הבהרה משפטית: בדוגמה המחושבת שלמטה משתמשים בנתוני קלט היפותטיים שמוצגים במפורש (מחיר, שולי רווח, נטישה, עלות רכישה), לא בנתונים שלכם. החליפו אותם בנתונים שלכם לפני שאתם מסתמכים על יחס כלשהו.
כמעט בכל מאמר על ערך חיי לקוח (LTV) תיתקלו באותה עצה: ה-LTV צריך להיות לפחות פי שלושה מעלות רכישת הלקוח (CAC). מציגים את זה כאילו מדובר בחשבון פשוט. זה לא. זה כלל אצבע שצמח בעולם ההשקעות בתוכנות מנוי, והוא מאבד תוקף ברגע שיוצאים מהעולם הזה.
חזרנו למקור ולמחקר האקדמי על הדרך שבה לקוחות נשארים ועוזבים. בקצרה: היחס 3:1 מגיע ממאמר של David Skok על מדדי SaaS, שהוא המקור המוכר ביותר שלו, ושם הוא מוגדר במפורש כהנחיה. הנוסחה בת שורה אחת שבה בדרך כלל מחשבים LTV מניחה שכל הלקוחות נוטשים באותו קצב, ובמערך הנתונים האמיתי היחיד שהצלחנו לפתוח ההנחה הזאת סטתה מהמציאות ביותר מפי ארבעים בשנה ה-12. וגם: לקוחות ותיקים לא היו בהכרח הרווחיים. לעסק קטן השאלה היציבה יותר היא גם הפשוטה יותר: כמה חודשים לוקח ללקוח להחזיר את מה שעלה לנו להביא אותו?
עיקרי הדברים
- הכלל 3:1 מוכר בעיקר ממאמר "SaaS Metrics 2.0" של David Skok, שם נכתב שהעסקים הטובים ביותר בתחום ה-SaaS הם ״מעל 3, לפעמים עד 7 או 8״, ושמדובר ב״הנחיות בלבד״. זה מדד לתוכנות מנוי, לא חוק כללי.
- אותו מאמר קובע שהעסקים הטובים ביותר מחזירים את ה-CAC תוך 5 עד 7 חודשים, ושמעבר ל-12 חודשים הרווחיות ״אנמית״. זמן ההחזר הוא החצי השני של ההנחיה המקורית, ולדעתנו החצי ששורד טוב יותר מחוץ ל-SaaS.
- קיצור הדרך הנפוץ ל-LTV (רווח חודשי חלקי נטישה) מניח קצב נטישה קבוע אחד. בנתונים של Fader ו-Hardie מ-2007, בקבוצת לקוחות אחת נשארו 63.1% מהלקוחות אחרי שנה, אבל בשנה ה-12 שיעור השימור משנה לשנה כבר עמד על 94.5%, כי העוזבים הולכים ראשונים.
- אם מקרינים קדימה את שיעור השימור של שנה ראשונה, מקבלים ש-0.4% מהקבוצה עדיין פעילים בשנה ה-12. בפועל זה היה 17.3%.
- Reinartz ו-Kumar (HBR, 2002) עקבו אחרי יותר מ-16,000 לקוחות בארבע חברות ומצאו שהקשר בין משך הישארות הלקוח לרווח ממנו חלש עד בינוני (מתאמים של 0.20 עד 0.45).
- חשבו LTV מרווח גולמי ולא מהכנסה, והוציאו מהכנסה את המע״מ (18% מ-1 בינואר 2025). אחר כך השוו קוהורטים (קבוצות לקוחות לפי חודש התשלום הראשון) אחרי 3, 6 ו-12 חודשים מול ה-CAC לפי ערוץ, והתייחסו לכל מספר ״לכל החיים״ כהערכה שצריך לבדוק.
מאיפה הגיע הכלל 3:1 בין LTV ל-CAC?
ממאמר אחד, והוא אומר פחות ממה שמצטטים ממנו. "SaaS Metrics 2.0" של David Skok באתר For Entrepreneurs מציג שתי הנחיות כלכליות לתוכנות מנוי. הראשונה היא היחס: ״העסקים הטובים ביותר בתחום ה-SaaS נמצאים ביחס LTV ל-CAC שגבוה מ-3, לפעמים עד 7 או 8״. השנייה היא זמן: ״הרבה מעסקי ה-SaaS הטובים מצליחים להחזיר את ה-CAC תוך 5 עד 7 חודשים״, והרווחיות ״אנמית אם זמן ההחזר חורג מ-12 חודשים״.
שלוש הסתייגויות כתובות באותו מאמר ולא תמיד מגיעות יחד עם המספר. Skok כותב ש״אלה רק הנחיות, ותמיד יש מצבים שבהם הגיוני לחרוג מהן״, ש״הרבה עסקי SaaS בריאים לא עומדים בהנחיות בשלבים הראשונים״, ושחברות גדולות יכולות להרשות לעצמן החזר איטי יותר כי ההון שלהן זול, בעוד שחברות מתחילות בדרך כלל משלמות על הון ביוקר. המאמר גם לא מפרט נוסחאות: הוא מגדיר LTV ו-CAC במשפט ומפנה לדף הגדרות נפרד. למאמר אין תאריך, אבל מופיעה בו הערת עדכון ממאי 2016, והוא מתאר את עצמו ככתיבה מחדש של פוסט ישן.
| הגרסה שחוזרים עליה | מה כתוב במקור | סטטוס |
|---|---|---|
| ״ה-LTV חייב להיות פי 3 מה-CAC״ | ״גבוה מ-3, לפעמים עד 7 או 8״ אצל עסקי ה-SaaS הטובים ביותר, כהנחיה | אמיתי, אבל הנחיה ל-SaaS |
| ״ההחזר חייב להיות תוך פחות מ-12 חודשים״ | העסקים הטובים מחזירים CAC תוך 5 עד 7 חודשים; מעבר ל-12 חודשים הרווחיות ״אנמית״ | אמיתי, ל-SaaS |
| ״זה נכון לכל עסק״ | לא נטען; המאמר כתוב ל-SaaS ואומר לחרוג מההנחיות כשזה הגיוני | לא כתוב במקור |
קראנו את המאמר של Skok ישירות. הציטוטים מתורגמים בנאמנות מהאנגלית המקורית, ופרפרזות מסומנות. אנחנו לא יכולים לדעת כמה עסקים אחרים (קליניקות, סטודיו, חנויות) עומדים בספים האלה, כי המאמר לא אומר.
מה לא עובד בנוסחת ה-LTV בשורה אחת?
קיצור הדרך שרוב המדריכים מלמדים הוא: רווח גולמי חודשי ממוצע ללקוח, חלקי שיעור הנטישה החודשי. לקוח שמביא 150 ₪ בחודש עם נטישה של 5% בחודש ״שווה״ 3,000 ₪. הנוסחה מניחה בשקט שלכל לקוח יש אותו סיכוי קבוע לעזוב בכל חודש. קהל לקוחות אמיתי לא מתנהג ככה.
Peter Fader ו-Bruce Hardie, שני פרופסורים לאנליטיקת שיווק, הראו את זה על נתוני מנויים אמיתיים במאמר "How to Project Customer Retention" (Journal of Interactive Marketing, 2007). בקבוצת ה-Regular של עסק מנויים ששמו לא פורסם, 63.1% מהלקוחות עדיין היו שם אחרי שנה, 46.8% אחרי שנתיים ו-17.3% אחרי שתים-עשרה שנים. תסתכלו על השימור משנה לשנה שמסתתר בתוך המספרים האלה: 63% בשנה הראשונה, ואז 74%, 82%, 85%, 89%, 91% ו-92%. בשנה ה-12 הוא עמד על 94.5%.
אף אחד לא נעשה נאמן יותר. ההסבר של החוקרים: לכל לקוח יש סיכוי קבוע ובלתי ידוע לעזוב, הסיכויים שונים בין לקוחות, ולכן ״הלקוחות שנוטשים הרבה עוזבים מוקדם, והנשארים הם אלה עם סיכוי נטישה נמוך יותר״. הם קוראים לזה אפקט מיון. ההשלכה על קיצור הדרך גדולה: מי שלוקח את 63.1% של שנה ראשונה ומקרין אותם קדימה מקבל ש-0.4% מהקבוצה עדיין פעילים בשנה ה-12 (0.631 בחזקת 12, החישוב שלנו). המספר האמיתי היה 17.3%.
17.3% מול 0.4%
מהקבוצה עדיין פעילים בשנה ה-12: מה שקרה בפועל מול מה שהיה צפוי אילו הקרינו קדימה את שיעור השימור של שנה ראשונה.
מקור: Fader & Hardie (2007), טבלה 1; ה-0.4% הוא חישוב שלנו (0.631^12)
הנתונים הם מעסק מנויים, שבו ביטולים גלויים, והחוקרים לא נקבו בשם החברה. קחו מזה את הצורה (שימור שעולה כשהקבוצה ממיינת את עצמה) ולא את האחוזים כמדד השוואה לעסק שלכם.
האם לקוחות ותיקים תמיד מרוויחים יותר?
הסיפור על נאמנות שעומד מאחורי ערך חיי לקוח אומר כן: ככל שמישהו נשאר יותר זמן, הוא שווה יותר. Werner Reinartz ו-V. Kumar בדקו את זה במאמר "The Mismanagement of Customer Loyalty" (Harvard Business Review, יולי 2002) על מאגרי לקוחות של ארבע חברות: ספק שירותים תאגידי אמריקאי בהייטק, חברת קטלוגים אמריקאית, רשת מזון צרפתית וברוקר ישיר גרמני. הנתונים כיסו יותר מ-16,000 לקוחות פרטיים ועסקיים לאורך ארבע שנים.
הם מצאו שהקשר ״חלש ומורכב הרבה יותר״ ממה שתומכי תוכניות הנאמנות טוענים. המתאם בין משך הישארות הלקוח לרווח ממנו היה חלש עד בינוני: 0.45 ברשת המזון, 0.30 אצל ספק השירותים, 0.29 בברוקר הישיר ו-0.20 בחברת הקטלוגים. הם מצאו ״מעט מאוד ראיות, אם בכלל״ לכך שלקוחות קבועים זולים יותר לשירות, פחות רגישים למחיר, או במיוחד טובים בהבאת לקוחות חדשים. בנתונים של ספק השירותים עצמו, בערך מחצית מהלקוחות שקנו באופן קבוע לפחות שנתיים בקושי הניבו רווח, ובערך מחצית מהלקוחות הרווחיים ביותר היו ״קונים חולפים״ שקנו הרבה מוצרים ברווחיות גבוהה בזמן קצר ונעלמו.
בחלוקה שלהם לארבע קבוצות, בכל חברה בין 15% ל-20% מהלקוחות היו קצרי טווח אבל רווחיים מאוד (ה״פרפרים״), ובין 15% ל-21% היו ארוכי טווח אבל רווחיים רק במעט (ה״ברנקלים״, כמו הצדפות שנצמדות לתחתית הספינה). אורך חיים ממוצע אחד מטשטש את שתי הקבוצות למספר יחיד.
זה מחקר מ-2002 על ארבע חברות גדולות, לא על עסקים קטנים. הוא מראה שוותק ורווח יכולים להיפרד, לא עד כמה הפער גדול בקליניקה או בסטודיו.
מה משתנה כשהלקוחות שלכם אף פעם לא ״מבטלים״?
רוב העסקים הקטנים, בהם חנויות, קליניקות, סטודיו ומוכרי קורסים, לא מוכרים חוזים עם תאריך סיום גלוי. לקוח שקנה לאחרונה במרץ יכול להיות אבוד לתמיד, ויכול לחזור בנובמבר, ואתם לא רואים איזה מהשניים. Fader ו-Hardie מסמנים את הקו במפורש: בעסק בלי חוזים, ״את הרגע שבו לקוח הפך ללא פעיל, ואת הסבירות שזה בכלל קרה, צריך להסיק מהיסטוריית העסקאות״. לכן שיעור נטישה חודשי הוא לא נתון שפשוט קוראים מהדשבורד.
יש מודלים אקדמיים למקרה הזה. מודל Pareto/NBD של Schmittlein, Morrison ו-Colombo (Management Science, 1987) מעריך את הסבירות שכל לקוח עדיין ״חי״ לפי תזמון הרכישות שלו, והמודל BG/NBD של Fader, Hardie ו-Lee מ-2005 הוא חלופה קלה בהרבה ליישום שנותנת תוצאות דומות מאוד. לעסק קטן בלי מדען נתונים המסקנה המעשית צנועה יותר: להפסיק להעמיד פנים שיש אורך חיים קבוע, ולמדוד מה כל קבוצת לקוחות כבר שילמה בפועל.
עד כמה שונה יכול להיות היחס של אותו עסק בדיוק?
שונה מאוד. כדי להראות את זה בנינו דוגמה היפותטית פשוטה בכוונה: סטודיו שמוכר מנוי חודשי ב-250 ₪ (כולל מע״מ). המע״מ בישראל הוא 18% מ-1 בינואר 2025, ולכן ההכנסה היא 250 ₪ חלקי 1.18, כלומר 211.86 ₪ בחודש. בשולי רווח גולמיים של 70% (ההנחה שלנו), זה 148.31 ₪ רווח גולמי בחודש. כל מנוי חדש עולה 600 ₪ להשגה.
עכשיו ניתן ללקוחות שני טיפוסים נסתרים שאי אפשר להבדיל ביניהם בהרשמה: חצי עוזבים בקצב של 20% בחודש, וחצי בקצב של 2% בחודש. הקבוצה המשולבת מאבדת 11% בחודש הראשון ואחר כך משתפרת והולכת, בדיוק הדפוס שבנתונים של Fader ו-Hardie. הנה אותו סטודיו, בארבע קריאות.
| איך קוראים את זה | חודשי תשלום ללקוח | LTV (רווח גולמי) | LTV:CAC |
|---|---|---|---|
| נוסחה בשורה אחת על נטישת החודש הראשון (11%) | 9.1 | 1,348 ₪ | 2.2:1 |
| מה שנגבה בפועל ב-12 החודשים הראשונים | 7.7 | 1,143 ₪ | 1.9:1 |
| מה שנגבה ב-24 החודשים הראשונים | 12.1 | 1,794 ₪ | 3.0:1 |
| כל החיים, עם שני הטיפוסים הנסתרים | 27.5 | 4,078 ₪ | 6.8:1 |
אותו סטודיו מחזיר את ה-600 ₪ שלו עד התשלום החודשי החמישי (605 ₪ נגבו), בקצה המהיר של ההנחיה של Skok (5 עד 7 חודשים), בעוד שקריאה מהירה של הנוסחה בשורה אחת אומרת שהוא נכשל ב-3:1. ו-25 מתוך 27.5 חודשי החיים הצפויים, 91%, מגיעים מהחצי שכמעט לא עוזב, קבוצה שאפשר לזהות רק אם מחכים.
אילו נתונים שוכחים להכניס?
- מע״מ. אם אתם מציגים מחירים כולל מע״מ, הוציאו אותו. המע״מ בישראל הוא 18% מ-1 בינואר 2025 (קודם 17%), כך ש-250 ₪ מהלקוח הם 211.86 ₪ הכנסה שלכם.
- רווח גולמי, לא הכנסה. LTV שסופר הכנסה מנפח את שווי הלקוח בעלות האספקה אליו. בביטוי הסטנדרטי ל-CLV, כפי שכותבים אותו Fader ו-Hardie, מכפילים רווח לתקופה בעקומת ההישרדות ומהוונים את התקופות המאוחרות.
- היוון. שקל בשנה הבאה שווה פחות משקל היום, במיוחד אם אתם לווים כדי לממן צמיחה. אותו ביטוי מחלק כל תקופה ב-(1 + שיעור היוון) בחזקת התקופה; Skok מציין שחברות מתחילות בדרך כלל משלמות על הון ביוקר.
- החזרים כספיים, חיובים חוזרים (chargebacks) וגבייה שנכשלה. הם מופחתים ממה שנגבה בפועל.
- סגמנטים וערוצים. המאמר של Skok ממליץ לחשב CAC, LTV:CAC והחזר בנפרד לכל סגמנט, ומציין שלמקורות ליד שונים יש עלויות שונות. ממוצע משולב יכול להסתיר ערוץ שמפסיד כסף.
- זמן. קוהורט שנרכש לפני חצי שנה כולל חצי שנה של היסטוריה. לקרוא להקרנה שלה ״LTV״ זו הטעות מטבלת הסטודיו למעלה.
מה כדאי לעסק קטן למדוד במקום?
ההצעה שלנו, לא ממצא של מחקר: להשתמש ביחס 3:1 לכל היותר כבדיקת היגיון, ולנהל את העסק לפי זמן החזר וקוהורטים, שאפשר לראות ולא רק להניח. ההנחיה השנייה של Skok, זמן ההחזר, מתאימה לגישה הזאת.
- 1חלקו את הלקוחות לקוהורטים לפי החודש שבו שילמו לראשונה, ואם אפשר גם לפי הערוץ שהביא אותם.
- 2לכל קוהורט סכמו כמה רווח גולמי נגבה בפועל לכל לקוח שנרכש אחרי 3, 6 ו-12 חודשים. אלה עובדות, לא הקרנות.
- 3חשבו CAC לכל ערוץ מכל מה שהוצאתם על רכישת אותם לקוחות באותה תקופה: הוצאות פרסום, ועוד שעות העבודה והכלים שמאחוריהן.
- 4סמנו את חודש ההחזר, החודש הראשון שבו הרווח הגולמי המצטבר ללקוח בקוהורט עובר את ה-CAC שלו. בתוכנה ההנחיה של Skok היא 5 עד 7 חודשים במקרה הטוב ובעיה מעבר ל-12; הקו הנכון לכם תלוי בשולי הרווח שלכם ובכמה מזומן אתם מוכנים לנעול.
- 5עברו למספר ״לכל החיים״ רק כשלקוהורט יש לפחות שנה של היסטוריה, בשיטה שמאפשרת לשימור לעלות עם הזמן, ועם היוון של התקבולים העתידיים.
- 6פצלו לפי סוג לקוח. ותק לבדו אמר ל-Reinartz ול-Kumar מעט על רווח, אז עקבו בנפרד אחרי הקונים הגדולים לטווח קצר ואחרי ותיקים שמוציאים מעט.
| מדד | מה הוא אומר | אפשר לראות אותו כבר היום? |
|---|---|---|
| חודש החזר CAC (לפי ערוץ) | כמה זמן המזומן נעול ברכישת לקוח | כן, לכל קוהורט |
| רווח גולמי ללקוח אחרי 12 חודשים | כמה קוהורט החזיר בפועל | כן, אחרי שעברו 12 חודשים |
| LTV:CAC מהקרנת חיים | תחזית שנשענת על שימור מונח | לא, זו הערכה |
אופק ארוך יותר הוא לא תמיד טוב יותר. אם השוק שלכם משתנה מהר, הקרנה שנשענת על קוהורטים ישנים יכולה להטעות יותר מחלון קצר שנצפה בפועל.
איך עושים את זה ב-oToK?
oToK בנויה סביב שמירת כל תשלום וכל מכירה בכרטיס הלקוח, וזה מה שניתוח קוהורטים צריך. תשלומים נרשמים על כל איש קשר (חד-פעמיים, מחזוריים ובתשלומים), עם אנליטיקת הכנסות על הכרטיס שמציגה LTV, MRR/ARR ומגמות לאורך זמן, ומכירות שתעדו (רב-פריטיות, כשהקונה והמקבל נשמרים בנפרד) מצטברות גם הן לכרטיס. מכיוון שאנשי קשר, עסקאות ו-pipelines בלתי מוגבלים בכל מסלול, היסטוריית הלקוחות שאתם בונים לא מוגבלת בגודל הרשימה.
כדי לקבל CAC לפי ערוץ, ייחוס ההכנסות (זמין במסלול Growth ומעלה) מחבר את ההוצאה על פרסום מחשבונות Meta Ads ו-Google Ads המחוברים להכנסה שכל ערוץ הניב, עם ROI ו-ROAS לפי ערוץ, קמפיין ומודעה, כולל מודעות Click-to-WhatsApp. בונה הדוחות (שמירת דוחות זמינה במסלול Growth ומעלה) מאפשר לקבץ אנשי קשר לפי מתי שילמו לראשונה ולהשוות כמה כל קבוצה שילמה מאז, ואפשר לבנות מאותם נתונים סגמנטים כמו קונים גדולים מהזמן האחרון. סגמנטציה לפי חידוש, תדירות וערך מוסברת במדריך ה-RFM שלנו שמקושר למטה.
- רשמו כל תשלום ומכירה על כרטיס הלקוח כדי שההיסטוריה תצטבר מעצמה
- קראו LTV ו-MRR/ARR על הכרטיס, לא בגיליון נפרד
- השוו ערוצים לפי הכנסה ולא רק לפי קליקים, עם ייחוס הכנסות במסלול Growth ומעלה
- חתכו סגמנט של קונים גדולים מהזמן האחרון להמשך טיפול, וסגמנט נפרד לוותיקים שמוציאים מעט
שאלות נפוצות
- מהו יחס LTV:CAC טוב?
- המספר שרוב האנשים מצטטים הוא 3:1 ומעלה, והוא מגיע ממאמר SaaS Metrics 2.0 של David Skok: העסקים הטובים ביותר ב-SaaS נמצאים ״מעל 3, לפעמים עד 7 או 8״, כהנחיה שאפשר לחרוג ממנה. זה מתאר תוכנות מנוי, ולכן בעסק מסוג אחר השתמשו בו רק כבדיקה גסה והישענו על זמן החזר ועל קוהורטים שנמדדו.
- מאיפה הגיע הכלל 3:1?
- ממאמר של David Skok על מדדי SaaS. המאמר מציג את ההנחיה לעסקי תוכנות מנוי ומוסיף שהיא ״הנחיות בלבד״ ושיש מצבים שבהם הגיוני לחרוג ממנה. הוא לא מציג את 3:1 כחוק לכל עסק.
- מהו זמן החזר CAC ומהו זמן טוב?
- זמן החזר CAC הוא הזמן שלוקח לרווח הגולמי מלקוח להחזיר את עלות רכישתו. ההנחיה של Skok ל-SaaS היא שהרבה מהטובים ביותר מחזירים CAC תוך 5 עד 7 חודשים, ושהרווחיות נעשית ״אנמית״ מעבר ל-12 חודשים. בעסקים אחרים הסף הנכון תלוי בשולי הרווח ובכמה מזומן אפשר לנעול.
- איך מחשבים ערך חיי לקוח בלי מנויים?
- אל תניחו אורך חיים. קחו לקוחות ששילמו לראשונה באותו חודש וסכמו כמה רווח גולמי הם הניבו בפועל אחרי 3, 6 ו-12 חודשים. בעסק בלי ביטול גלוי, השאלה אם לקוח שקט כבר עזב צריכה להיות מוסקת מהיסטוריית הרכישות, ולכן קוהורטים שנמדדו בטוחות יותר מנוסחה.
- להשתמש בהכנסה או ברווח גולמי ב-LTV?
- ברווח גולמי. הכנסה מתעלמת מעלות האספקה של המוצר או השירות ולכן מנפחת את שווי הלקוח. וגם: הוציאו מע״מ לפני שמתחילים; המע״מ בישראל הוא 18% מ-1 בינואר 2025.
- האם הנוסחה LTV = רווח חודשי חלקי נטישה אמינה?
- רק אם לכל לקוח יש אותו סיכוי קבוע לעזוב. בנתונים של Fader ו-Hardie מ-2007 השימור עלה מ-63.1% בשנה ראשונה ל-94.5% בשנה ה-12, והארכת שיעור שנה ראשונה הייתה מנבאת ש-0.4% מהקבוצה נשארו בשנה ה-12, מול 17.3% בפועל. השתמשו בה כרצפה גסה, לא כתחזית.
- האם לקוחות נאמנים תמיד רווחיים יותר?
- לא. המחקר של Reinartz ו-Kumar מ-2002 על ארבע חברות ויותר מ-16,000 לקוחות מצא רק מתאמים חלשים עד בינוניים בין ותק לרווח (0.20 עד 0.45), ומצא מעט מאוד ראיות, אם בכלל, לכך שלקוחות ותיקים זולים יותר לשירות או פחות רגישים למחיר. זה מחקר על חברות גדולות, אבל זו סיבה טובה למדוד רווח לכל לקוח ולא רק ותק.



