокупный доход от клиента

Совокупный доход от одного клиента за всё время использования продукта.

Базовая формула для подписочной модели:

LTV = ARPU / Churn Rate

ARPU (Average Revenue Per User): средний месячный доход с пользователя. Churn Rate: доля пользователей, уходящих каждый месяц.

Пример: ARPU $29/месяц, месячный churn 5%.

LTV = $29 / 0.05 = $580

Средняя «продолжительность жизни» клиента при 5% churn: 20 месяцев (1 / 0.05).

Формула простая, но важны детали. Какой ARPU использовать: средний по всем тарифам или медианный? Gross churn или net churn (с учётом апгрейдов)? Revenue churn или logo churn? Каждый вариант даёт разную цифру.

Более точная формула с учётом gross margin:

LTV = (ARPU × Gross Margin) / Churn Rate

При gross margin 80% (типично для SaaS): LTV = ($29 × 0.8) / 0.05 = $464. Ниже, зато отражает реальную прибыль.

CAC (Customer Acquisition Cost) — стоимость привлечения клиента

Стоимость привлечения одного платящего клиента.

CAC = (Marketing Spend + Sales Spend) / New Customers

Пример: расходы $10 000 на маркетинг и $5 000 на продажи за месяц, 50 новых клиентов:

CAC = $15 000 / 50 = $300

Частая ошибка: учитывать только рекламный бюджет. CAC включает зарплаты маркетологов, инструменты, контент-продакшн, зарплаты сейлзов.

Важное разграничение: blended CAC vs paid CAC. Blended включает органику (все расходы делятся на всех клиентов). Paid: только платные каналы на клиентов из платных каналов. Если blended выглядит хорошо, а paid нет, органика маскирует проблему масштабирования.

Payback Period — срок окупаемости привлечения клиента

Срок окупаемости CAC.

Payback Period = CAC / (ARPU × Gross Margin)

При CAC $300, ARPU $29 и margin 80%:

Payback Period = $300 / ($29 × 0.8) = 12.9 месяцев

Почти 13 месяцев до окупаемости одного клиента. До этого момента каждый привлечённый пользователь генерирует убыток.

Бенчмарки unit economics для SaaS-продуктов

Ориентиры для SaaS-продуктов:

Метрика	Плохо	Нормально	Хорошо	Отлично
LTV:CAC	< 1:1	2:1	3:1	> 5:1
Payback Period	> 24 мес	12–18 мес	6–12 мес	< 6 мес
Monthly Churn	> 8%	5–8%	3–5%	< 3%
Net Revenue Retention	< 90%	90–100%	100–120%	> 120%

LTV:CAC 3:1, классический ориентир. Ниже 1:1, каждый клиент приносит убыток. Выше 5:1: либо недоинвестирование в рост, либо неточные данные.

Payback Period до 12 месяцев для early-stage продукта: сильный сигнал. Более 18: вопрос, хватит ли кеша дожить до окупаемости.

Net Revenue Retention выше 100% означает, что апгрейды перевешивают churn. Старые когорты приносят больше денег со временем. Рост возможен даже без привлечения новых клиентов.

Почему AI эффективнее таблиц для расчёта unit economics

Статичная таблица в Google Sheets даёт одну точку. Решения требуют диапазона.

«LTV:CAC = 3.2», и что дальше? Что произойдёт, если churn вырастет на 2%? Как изменится экономика при масштабировании CAC? Какой эффект даст повышение цены на $10?

Каждый из этих вопросов: новая формула, новая ячейка, ещё один час в spreadsheet. Или один промпт.

Тот же принцип работает в других областях AI-инфраструктуры. Например, мониторинг LLM-вызовов через Langfuse решает аналогичную задачу: превращает сырые данные в actionable метрики, но для AI-пайплайнов вместо бизнес-экономики.

Пошаговый расчёт unit economics с помощью Claude

Шаг 1. Выгрузка данных из платёжной системы

Из платёжной системы (Stripe, Paddle, любая другая): CSV с транзакциями. Минимальный набор полей: дата, user_id, сумма, тип (new / renewal / churn).

Из аналитики: количество новых пользователей по месяцам и расходы на маркетинг.

Шаг 2. Расчёт базовых метрик через промпт

Промпт для Claude:

Вот CSV с транзакциями из Stripe за последние 12 месяцев [прикрепить файл].

Посчитай:
1. ARPU по месяцам
2. Monthly churn rate (logo и revenue)
3. LTV по формуле ARPU × Gross Margin / Churn Rate (margin 82%)
4. CAC, вот расходы на маркетинг по месяцам: [вставить]
5. LTV:CAC ratio
6. Payback period в месяцах

Покажи результат таблицей. Под таблицей: три главных вывода.

Помимо числовых результатов, модель выявит тренды, которые легко пропустить при ручном анализе: рост churn третий месяц подряд, двукратная разница между paid и blended CAC, аномалии в конкретных когортах.

Шаг 3. Sensitivity analysis — ключевое преимущество AI

Ключевое преимущество AI-подхода: возможность мгновенно просчитать десятки сценариев.

Возьми текущие метрики из предыдущего расчёта.

Построй sensitivity analysis:
- Churn: от -3% до +3% от текущего (шаг 1%)
- ARPU: от -$10 до +$10 (шаг $5)
- CAC: от -20% до +20% (шаг 10%)

Для каждой комбинации покажи LTV:CAC и Payback Period.
Выдели красным комбинации, где LTV:CAC < 2:1.
Какой параметр сильнее всего влияет на unit economics?

Результат: таблица на 30+ сценариев. Вручную это занимает минимум полчаса. С AI меньше минуты.

Типичный инсайт из sensitivity analysis: для большинства SaaS-продуктов churn влияет на LTV сильнее, чем цена. Снижение churn на 1% даёт больший прирост LTV, чем повышение цены на $5. При этом усилия часто распределяются наоборот: недели на эксперименты с ценообразованием, минимум работы над retention.

Sensitivity analysis делает это видимым. Не в теории, а на конкретных данных.

Шаг 4. Когортный анализ для выявления скрытых проблем

Средние метрики скрывают реальность. Средний LTV может маскировать, что одна когорта уходит за 3 месяца, а другая живёт год.

Вот CSV с транзакциями. Раздели пользователей на когорты
по месяцу первой оплаты.

Для каждой когорты покажи:
- Retention по месяцам (% оставшихся от начального размера)
- Revenue retention (% дохода от начального)
- LTV к текущему моменту
- Прогноз полного LTV (экстраполяция кривой retention)

Какие когорты аномально хорошие или плохие? Что могло измениться
в продукте между ними?

Модель построит retention curves и обнаружит паттерны: скачок retention после определённого месяца может указывать на изменение в onboarding, обновление продукта или смену канала привлечения.

Шаг 5. Прогнозирование unit economics на 6 месяцев

На основе текущих метрик и трендов за 12 месяцев,
спрогнозируй unit economics на следующие 6 месяцев.

Три сценария:
1. Базовый: текущие тренды продолжаются
2. Оптимистичный: churn снижается на 1% в месяц,
   ARPU растёт на 3% (запланированное повышение цен)
3. Пессимистичный: churn растёт на 0.5% в месяц,
   CAC растёт на 15% (сезонное удорожание рекламы)

Для каждого сценария: MRR, количество клиентов, LTV:CAC,
Payback Period, cash flow от новых клиентов.

Три сценария вручную: три отдельные модели в Google Sheets с перекрёстными ссылками. Один промпт заменяет эту работу.

Пример расчёта: B2B SaaS на $11K MRR

Числовой пример для иллюстрации. B2B SaaS, два тарифа ($19/мес и $49/мес), 14 месяцев на рынке.

Исходные данные:

• 420 платящих клиентов (310 на тарифе $19, 110 на тарифе $49)
• MRR: $5 890 + $5 390 = $11 280
• Месячный churn: 6.2% (logo), 4.8% (revenue, апгрейды частично компенсируют)
• Расходы на маркетинг: $4 200/мес (Google Ads $2 800, контент $1 400)
• Новых клиентов: ~35/мес
• Gross margin: 78%

Расчёт:

ARPU = $11 280 / 420 = $26.86
LTV = ($26.86 × 0.78) / 0.048 = $436
CAC = $4 200 / 35 = $120
LTV:CAC = $436 / $120 = 3.6:1
Payback Period = $120 / ($26.86 × 0.78) = 5.7 месяцев

На первый взгляд хорошие показатели. LTV:CAC выше 3:1, окупаемость меньше полугода. Но детальный анализ выявляет три проблемы:

1. Logo churn 6.2%, выше бенчмарка. Средняя жизнь клиента 16 месяцев. Для B2B SaaS это мало. Если churn вырастет до 8%, LTV падает до $340, а LTV:CAC до 2.8:1.

2. Paid CAC существенно выше blended. 35 новых клиентов в месяц, из них 12 приходят из органики (SEO, word of mouth). Paid CAC = $4 200 / 23 = $183. LTV:CAC для paid-канала = 2.4:1, уже пограничная зона.

3. ARPU зависит от микса тарифов. Доля клиентов на тарифе $19 растёт (74% vs 68% три месяца назад). Если тренд продолжится, через полгода ARPU упадёт, и LTV:CAC для paid-канала может уйти ниже 2:1.

Ни одна из этих проблем не видна в статичной таблице с тремя формулами. Все три становятся очевидны при развёрнутом анализе данных.

Готовые промпты для типовых задач unit economics

Сравнение каналов привлечения:

Вот расходы и конверсии по каналам за квартал:
- Google Ads: $8 400, 69 клиентов
- Content/SEO: $4 200, 36 клиентов (оценка)
- Referral: $0, 22 клиента
- Product Hunt launch: $500, 45 клиентов

Посчитай CAC по каналам. Учти, что retention отличается:
Google Ads клиенты имеют churn 8%, SEO 4%, Referral 3%,
Product Hunt 12%.

Рассчитай LTV:CAC по каналам. Куда вложить следующие $5 000?

Моделирование ценового эксперимента:

Текущая цена: $29/мес, 400 клиентов, churn 5%.
Планируется повышение до $39/мес.

По данным опроса, 15% текущих клиентов «скорее уйдут»
при повышении. Конверсия новых может упасть на 10–20%.

Смоделируй три варианта:
1. Повышение для всех сразу
2. Grandfather existing, $39 для новых
3. Новый тариф $39 с доп. фичами, старый остаётся

Для каждого: прогноз MRR, LTV, CAC impact на горизонте 12 месяцев.

Подготовка summary для инвесторов:

Вот метрики продукта: [данные]

Подготовь:
1. One-pager с unit economics (3–5 ключевых метрик)
2. Три самых вероятных вопроса по метрикам и ответы на них
3. Слабые места в экономике и план по их устранению

Ограничения AI-подхода к расчёту unit economics

Garbage in, garbage out. Если исходные данные неточные, расчёты будут формально корректными и практически бесполезными. AI не проверит, правильно ли посчитан churn. Он возьмёт предоставленную цифру и построит на ней модель.

Отсутствие рыночного контекста. Бенчмарк «churn 5% нормально» не учитывает, что в конкретной нише стандарт может быть 2%. Контекст рынка необходимо добавлять вручную.

Склонность к гладким трендам. AI при прогнозировании тяготеет к ровным кривым. Реальность рваная: сезонность, действия конкурентов, технические сбои. Пессимистичный сценарий стоит запрашивать отдельно.

Не замена финансовому специалисту. Для ранних стадий AI-расчёты достаточны. Для серьёзного финансового моделирования нужен специалист, который знает методологии конкретных фондов и аудиторов. Аналогично тому, как мультипровайдерная LLM-архитектура не заменяет тщательное тестирование каждой модели — AI-калькулятор не заменяет финансовый due diligence.

Ретроспективный анализ, не прогноз. AI хорошо разбирает прошлое. Прогнозы на 12+ месяцев: зона высокой неопределённости. Сценарии полезнее точечных предсказаний.

С чего начать расчёт unit economics сегодня

Минимальный план на 30 минут:

1. Выгрузить CSV из платёжной системы за последние 6 месяцев
2. Использовать промпт из «Шага 2» для расчёта базовых метрик: LTV, CAC, LTV:CAC, Payback Period
3. Запустить sensitivity analysis из «Шага 3»
4. Зафиксировать три числа: LTV:CAC, Payback Period, Monthly Churn

Эти три метрики, минимальный набор для мониторинга. Обновление раз в месяц даёт видимость тренда и возможность вовремя реагировать на изменения.

Качество расчётов напрямую зависит от того, как вы формулируете промпты. Если хотите углубиться в эту тему, руководство по context engineering показывает, как структурировать запросы к AI для получения максимально точных результатов.

Unit economics не финансовая магия. Это три деления и одно умножение. AI убирает единственный барьер: необходимость ручной работы с данными. Остаётся только решение: считать или продолжать угадывать.