📊 Calculadora de LTV e teto de aquisição
Estima o valor esperado de um cliente no momento da primeira compra e converte essa previsão em CAC máximo — quanto a operação pode pagar para adquirir aquele perfil. É a planilha de deploy do projeto de LTV, com os mesmos coeficientes, rodando aqui no navegador.
📚 Como esta conta funciona — e o que ela não promete
A previsão é uma soma. O modelo parte de um valor base e vai somando ou subtraindo conforme as características do cliente:
LTV = base
+ coef. do valor × valor da 1ª compra
+ coef. de recorrência
+ coef. do produto + da campanha + do sexo
+ coef. da formação + do mês + do dia da semana
Cada coeficiente categórico é lido contra uma categoria de referência, que vale zero. Trocar de categoria soma ou subtrai a diferença, em reais — é isso que a tabela de simulação lá embaixo mostra.
O valor da primeira compra entra multiplicado: cada R$ 1,00 pago na entrada adiciona — ao LTV previsto. Esse coeficiente foi convertido de volta para reais a partir do modelo treinado com a variável padronizada.
Três limites que importam. A previsão é a média esperada para o perfil, não uma garantia sobre o cliente individual. Correlação não é causalidade: mudar a campanha de um cliente já adquirido não muda o LTV dele. E o modelo precisa ser recalibrado conforme novos dados de LTV amadurecem.
Desempenho no conjunto de teste (— clientes não usados no treino): o modelo erra, em média, — — — de um LTV médio de —. Base histórica: — clientes, compras entre —.
① Perfil do cliente
Tudo recalcula a cada mudança. Nada é enviado a lugar nenhum.
② Como a conta se forma
Cada barra é um componente somando (verde) ou subtraindo (vermelho) do valor base.
③ Resultado e decisão de mídia
Para decisão de orçamento, use o cenário conservador: ele aplica o percentual sobre o piso da faixa provável, não sobre a previsão central. Se o modelo errar para baixo — e ele erra, em média, o valor do erro médio —, o teto de investimento continua de pé.
④ E se fosse outra categoria?
Quanto o LTV previsto mudaria se apenas esta característica fosse trocada, mantendo todo o resto igual.
O case completo está no artigo Prevendo LTV do zero ao deploy, com os recortes sobre dados sujos, a assimetria que não era e o dia em que a regressão venceu o Random Forest. Código no GitHub ↗.
Base histórica de uma empresa de treinamentos, finalidade de portfólio. A previsão é uma média esperada para o perfil, não uma garantia sobre o cliente individual.