LTV hat einen blinden Fleck

Zusammenfassung

LTV ist wohl die wichtigste SaaS-Kennzahl überhaupt, weil sie die Zukunft vorhersagt: den Gesamtumsatz, den ein Kunde oder eine Kohorte erwirtschaften wird. Aber stimmt diese Prognose mit der Realität überein? Falls nicht, führt das gerade jetzt bei Tausenden Unternehmen zu fehlerhaften strategischen Entscheidungen.

LTV ist eine einfache Formel: ARPA geteilt durch die Churn Rate. Zwei Zahlen eingeben, eine Zahl erhalten, die den Gesamtwert einer Kundenbeziehung schätzt. Es ist eine der grundlegenden Kennzahlen im SaaS-Geschäft und prägt Akquisitionsbudgets, Payback-Erwartungen, Fundraising-Gespräche und Produktstrategie.

Doch wie genau ist sie wirklich, wenn man die Prognose mit der Realität vergleicht?

Um das herauszufinden, haben wir LTV anhand von 35.512 Kundenkohorten aus 3.331 ChartMogul-Unternehmenskonten einem Realitätscheck unterzogen. Konkret wollten wir wissen: Wenn man den LTV zum Zeitpunkt der Kohortenbildung berechnet – wie nah lag diese Prognose 12, 24 und 36 Monate später an der Realität?

Das Ergebnis ist kontraintuitiv: LTV-Prognosefehler sind nicht zufällig. Sie sind systematisch, was die Kennzahl in manchen Situationen zuverlässig und in anderen konsequent irreführend macht.

Die wichtigsten Erkenntnisse

• Prognosefehler sind systematisch, nicht zufällig. E-Commerce-Unternehmen überschätzen den Customer Value durchweg, während stark auf Enterprise ausgerichtete Unternehmen ihn oft unterschätzen, weil Kundengröße, Retention und Expansion unterschiedlich zusammenwirken.
• Viele Kohorten liegen deutlich daneben. 28,3 % der Kohorten weichen um mehr als 50 % von der Realität ab.
• Der Median-Fehler ist nur deshalb klein, weil sich gegenläufige Fehler oft gegenseitig aufheben. LTV liegt häufig um ähnliche Beträge zu hoch und zu niedrig, wodurch der Gesamtmedian genau erscheint.
• Der größte Teil des Prognosefehlers stammt aus einer einzigen Annahme: der Verwendung der unternehmensweiten ARPA zur Schätzung des Umsatzes neuer Kunden.
• Günstigere Kunden bleiben kontraintuitiv oft länger als teurere Kunden, aber die Expansion der verbliebenen Kunden lässt LTV im Zeitverlauf von einer Über- zu einer Unterschätzung des Umsatzes kippen.
• LTV sollte als Richtwert genutzt werden, nicht als präzise Prognose. Kohorten-Umsatzkurven und Net-MRR-Bewegungen liefern den fehlenden Kontext.

Statt zu fragen, ob LTV "richtig" ist, haben wir untersucht, wo die Kennzahl danebenliegt. Was verursacht die Fehler? Wie verstärken sie sich gegenseitig? Wie verändern sie sich im Zeitverlauf? Und was bedeutet das dafür, wie Sie LTV einsetzen sollten?

Geschrieben von Thomas Anastaselos, mit Recherche-Unterstützung und redaktionellem Feedback von Jason Cohen.

Was die LTV-Formel voraussetzt

LTV = ARPA ÷ Churn Rate ist ein Modell mit zwei Variablen. Seine Einfachheit hat ihren Preis.

Um zu verstehen, wo die Formel danebenliegt, lohnt sich zunächst ein Blick auf ihre Annahmen:

Jeder neue Kunde zahlt so viel wie der Unternehmensdurchschnitt. ARPA ist ein Mischwert. Er bildet jeden Abonnenten Ihres Kontos ab, klein und groß, neu und langjährig, expandierend und schrumpfend. Wenn Sie damit den Umsatz einer neuen Kohorte prognostizieren, gehen Sie davon aus, dass die gerade neu registrierten Kunden Ihrem gesamten aktuellen Kundenstamm gleichen – einschließlich der Kunden, die seit drei Jahren dabei sind und ihre Ausgaben mehrfach erhöht haben.

Die Churn Rate bleibt konstant. Die durchschnittliche Logo-Churn-Rate der letzten sechs Monate wird einheitlich auf jede neue Kohorte angewendet, unabhängig davon, wer die Kunden sind, wie sie gewonnen wurden, wie gut sie zum Produkt passen oder dass ein Teil von ihnen bereits gekündigt hat.

Der Umsatz pro Kunde bleibt konstant. Expansion oder Kontraktion wird nicht direkt berücksichtigt, sondern nur indirekt über die gemischte ARPA. Was Kunden bei ihrer Anmeldung zahlen, zahlen sie angeblich für immer, und Kunden, die früh gekündigt haben, zahlen im Schnitt genauso viel wie Kunden, die seit fünf Jahren dabei sind.

Das sind bekannte Kompromisse. Einfachere Modelle sind leichter verständlich und schwerer zu manipulieren. Die Frage ist, ob diese Kompromisse in der Praxis eine Rolle spielen. Schauen wir uns die Daten an.

Wie wir es getestet haben

Für jedes ChartMogul-Konto im Datensatz haben wir Kohorten definiert: alle Kunden, die sich in einem bestimmten Kalenderquartal angemeldet haben, identifiziert anhand des Zeitpunkts, zu dem sie erstmals zahlende Kunden wurden. Wir haben 20 Quartalskohorten analysiert, Q1 2020 bis Q4 2024, über alle 3.331 Konten hinweg, was insgesamt 35.512 (Konto, Kohortenquartal)-Paare ergab.

Zum Zeitpunkt der Kohortenbildung haben wir die ARPA des Kontos sowie die Churn Rate der letzten sechs Monate erfasst, genau wie es die LTV-Formel tut. Anschließend haben wir den von der LTV-Formel prognostizierten Umsatz für diese Kunden über 12, 24 und 36 Monate berechnet.

Danach haben wir gemessen, was dieselben Kunden tatsächlich erwirtschaftet haben. Für jeden Kunden haben wir die MRR Monat für Monat nachverfolgt. Wir haben die tatsächliche MRR über jedes Zeitfenster summiert. Kohorten, deren Beobachtungsfenster über den Datenstichtag (Juni 2026) hinausging, haben wir ausgeschlossen, um eine Verzerrung durch Zensierung zu vermeiden.

So erhielten wir einen direkten Vergleich zwischen prognostiziertem und tatsächlichem Umsatz für dieselben Kunden über denselben Zeitraum – und das ausschließlich auf Basis der Informationen, die zum Zeitpunkt verfügbar waren, als sie erstmals zahlende Kunden wurden.

Die Formel wirkt ziemlich genau

Die typische Kohorte erwirtschaftet über 12 Monate 2,4 % weniger Umsatz als von LTV prognostiziert. Das klingt beruhigend.

Allerdings weisen 28,3 % aller Kohorten einen Prognosefehler von mehr als 50 % in die eine oder andere Richtung auf.

Die Formel verwendet eine gemischte ARPA, die Jahre an Expansion durch Bestandskunden einschließt. Diese Kunden haben über Monate oder Jahre hinweg Sitzplätze hinzugefügt, Pläne aufgewertet und ihre Ausgaben erhöht. Neue Kunden haben davon noch nichts getan. Die Formel geht davon aus, dass sie bereits dem Durchschnittskunden gleichen, obwohl sie noch keine Zeit hatten, einer zu werden.

Zwei Inputs = zwei Möglichkeiten, falsch zu liegen

Die Formel hat zwei Inputs, kann also an zwei Stellen falsch liegen: bei der ARPA im Zähler oder bei der Churn Rate im Nenner. Beide liegen falsch, aber in unterschiedliche Richtungen, um unterschiedliche Beträge und aus unterschiedlichen Gründen.

Fehlerquelle 1: Neue Kunden sind keine Durchschnittskunden.

Die Formel verwendet den gemischten Durchschnittsumsatz pro Kunde des Unternehmens. Neue Kunden zahlen fast immer weniger als dieser Durchschnitt. Sie haben sich gerade erst angemeldet – das bedeutet keine Sitzplatzerweiterungen, keine Plan-Upgrades, kein mehrjähriges Wachstum. Der gemischte Durchschnitt umfasst all das. Die Formel unterstellt also neuen Kunden einen Umsatz, den sie noch gar nicht erwirtschaftet haben.

Im Median hat diese ARPA-Diskrepanz einen moderaten Effekt auf die Prognosegenauigkeit: -4,9 %. Doch der Median verschleiert, wie stark die Diskrepanz zwischen den Kohorten variiert. Als wir den Prognosefehler jeder Kohorte in ARPA- und Retention-Komponenten zerlegt haben, erklärte die ARPA-Diskrepanz 84,9 % der Varianz in der Prognosegenauigkeit. Anders gesagt: Der typische ARPA-Effekt ist klein, aber Unterschiede in der ARPA-Diskrepanz sind einer der Hauptgründe dafür, warum LTV-Prognosen für manche Kohorten genauer sind als für andere.

Fehlerquelle 2: Kohorten churnen nicht zur Durchschnittsrate.

Die Formel verwendet die Churn Rate der letzten sechs Monate des Unternehmens, um zu prognostizieren, wie viele Kunden jeden Monat erhalten bleiben. Eine bestimmte Kohorte kann jedoch mit einer ganz anderen Rate churnen. Neue Enterprise-Käufer, SMB-Konvertiten und Trial-to-Paid-Nutzer teilen sich nicht dieselbe Überlebenskurve, selbst wenn sie alle im gleichen Quartal beigetreten sind. Der Unternehmensdurchschnitt sagt wenig über die konkrete Kohorte aus, die gerade vor Ihnen liegt.

Im Median heben sich diese beiden Fehler (ARPA und Churn) zufällig teilweise auf. Deshalb wirkt -2,4 % so klein.

Das Überlebensparadox

Eine der überraschendsten Erkenntnisse betrifft die Frage, welche Kunden tatsächlich am längsten bleiben.

Die gängige SaaS-Weisheit besagt, dass teurere Kunden länger bleiben. Enterprise-Kunden haben Lock-in-Effekte, mehrjährige Verträge und dediziertes Account-Management. Günstigere Kunden haben mehr Alternativen, niedrigere Wechselkosten und weniger organisatorische Trägheit. Bei WP Engine etwa trifft dieses Muster zu: Größere Unternehmen sind treuer.

ChartMoguls Datensatz ist stark auf SMB ausgerichtet und enthält ein erhebliches B2C-Segment. Innerhalb dieses Datensatzes kehrt sich das Muster um. Wir haben Kunden anhand ihrer MRR bei Anmeldung in vier Gruppen aufgeteilt und gemessen, wie viele nach 12 Monaten noch aktiv waren. Das Ergebnis war überraschend: Die 12-Monats-Retention-Rate sinkt, je höher der relative Preis ist. Das günstigste Quartil überlebte zu 74 %, das teuerste nur zu 45 %.

Eine zweite Prüfung erzählte dieselbe Geschichte: Die mediane Anmelde-MRR noch aktiver Kunden sinkt im Zeitverlauf, statt zu steigen. Innerhalb einer Kohorte neigen die teureren Kunden dazu, zuerst zu gehen. Das spiegelt möglicherweise teilweise das Muster „werden zu dem, was sie jagen" wider, das in unserer früheren Recherche beschrieben wurde: Viele SaaS-Unternehmen gewinnen erfolgreich SMB-Kunden, bevor sie ins Upmarket-Segment vorstoßen, wo das Halten größerer Kunden schwieriger wird.

Expansion, nicht Überleben, treibt die ARPA nach oben

Auf den ersten Blick scheint das der ARPA-Geschichte zu widersprechen. Wenn günstigere Kunden länger überleben, sollte die Kohorten-ARPA im Zeitverlauf dann nicht sinken statt steigen? Eine mögliche Erklärung: In SMB-lastigen Märkten haben günstigere Abonnenten wenig Grund zu gehen. Die Software ist fest in ihren Arbeitsablauf eingebettet, und die Kosten liegen unter der Schwelle für eine bewusste Kündigungsentscheidung.

Höher zahlende Unternehmen gehen bewusster mit dem ROI um. Wird der Wert nicht klar ersichtlich, wechseln sie. Die Enterprise-Lock-in-Dynamik, die größere B2B-Kunden treu macht, gilt nicht für den SMB-Käufer mit 500 $/Monat oder den Konsumenten mit 29 $/Monat.

Was das für die ARPA bedeutet. Wenn günstigere Kunden länger überleben, müsste die durchschnittliche MRR einer Kohorte mit zunehmendem Alter eigentlich sinken. Das wäre das Gegenteil einer ARPA-Inflation – und genau das scheint auch auf Kundenebene zu passieren.

Woher kommt dann die ARPA-Inflation auf Unternehmensebene? Aus Expansion. Kunden, die bleiben, upgraden. Wir haben das direkt gemessen: 45,6 % der aktuellen MRR von Kunden, die seit 2020–2021 überlebt haben, stammen aus Expansion nach der Anmeldung, nicht aus dem ursprünglichen Abonnement. Die gemischte ARPA ist aufgebläht, weil die verbliebenen Kunden expandieren.

Was bedeutet das für LTV? Die zur Prognose des Umsatzes neuer Kohorten verwendete ARPA ist durch Expansion aufgebläht, die Ihre Bestandskunden bereits erlebt haben, neue Kunden aber noch nicht erreichen konnten.

Bis hierher haben wir erklärt, warum LTV den Wert neuer Kunden zunächst überschätzt. Doch diese Fehlerquellen sind nicht konstant. Mit zunehmendem Kohortenalter beginnen Kunden zu expandieren. Das macht die anfängliche ARPA-Diskrepanz schrittweise weniger wichtig, während Expansion an Bedeutung gewinnt. Diese Verschiebung wird sichtbar, wenn wir dieselben Kohorten über längere Zeiträume vergleichen.

Wie sich die Prognose im Zeitverlauf verändert

Anfangs lässt die gemischte ARPA LTV zu optimistisch erscheinen. Im Zeitverlauf überholt die Kundenexpansion diesen anfänglichen Bias. Nach 24 Monaten liegt der Median-Prognosefehler bei +6,9 %, nach 36 Monaten bei +14,4 %. Ab dem 24-Monats-Zeitpunkt unterschätzt LTV den Umsatz, statt ihn zu überschätzen.

Der Grund ist Expansion. Nach 12 Monaten heben sich ARPA-Diskrepanz und Expansion in etwa gegenseitig auf. Nach 24 Monaten haben genug Kunden Sitzplätze und Pläne aufgewertet, sodass die Expansion überwiegt. Nach 36 Monaten treibt die kumulierte Expansion die Zahl noch weiter nach oben.

Auch die Streuung der Ergebnisse verdoppelt sich bis zum 36. Monat nahezu, wodurch LTV deutlich weniger zuverlässig wird.

Nicht jedes Unternehmen verhält sich so

Das übergreifende Muster, also dass günstigere Kunden länger bleiben, ist real, aber nicht universell. Nicht jedes Unternehmen verhält sich so – schauen wir uns an, wo das zutrifft und wo nicht.

Für jedes Unternehmen haben wir die Korrelation zwischen der Anmelde-MRR eines Kunden und der 12-Monats-Überlebensrate gemessen. Positive Korrelation bedeutet, dass größere Kunden länger bleiben, negative bedeutet, dass größere Kunden früher churnen.

Das Ergebnis:

Das erwartete Enterprise-Muster, also größer bleibt länger, trifft nur auf 14 % der Unternehmen zu. Bei 37 % gilt das Gegenteil.

B2C-Unternehmen machen 37,8 % der negativen Gruppe aus, aber nur 6,6 % der positiven Gruppe. Das passt zur Intuition vieler Konsumgüter-Unternehmen: Das Produkt ist fest in den Alltag eingebettet, und die Kosten sind zu niedrig, um eine Kündigung zu rechtfertigen. Höher zahlende Abonnenten dagegen agieren bewusster und churnen eher, wenn der Wert nicht klar ist. Kleine B2B-Unternehmen folgen demselben Muster: 77 % der Gruppe mit negativer Korrelation haben einen ARR unter 500.000 $.

Die positive Gruppe (größere Kunden bleiben länger) ist zu 93 % B2B und wird von größeren Unternehmen dominiert. Das ist das klassische Enterprise-Muster: Höhere MRR geht mit stärkerer Integration, höheren Wechselkosten und tieferer organisatorischer Abhängigkeit einher.

Diese Unterschiede im Kundenverhalten spiegeln sich direkt in Unterschieden bei der LTV-Genauigkeit wider.

LTV ist am genauesten, wenn größere Kunden früher churnen, und am ungenauesten, wenn sie länger bleiben.

Das Modell ist am genauesten, wenn sich seine beiden Fehler gegenseitig aufheben: Es überschätzt den Wert neuer Kunden, aber diese teureren Kunden churnen auch schneller, wodurch der tatsächliche Umsatz näher an die Prognose heranrückt. Am ungenauesten ist es, wenn sich die Fehler verstärken: Teurere Kunden sind von Anfang an wertvoller und bleiben zudem länger, sodass die Formel sie doppelt unterschätzt – einmal bei der Anmeldung und ein zweites Mal, während sie im Zeitverlauf expandieren.

Wo LTV am häufigsten scheitert

Der Median-Fehler ist nicht gleichmäßig verteilt. Die größten Unterschiede zeigen sich bei Branche, Unternehmensgröße und Geschäftsmodell.

Nach Branche:

E-Commerce weist die größte Überschätzung auf. Neue Kunden zahlen deutlich unter dem Durchschnitt und zeigen kaum Expansion, sodass wenig übrig bleibt, um die anfängliche ARPA-Diskrepanz auszugleichen.

Am anderen Ende der Tabelle zeigt sich das gegenteilige Bild. Business Intelligence weist mit 1,18x den größten Expansionseffekt auf, da Analyse-Tools mit der Zeit stärker in Arbeitsabläufe eingebettet werden und Kunden mit wachsender Nutzung upgraden. Branchen mit starker Post-Signup-Expansion zeigen trotz ähnlicher ARPA-Diskrepanzen durchweg kleinere LTV-Fehler.

Die Unterschiede scheinen eher Geschäftsmodelle als Branchen widerzuspiegeln. LTV ist am genauesten, wenn neue Kunden dem bestehenden Kundenstamm ähneln und nach der Anmeldung expandieren. Am ungenauesten ist LTV, wenn neue Kunden deutlich unter dem Durchschnitt starten und diese Lücke nie schließen.

Nach Unternehmensgröße:

Die größten Unternehmen (ARR über 30 Mio. $) weisen die stärkste Überschätzung auf, aber die wenigsten großen Ausreißer. Ihre Fehler sind mit einem Median von -19 % groß, aber konsistent. Diese Unternehmen bestehen schon lange genug, dass etablierte Kunden dramatisch expandieren konnten, was die gemischte ARPA weit über das hinaustreibt, was neue Kohorten tatsächlich zahlen. Doch auch diese neuen Kunden neigen dazu, nach der Anmeldung erheblich zu expandieren, was die Lücke im Zeitverlauf teilweise schließt.

Kleine Unternehmen (ARR unter 500.000 $) zeigen inzwischen eine leichte Unterschätzung (Median-Fehler von +0,5 %), da die Formel den Umsatz der kleinsten Unternehmen leicht unterschätzt – möglicherweise, weil deren Expansionsverläufe schneller verlaufen, als der Durchschnitt vermuten lässt. Sie haben aber auch die unzuverlässigsten Kohorten (29,5 %). Ihre Fehler sind eher unsystematisch als systematisch. Im Schnitt liegt die Formel ungefähr richtig, aber die Prognosen einzelner Kohorten schwanken stark.

Nach Geschäftsmodell:

B2B und B2C weisen grundlegend unterschiedliche Genauigkeitsprofile auf.

Bei B2B-Unternehmen ist die ARPA-Diskrepanz das größte Problem. Bestandskunden haben expandiert und den Durchschnitt über das hinausgetrieben, was neue Kunden zahlen.

B2C-Unternehmen sind in der Aggregation im Wesentlichen neutral (Median-Fehler von +0,4 %) und haben die niedrigste Quote an deutlich falschen Kohorten (20,2 %). Die B2C-Preisgestaltung ist einfacher und einheitlicher, wodurch die Kernannahmen der Formel besser standhalten. Der blinde Fleck der Formel ist im Konsumentenmarkt kleiner.

Ein Warnhinweis allein reicht nicht

Wir haben dies anhand des stärksten verfügbaren Signals zum Zeitpunkt der Kohortenbildung getestet: dem ARPA-Verhältnis. Es misst, wie stark sich der Umsatz pro Kunde einer neuen Kohorte vom unternehmensweiten Durchschnitt unterscheidet, der in der Formel verwendet wird. Da es sofort beobachtbar ist, lässt es sich einsetzen, bevor überhaupt Retention-Daten vorliegen.

Die Logik ist einfach: Zahlen neue Kunden deutlich mehr oder weniger als der Durchschnitt, ist die ARPA-Annahme der Formel bereits falsch. Das allein kann die resultierende LTV-Schätzung unzuverlässig machen.

Wir haben verschiedene Schwellenwerte zur Kennzeichnung solcher Kohorten getestet und den Trade-off zwischen Präzision und Recall gemessen: wie oft die Kennzeichnung eine schlechte Schätzung korrekt erkannte und wie viele schlechte Schätzungen sie erfasste.

Um bei der besten Balance zwischen Präzision und Recall 57 % der deutlich falschen Prognosen zu erfassen, müssten 37 % aller Unternehmen gekennzeichnet werden. Erhöht man den Schwellenwert, um nur die extremsten Fälle zu erfassen (Schwellenwert 1,00), steigt die Präzision auf 81 %, aber es werden nur noch 10 % der falschen Prognosen erfasst.

Das spiegelt die zugrunde liegende Realität wider: Neue Kunden sind selten identisch mit dem Durchschnitt, weshalb die ARPA-Annahme für nahezu jedes Unternehmen in gewissem Maße falsch ist. Ein Warnhinweis würde am Ende einen Großteil der Unternehmen kennzeichnen und wäre dadurch weder umsetzbar noch besonders glaubwürdig.

Was das für die Nutzung von LTV bedeutet

Es gibt drei Möglichkeiten, auf diese Erkenntnisse zu reagieren: die Interpretation Ihrer aktuellen Kennzahl anpassen, die Formel selbst korrigieren oder auf ergänzende Kennzahlen setzen.

Passen Sie an, wie Sie Ihre aktuelle Kennzahl lesen.

Behandeln Sie LTV als Richtwert, nicht als präzise Zahl. Der Median-Fehler ist klein, aber die Streuung darum ist groß. Bei jeder einzelnen Kohorte kann das tatsächliche Ergebnis ohne Weiteres 25–30 % über oder unter der Prognose liegen. Wenn Ihr LTV:CAC-Zielwert bereits eine Sicherheitsmarge enthält, denken Sie daran, dass ein Teil dieser Marge möglicherweise schon durch die normale LTV-Unsicherheit aufgebraucht ist.

Ein paar segmentspezifische Anpassungen, basierend auf den Daten:

• E-Commerce: Die ARPA-Annahme ist hier systematisch zu optimistisch (Median-Fehler -10,9 %). Erwägen Sie, LTV vor der Nutzung für Akquisitionsentscheidungen um 10–15 % zu diskontieren.
• Große Unternehmen (ARR über 30 Mio. $): Der Fehler ist vorhersagbar und einseitig gerichtet. LTV überschätzt tendenziell um rund 20 %, größtenteils weil die gemischte ARPA Jahre an Bestandskundenexpansion einpreist.
• Enterprise-lastige Quartale: Sind neue Kunden deutlich größer als Ihr bestehender Kundenstamm, ist mit dem gegenteiligen Problem zu rechnen. LTV wird ihren Wert wahrscheinlich unterschätzen.

Ein Vorbehalt: Diese Muster beschreiben das typische Unternehmen in jedem Segment, nicht jedes einzelne Unternehmen. Prüfen Sie vor jeder Anpassung, wie genau Ihre eigenen historischen LTV-Prognosen mit der Realität übereinstimmten.

Korrigieren Sie die Formel selbst.

Der wirkungsvollste strukturelle Fix besteht darin, die unternehmensweite gemischte ARPA durch den tatsächlichen Umsatz der neuen Kohorte zum Anmeldezeitpunkt zu ersetzen. Da die ARPA-Diskrepanz den größten Teil der Fehlervarianz verursacht, würde allein das die Genauigkeit spürbar verbessern – und die dafür nötigen Daten (MRR bei Anmeldung) liegen bereits vor.

Expansion lässt sich auf diesem Weg schwerer korrigieren. Sie ist bei der Anmeldung nicht bekannt und macht einen großen Teil des verbleibenden Fehlers aus, sodass eine korrigierte Formel die zweite, größere Fehlerquelle weiterhin verfehlen würde. Es gibt zudem einen praktischen Kostenfaktor: Die realisierte ARPA einer Kohorte steht erst fest, wenn die Kohorte abgeschlossen ist, was die Berechnung verzögern und zusätzliche Komplexität schaffen würde.

Nutzen Sie ergänzende Kennzahlen.

Für kurzfristige Unit Economics kann die Payback-Periode ein zuverlässigerer Ersatz sein. Sie ist begrenzt (typischerweise 12–24 Monate statt eines unendlichen Zeithorizonts) und reagiert auf die Variablen, die sich tatsächlich bewegen (Marge, frühe Churn, CAC) – auch wenn eine einzelne teure Akquisitionskampagne sie vorübergehend verzerren kann.

Für einen längeren Zeithorizont zeigen Kohorten-Umsatzkurven, was frühere Kohorten tatsächlich erwirtschaftet haben – keine Projektion, sondern ein historischer Verlauf. Eine steigende Kurve über 24–36 Monate signalisiert gesunde Retention und Expansion; eine frühe Abflachung oder ein Rückgang ist ein sichtbares, datierbares Problem.

Net-MRR-Bewegungen ergänzen beides, indem sie erklären, warum diese Kurven so aussehen, wie sie aussehen – aufgeschlüsselt nach Expansion, Kontraktion, Churn und Reaktivierung, während LTV all das in einer einzigen Zahl komprimiert.

Keine einzelne Sichtweise ist vollständig. Zusammen ergeben sie ein deutlich genaueres Bild vom Customer Value als LTV allein.

Die entscheidende Frage

LTV ist begrenzt, weil die Kennzahl zwei instabile Annahmen in einer einzigen Zahl komprimiert. Diese Annahmen zu verstehen, ist wichtiger, als der Zahl selbst zu vertrauen.

Die Formel bleibt nützlich, denn sie ist einfach genug, um sie in einem Board-Meeting zu erklären, leicht im Zeitverlauf nachzuverfolgen und gut darin, ein Unternehmen in einer einzigen Zahl zusammenzufassen. Richtig eingesetzt – als Richtwert und in Kombination mit anderen Kennzahlen – bleibt LTV ein wertvolles Werkzeug.

Methodik & Daten

Anmerkungen zur Methodik

• Datensatz: ChartMogul-Plattformdaten aus 3.331 Unternehmenskonten, die Q1 2020 bis Q4 2024 abdecken und 35.512 (Konto, Kohortenquartal)-Paare ergeben. Kohorten sind definiert als alle Kunden, deren erste Neugeschäftsbewegung im selben Kalenderquartal stattfand.
• Prognose: Zum Zeitpunkt der Kohortenbildung haben wir LTV anhand der ChartMogul-Formel auf Basis der gemischten ARPA des Kontos und der Logo-Churn-Rate der letzten sechs Monate berechnet. Anschließend haben wir die durch LTV implizierte Umsatzprognose für die folgenden 12, 24 und 36 Monate ermittelt.
• Ist-Werte: Für jeden Kunden haben wir die MRR Monat für Monat nachverfolgt und die tatsächliche MRR über jedes Zeitfenster summiert. Kohorten, deren Beobachtungsfenster über den Datenstichtag (Juni 2026) hinausging, wurden ausgeschlossen, um eine Verzerrung durch Zensierung zu vermeiden.
• Fehlermetrik: Der Prognosefehler ist (Ist-Wert − Prognose) / Prognose × 100. Negativ bedeutet, dass die Formel überschätzt hat, positiv bedeutet, dass sie unterschätzt hat. Als unzuverlässig gelten Kohorten mit einem absoluten Fehler von mehr als 50 %.
• Varianzzerlegung: Wir haben den Prognosefehler jeder Kohorte in zwei Komponenten zerlegt: ARPA-Diskrepanz und Retention-Diskrepanz. Anschließend haben wir gemessen, wie viel der Varianz in der Prognosegenauigkeit über die Kohorten hinweg jede Komponente erklärt. Die beiden Komponenten sowie ihre Wechselwirkung erklären zusammen 100 % des erklärten Fehlers.
• ARPA-Retention-Korrelation: Für jedes Konto haben wir den Zusammenhang zwischen der Anmelde-MRR eines Kunden und der 12-Monats-Überlebensrate gemessen. Konten, bei denen größere Kunden tendenziell länger blieben, wurden als positiv eingestuft; solche, bei denen sie früher churnten, als negativ; der Rest als neutral. Ein Mindestkorrelationsschwellenwert wurde angewendet, um Rauschen durch kleine Stichproben zu reduzieren.

Ein Hinweis zu den Daten

Dieser Artikel spiegelt eine Analyse wider, die auf Basis der Live-Plattformdaten von ChartMogul zum Stand Juni 2026 durchgeführt wurde. Frühere Versionen dieser Arbeit zeigten leicht abweichende Median-Fehler und Varianzen, doch die grundlegenden Aussagen und die sie beeinflussenden Faktoren bleiben gleich. Die Abweichungen sind darauf zurückzuführen, dass sich die zugrunde liegenden Datensätze weiterentwickeln und Unternehmenskonten dem Datensatz hinzugefügt oder daraus entfernt werden.