La LTV a un angle mort

Résumé exécutif

La LTV est sans doute la métrique SaaS la plus importante, car elle prédit l'avenir : le revenu total qu'un client ou une cohorte va générer. Mais la réalité correspond-elle à cette prédiction ? Si ce n'est pas le cas, elle est à l'origine de décisions stratégiques erronées dans des milliers d'entreprises en ce moment même.

La LTV est une formule simple : l'ARPA divisé par le taux de churn. Entrez deux chiffres et obtenez un chiffre unique qui estime la valeur totale d'une relation client. C'est l'une des métriques fondamentales du SaaS, qui façonne les budgets d'acquisition, les attentes de retour sur investissement, les discussions de levée de fonds et la stratégie produit.

Mais quand on compare la prédiction à la réalité, quelle est sa précision ?

Pour répondre à cette question, nous avons confronté la LTV à la réalité sur 35 512 cohortes de clients issues de 3 331 comptes d'entreprises ChartMogul. Plus précisément, nous nous sommes demandé : si vous calculiez la LTV au moment de la formation d'une cohorte, dans quelle mesure cette prédiction correspondait-elle à la réalité 12, 24 et 36 mois plus tard ?

Le constat est contre-intuitif : les erreurs de prévision de la LTV ne sont pas aléatoires. Elles sont systématiques, ce qui rend la métrique fiable dans certaines situations et systématiquement trompeuse dans d'autres.

Principaux constats

• Les erreurs de prévision sont systématiques, pas aléatoires. Les entreprises d'e-commerce surestiment systématiquement la valeur client, tandis que celles à forte dominante enterprise la sous-estiment souvent, car la taille des clients, la rétention et l'expansion interagissent différemment.
• De nombreuses cohortes sont fortement erronées. 28,3 % des cohortes s'écartent de la réalité de plus de 50 %.
• L'erreur médiane n'est faible que parce que des erreurs opposées s'annulent souvent. La LTV est fréquemment trop élevée et trop faible dans des proportions similaires, ce qui donne l'illusion d'une médiane globale précise.
• La majeure partie de l'erreur de prévision provient d'une seule hypothèse : utiliser l'ARPA global de l'entreprise pour estimer le revenu des nouveaux clients.
• Contre toute attente, les clients qui paient moins cher restent souvent plus longtemps que ceux qui paient plus cher, mais l'expansion des clients qui survivent finit par faire basculer la LTV d'une surestimation à une sous-estimation du revenu.
• La LTV s'utilise mieux comme indicateur de tendance que comme prévision précise. Les courbes de revenu par cohorte et les mouvements de MRR net apportent le contexte manquant.

Plutôt que de nous demander si la LTV est « juste », nous avons cherché à savoir où elle se trompe. Qu'est-ce qui cause ces erreurs ? Comment se cumulent-elles ? Comment évoluent-elles dans le temps ? Et qu'est-ce que cela implique pour la façon dont vous devriez utiliser la LTV ?

Rédigé par Thomas Anastaselos, avec l'orientation de recherche et les retours éditoriaux de Jason Cohen.

Ce que suppose la formule de la LTV

LTV = ARPA ÷ taux de churn est un modèle à deux variables. Sa simplicité s'accompagne de contraintes.

Pour comprendre où elle se trompe, commençons par ce que suppose la formule :

Chaque nouveau client paie autant que la moyenne de l'entreprise. L'ARPA est un chiffre agrégé. Il représente tous les abonnés de votre compte à l'instant présent, petits et grands, nouveaux et anciens, en expansion ou en contraction. Quand vous l'utilisez pour prédire le revenu qu'une nouvelle cohorte va générer, vous supposez que les clients qui viennent de s'inscrire ressemblent à l'ensemble de votre base client actuelle, y compris les clients présents depuis trois ans qui ont augmenté leurs dépenses à plusieurs reprises.

Le taux de churn reste constant. Le taux de churn logo moyen des six derniers mois est appliqué uniformément à chaque nouvelle cohorte, indépendamment de qui sont ces clients, de la façon dont ils ont été acquis, de leur adéquation avec le produit, ou du fait que certains ont déjà churné.

Le revenu par client reste constant. L'expansion ou la contraction n'est pas prise en compte de manière spécifique, seulement indirectement via l'ARPA agrégé. Quel que soit le montant payé par les clients à leur arrivée, ils le paient indéfiniment, et les clients qui ont annulé tôt paient en moyenne autant que ceux qui sont dans l'entreprise depuis cinq ans.

Ce sont des compromis connus. Les modèles plus simples sont plus faciles à comprendre et plus difficiles à manipuler. La question est de savoir si ces compromis ont une importance en pratique. Regardons les données.

Comment nous avons testé cette hypothèse

Pour chaque compte ChartMogul de l'échantillon, nous avons défini des cohortes : tous les clients inscrits au cours d'un même trimestre calendaire, identifiés par la date à laquelle ils sont devenus clients payants pour la première fois. Nous avons analysé 20 cohortes trimestrielles, du T1 2020 au T4 2024, sur l'ensemble des 3 331 comptes, ce qui a donné 35 512 paires (compte, trimestre de cohorte) au total.

Au moment de la création de chaque cohorte, nous avons enregistré l'ARPA du compte et le taux de churn des six derniers mois, exactement comme le fait la formule de la LTV. Nous avons ensuite calculé le revenu prédit par la formule de la LTV pour ces clients sur 12, 24 et 36 mois.

Nous avons ensuite mesuré ce que ces mêmes clients ont réellement généré. Pour chaque client, nous avons suivi le MRR mois par mois. Nous avons additionné le MRR réel sur chaque fenêtre temporelle. Nous avons exclu les cohortes dont la fenêtre d'observation dépassait la date limite des données (juin 2026) afin d'éviter tout biais de censure.

Cela nous a permis d'établir une comparaison directe entre le revenu prédit et le revenu réel pour les mêmes clients sur la même période, en n'utilisant que les informations disponibles au moment où ils sont devenus clients payants pour la première fois.

La formule semble plutôt précise

La cohorte type génère 2,4 % de revenu en moins sur 12 mois que ce que prédit la LTV. Cela semble rassurant.

Pourtant, 28,3 % de l'ensemble des cohortes présentent une erreur de prévision supérieure à 50 %, dans un sens ou dans l'autre.

La formule utilise un ARPA agrégé qui inclut des années d'expansion de la part des clients existants. Ces clients ajoutent des sièges, montent en gamme et augmentent leurs dépenses depuis des mois, voire des années. Les nouveaux clients n'ont encore rien fait de tout cela. La formule suppose qu'ils ressemblent déjà au client moyen, alors qu'ils n'ont pas eu le temps de le devenir.

Deux variables, deux sources d'erreur

La formule repose sur deux variables, elle peut donc se tromper à deux endroits : l'ARPA au numérateur, ou le taux de churn au dénominateur. Les deux sont erronés, mais dans des directions différentes, à des degrés différents et pour des raisons différentes.

Premier mode d'échec : les nouveaux clients ne sont pas des clients moyens.

La formule utilise le revenu moyen agrégé par client de l'entreprise. Les nouveaux clients paient presque toujours moins que cette moyenne. Ils viennent de s'inscrire, ce qui signifie aucune expansion de sièges, aucune montée en gamme, aucune croissance pluriannuelle. La moyenne agrégée inclut pourtant tout cela. La formule suppose donc que les nouveaux clients génèrent un revenu qu'ils n'ont pas encore gagné.

À la médiane, cet écart d'ARPA a un effet modeste sur la précision de la prévision : -4,9 %. Mais la médiane masque à quel point cet écart varie d'une cohorte à l'autre. Lorsque nous avons décomposé l'erreur de prévision de chaque cohorte en composantes d'ARPA et de rétention, l'écart d'ARPA expliquait 84,9 % de la variation de précision des prévisions. Autrement dit : l'effet d'ARPA typique est faible, mais les différences d'écart d'ARPA sont l'une des principales raisons pour lesquelles les prévisions de LTV sont plus précises pour certaines cohortes que pour d'autres.

Deuxième mode d'échec : les cohortes ne churnent pas au taux moyen.

La formule utilise le taux de churn des six derniers mois de l'entreprise pour projeter combien de clients survivront chaque mois. Mais une cohorte spécifique peut churner à un taux très différent. Les nouveaux acheteurs enterprise, les clients convertis du SMB et les utilisateurs passés d'un essai à un abonnement payant n'ont pas les mêmes courbes de survie, même s'ils ont tous rejoint l'entreprise le même trimestre. La moyenne de l'entreprise vous en dit peu sur la cohorte spécifique que vous avez sous les yeux.

À la médiane, ces deux erreurs (ARPA et churn) se compensent en partie. C'est pourquoi -2,4 % semble faible.

Le paradoxe de la survie

L'une des découvertes les plus surprenantes concerne les clients qui restent réellement le plus longtemps.

La sagesse conventionnelle du SaaS veut que les clients qui paient plus cher restent plus longtemps. Les clients enterprise bénéficient d'un verrouillage (lock-in), de contrats pluriannuels et d'une gestion de compte dédiée. Les clients moins chers disposent de plus d'alternatives, de coûts de changement plus faibles et d'une moindre inertie organisationnelle. Chez WP Engine, par exemple, ce schéma s'applique : les grandes entreprises sont plus fidèles.

L'échantillon de ChartMogul penche vers le SMB et comprend un segment B2C substantiel. Au sein de cet échantillon, le schéma s'inverse. Nous avons réparti les clients en quatre groupes selon leur MRR à l'inscription et mesuré combien étaient encore actifs après 12 mois. Le résultat est surprenant : les taux de rétention à 12 mois diminuent à mesure que le prix relatif augmente. Le quartile le moins cher a survécu à 74 % ; le plus cher n'a survécu qu'à 45 %.

Une seconde vérification confirme ce constat : le MRR médian à l'inscription des clients encore actifs diminue avec le temps, il n'augmente pas. Au sein d'une cohorte, les clients qui paient le plus ont tendance à partir en premier. Cela reflète peut-être en partie le schéma « devenir ce que l'on chasse » décrit dans nos recherches précédentes : de nombreuses entreprises SaaS réussissent à acquérir des clients SMB avant de monter en gamme, où il devient plus difficile de retenir les clients plus importants.

C'est l'expansion, pas la survie, qui gonfle l'ARPA

À première vue, cela semble contredire le constat sur l'ARPA. Si les clients moins chers survivent plus longtemps, l'ARPA de la cohorte ne devrait-il pas diminuer avec le temps plutôt qu'augmenter ? Une explication possible est que, sur les marchés à forte dominante SMB, les abonnés les moins chers ont peu de raisons de partir. Le logiciel est intégré à leur flux de travail, et le coût est en dessous du seuil qui déclencherait une décision d'annulation délibérée.

Les entreprises qui paient plus cher sont plus attentives au retour sur investissement. Quand la valeur n'est pas claire, elles changent de fournisseur. La dynamique de verrouillage enterprise qui rend les grands clients B2B fidèles ne s'applique pas à l'acheteur SMB à 500 $/mois ni au consommateur à 29 $/mois.

Ce que cela signifie pour l'ARPA. Si les clients moins chers survivent plus longtemps, alors, à mesure qu'une cohorte vieillit, son MRR moyen devrait diminuer. C'est l'inverse d'une inflation de l'ARPA, et c'est apparemment ce qui se passe au niveau du client.

D'où vient alors l'inflation de l'ARPA au niveau de l'entreprise ? De l'expansion. Les clients qui restent montent en gamme. Nous l'avons mesuré directement : 45,6 % du MRR actuel des clients ayant survécu depuis 2020-2021 provient de l'expansion après l'inscription, et non de leurs abonnements d'origine. L'ARPA agrégé est gonflé parce que les clients qui survivent se développent.

Qu'est-ce que cela signifie pour la LTV ? L'ARPA utilisé pour prédire le revenu des nouvelles cohortes est gonflé par l'expansion que vos clients existants ont déjà connue, mais que les nouveaux clients n'ont pas encore eu le temps de réaliser.

Jusqu'ici, nous avons expliqué pourquoi la LTV surestime initialement la valeur des nouveaux clients. Mais ces sources d'erreur ne sont pas constantes. À mesure que les cohortes mûrissent, les clients commencent à se développer. L'écart initial d'ARPA devient donc progressivement moins important, tandis que l'expansion prend de plus en plus de poids. Ce basculement apparaît clairement lorsque l'on compare les mêmes cohortes sur des horizons temporels plus longs.

Comment la prévision évolue dans le temps

Au départ, l'ARPA agrégé rend la LTV trop optimiste. Avec le temps, l'expansion des clients prend le dessus sur ce biais initial. À 24 mois, l'erreur de prévision médiane est de +6,9 % et à 36 mois, elle atteint +14,4 %. Dès 24 mois, la LTV sous-estime le revenu au lieu de le surestimer.

La raison est l'expansion. À 12 mois, l'écart d'ARPA et l'expansion s'annulent à peu près. À 24 mois, suffisamment de clients ont ajouté des sièges et changé de forfait pour que l'expansion l'emporte. À 36 mois, l'expansion cumulée pousse le chiffre encore plus loin.

L'écart des résultats double également presque à 36 mois, ce qui rend la LTV beaucoup moins fiable.

Toutes les entreprises ne se comportent pas de la même façon

Le schéma général, à savoir que les clients moins chers restent plus longtemps, est réel mais pas universel. Toutes les entreprises ne se comportent pas ainsi ; voyons donc où ce schéma s'applique et où il ne s'applique pas.

Pour chaque entreprise, nous avons mesuré la corrélation entre le MRR à l'inscription des clients et la survie à 12 mois. Une corrélation positive signifie que les gros clients restent plus longtemps, une corrélation négative signifie qu'ils churnent plus tôt.

Voici ce que nous avons constaté :

Le schéma enterprise attendu, à savoir que les plus gros restent plus longtemps, ne se vérifie que pour 14 % des entreprises. Pour 37 %, c'est l'inverse qui est vrai.

Les entreprises B2C représentent 37,8 % du groupe négatif, mais seulement 6,6 % du groupe positif. Cela correspond à l'intuition que l'on a pour de nombreuses entreprises grand public : le produit est intégré à la vie quotidienne, et le coût est trop faible pour justifier une annulation. Les abonnés qui paient plus cher, en revanche, sont plus réfléchis et plus susceptibles de churner lorsque la valeur n'est pas claire. Les petites entreprises B2B suivent le même schéma : 77 % du groupe à corrélation négative a moins de 500 000 $ d'ARR.

Le groupe positif (les gros clients qui restent plus longtemps) est composé à 93 % de B2B et dominé par de grandes entreprises. C'est le schéma enterprise classique : un MRR plus élevé s'accompagne d'une intégration plus forte, d'un coût de changement plus élevé et d'une dépendance organisationnelle plus profonde.

Ces différences de comportement client se traduisent directement par des différences de précision de la LTV.

La LTV est la plus précise lorsque les gros clients churnent plus tôt, et la moins précise lorsqu'ils restent plus longtemps.

Le modèle est le plus précis lorsque ses deux erreurs se compensent : il surestime la valeur des nouveaux clients, mais ces clients qui paient plus cher churnent aussi plus vite, ce qui rapproche le revenu réel de la prédiction. Il est le moins précis lorsque les erreurs se cumulent : les clients qui paient plus cher démarrent avec une valeur plus élevée et restent aussi plus longtemps, de sorte que la formule les sous-estime deux fois : une première fois à l'inscription, puis une seconde fois à mesure qu'ils se développent.

Où elle échoue le plus

L'erreur médiane n'est pas répartie de manière uniforme. Les plus grands écarts apparaissent selon le secteur, la taille de l'entreprise et le modèle économique.

Par secteur :

L'e-commerce affiche la plus forte surestimation. Les nouveaux clients paient bien en dessous de la moyenne et montrent peu d'expansion, laissant peu de marge pour compenser l'écart initial d'ARPA.

À l'autre extrémité du tableau, on observe la situation inverse. Business Intelligence affiche le plus fort effet d'expansion (1,18x), les outils d'analyse devenant plus ancrés au fil du temps tandis que les clients montent en gamme à mesure que l'usage progresse. Les secteurs présentant une forte expansion post-inscription affichent systématiquement des erreurs de LTV plus faibles, malgré des écarts d'ARPA similaires.

Ces différences semblent davantage refléter les modèles économiques que les secteurs. La LTV est la plus précise lorsque les nouveaux clients ressemblent à la base de clients existante et se développent après leur inscription. Elle est la moins précise lorsque les nouveaux clients démarrent bien en dessous de la moyenne et ne comblent jamais cet écart.

Par taille d'entreprise :

Les plus grandes entreprises (30 M$ ou plus d'ARR) affichent la plus forte surestimation, mais le moins d'erreurs importantes. Leurs erreurs sont élevées, avec une médiane de -19 %, mais cohérentes. Ces entreprises existent depuis assez longtemps pour que leurs clients établis se soient considérablement développés, ce qui gonfle l'ARPA agrégé bien au-delà de ce que paient réellement les nouvelles cohortes. Mais ces nouveaux clients ont eux aussi tendance à se développer sensiblement après leur inscription, ce qui referme en partie l'écart avec le temps.

Les petites entreprises (moins de 500 000 $ d'ARR) affichent désormais une légère sous-estimation (erreur médiane de +0,5 %), la formule sous-estimant légèrement le revenu des plus petites entreprises, peut-être parce que leurs trajectoires d'expansion dépassent ce que la moyenne laisse supposer. Mais elles ont aussi les cohortes les moins fiables (29,5 %). Leurs erreurs sont davantage dues au bruit qu'à un biais systématique. En moyenne, la formule est à peu près juste, mais les prédictions varient fortement d'une cohorte à l'autre.

Par modèle économique :

Le B2B et le B2C présentent des profils de précision fondamentalement différents.

Pour les entreprises B2B, le principal problème est l'écart d'ARPA. Les clients existants se sont développés, ce qui pousse la moyenne au-dessus de ce que paient les nouveaux clients.

Les entreprises B2C sont globalement neutres en agrégat (erreur médiane de +0,4 %) et affichent le taux le plus faible de cohortes fortement erronées (20,2 %). La tarification B2C est plus simple et plus uniforme, ce qui permet aux hypothèses fondamentales de la formule de mieux se vérifier. L'angle mort de la formule est plus réduit sur les marchés grand public.

On ne peut pas se contenter d'ajouter une mise en garde

Nous avons testé cette idée en utilisant le signal le plus fort disponible au moment de la création d'une cohorte : le ratio ARPA. Il mesure à quel point le revenu par client d'une nouvelle cohorte diffère de la moyenne globale de l'entreprise utilisée dans la formule. Étant observable immédiatement, il peut être utilisé avant même que la moindre donnée de rétention existe.

La logique est simple. Si les nouveaux clients paient nettement plus ou moins que la moyenne, l'hypothèse d'ARPA de la formule est déjà erronée. Cela seul peut rendre l'estimation de LTV qui en résulte peu fiable.

Nous avons testé différents seuils pour signaler ces cohortes et mesuré le compromis entre précision et rappel : à quelle fréquence le signalement identifiait correctement une mauvaise estimation, et combien de mauvaises estimations il parvenait à détecter.

Pour détecter 57 % des prédictions fortement erronées au meilleur équilibre précision-rappel, il faudrait signaler 37 % de l'ensemble des entreprises. Relever le seuil pour ne cibler que les cas les plus extrêmes (seuil 1,00) fait grimper la précision à 81 %, mais ne détecte plus que 10 % des mauvaises prédictions.

Cela reflète une réalité sous-jacente : les nouveaux clients sont rarement identiques à la moyenne, si bien que l'hypothèse d'ARPA est erronée, à un degré ou un autre, pour presque toutes les entreprises. Une mise en garde générique finirait par signaler une grande part des entreprises, ce qui ne la rendrait ni exploitable ni particulièrement crédible.

Ce que cela signifie pour l'utilisation de la LTV

Il existe trois façons de réagir à ce que montrent les données : ajuster la façon dont vous lisez votre chiffre actuel, corriger la formule elle-même, ou vous appuyer sur des métriques complémentaires.

Ajuster la façon dont vous lisez votre chiffre actuel.

Considérez la LTV comme un indicateur de tendance, pas comme une valeur précise. L'erreur médiane est faible, mais la distribution autour d'elle est large. Pour une cohorte donnée, le résultat réel peut facilement se situer 25-30 % au-dessus ou en dessous de la prédiction. Si votre objectif de LTV:CAC inclut déjà une marge de sécurité, gardez à l'esprit qu'une partie de cette marge est peut-être déjà absorbée par l'incertitude normale de la LTV.

Quelques ajustements spécifiques par segment, d'après ce que montrent les données :

• E-commerce : l'hypothèse d'ARPA est ici systématiquement trop optimiste (erreur médiane de -10,9 %). Envisagez de réduire la LTV de 10-15 % avant de l'utiliser pour des décisions d'acquisition.
• Grandes entreprises (30 M$ ou plus d'ARR) : l'erreur est prévisible et unidirectionnelle. La LTV a tendance à surestimer d'environ 20 %, en grande partie parce que l'ARPA agrégé intègre des années d'expansion des clients existants.
• Trimestres à forte dominante enterprise : si les nouveaux clients sont nettement plus importants que votre base existante, attendez-vous au problème inverse. La LTV sous-estimera probablement leur valeur.

Une réserve : ces observations décrivent l'entreprise type de chaque segment, pas chaque entreprise individuellement. Avant d'appliquer un quelconque ajustement, vérifiez dans quelle mesure vos propres prévisions historiques de LTV ont correspondu à la réalité.

Corriger la formule elle-même.

La correction structurelle la plus impactante consiste à remplacer l'ARPA agrégé au niveau de l'entreprise par le revenu réel de la nouvelle cohorte au moment de l'inscription. Comme l'écart d'ARPA explique la plus grande part de la variance d'erreur, ce seul changement améliorerait sensiblement la précision, et les données nécessaires (le MRR à l'inscription) existent déjà.

L'expansion est plus difficile à corriger de cette manière. Elle n'est pas connaissable à l'inscription, et elle représente une grande part de l'erreur restante, si bien qu'une formule corrigée manquerait toujours la seconde source, plus importante, de dérive. Il y a aussi un coût pratique : l'ARPA réalisé d'une cohorte n'est finalisé qu'à la clôture de celle-ci, ce qui retarderait le calcul et ajouterait de la complexité.

Utiliser des métriques complémentaires.

Pour l'économie unitaire à court terme, la période de retour sur investissement (payback period) peut constituer un substitut plus fiable. Elle est bornée (généralement 12-24 mois plutôt qu'un horizon infini) et sensible aux variables qui bougent réellement (marge, churn précoce, CAC), même si une campagne d'acquisition ponctuelle et coûteuse peut temporairement la fausser.

Sur un horizon plus long, les courbes de revenu par cohorte montrent ce que les cohortes passées ont réellement généré : non pas une projection, mais un historique. Une pente ascendante entre 24 et 36 mois signale une rétention et une expansion saines ; un aplatissement ou un déclin précoce constitue un problème visible et daté.

Les mouvements de MRR net complètent ces deux approches en expliquant pourquoi ces courbes ont cette forme, en distinguant l'expansion, la contraction, le churn et la réactivation, là où la LTV comprime tout cela en un seul chiffre.

Aucune vue prise isolément n'est complète. Ensemble, elles donnent une image bien plus précise de la valeur client que la LTV seule.

La question finale

La LTV a ses limites, car elle comprime deux hypothèses instables en un seul chiffre. Comprendre ces hypothèses compte davantage que de faire confiance au chiffre lui-même.

La formule restera utile, car elle est assez simple pour être expliquée en conseil d'administration, facile à suivre dans le temps, et efficace pour résumer une entreprise en un seul chiffre. Utilisée comme indicateur de tendance et aux côtés d'autres métriques, la LTV reste un outil précieux.

Méthodologie et données

Notes méthodologiques

• Jeu de données : données de la plateforme ChartMogul issues de 3 331 comptes d'entreprises, couvrant le T1 2020 au T4 2024 et produisant 35 512 paires (compte, trimestre de cohorte). Les cohortes sont définies comme l'ensemble des clients dont le premier mouvement de nouvelle affaire (« new business ») est survenu au cours du même trimestre calendaire.
• Prédiction : à la formation de chaque cohorte, nous avons calculé la LTV en utilisant la formule de ChartMogul, fondée sur l'ARPA agrégé du compte et le taux de churn logo des six derniers mois. Nous avons ensuite calculé la prédiction de revenu implicite de la LTV pour les 12, 24 et 36 mois suivants.
• Valeurs réelles : pour chaque client, nous avons suivi le MRR mois par mois et additionné le MRR réel sur chaque fenêtre temporelle. Les cohortes dont la fenêtre d'observation dépassait la date limite des données (juin 2026) ont été exclues afin d'éviter tout biais de censure.
• Métrique d'erreur : l'erreur de prévision correspond à (réel - prédit) / prédit × 100. Une valeur négative signifie que la formule a surestimé, une valeur positive qu'elle a sous-estimé. Les cohortes non fiables sont celles dont l'erreur absolue dépasse 50 %.
• Décomposition de la variance : nous avons décomposé l'erreur de prévision de chaque cohorte en deux composantes : l'écart d'ARPA et l'écart de rétention. Nous avons ensuite mesuré la part de la variation de précision des prévisions entre cohortes que chaque composante expliquait. Ces deux composantes, ainsi que leur interaction, représentent 100 % de l'erreur expliquée.
• Corrélation ARPA-rétention : pour chaque compte, nous avons mesuré la relation entre le MRR à l'inscription des clients et la survie à 12 mois. Les comptes où les clients plus importants avaient tendance à rester plus longtemps ont été classés comme positifs ; ceux où ils churnaient plus tôt ont été classés comme négatifs ; le reste a été classé comme neutre. Un seuil de corrélation minimal a été appliqué pour réduire le bruit lié aux petits échantillons.

Une note sur les données

Cet article reflète une analyse menée sur les données en direct de la plateforme ChartMogul en date de juin 2026. Des versions antérieures de ce travail présentaient des erreurs médianes et des variances légèrement différentes, mais les points fondamentaux et les facteurs qui les influencent restent les mêmes. Ces changements s'expliquent par l'évolution des jeux de données sous-jacents et par l'ajout ou le retrait de comptes d'entreprises dans l'échantillon.