LTV heeft een blinde vlek

Samenvatting

LTV is misschien wel de belangrijkste SaaS-metric, omdat hij de toekomst voorspelt: de totale omzet die een klant of cohort zal genereren. Maar komt die voorspelling overeen met de werkelijkheid? Zo niet, dan leidt dat op dit moment bij duizenden bedrijven tot verkeerde strategische beslissingen.

LTV is een simpele formule: ARPA gedeeld door het churnpercentage. Je voert twee getallen in en krijgt er één terug die de totale waarde van een klantrelatie inschat. Het is een van de fundamentele metrics binnen SaaS en bepaalt mede acquisitiebudgetten, payback-verwachtingen, fundraising-gesprekken en productstrategie.

Maar hoe nauwkeurig is die voorspelling eigenlijk, vergeleken met de werkelijkheid?

Om die vraag te beantwoorden, hebben we LTV getoetst aan de werkelijkheid bij 35.512 klantcohorten van 3.331 ChartMogul-bedrijfsaccounts. Concreet vroegen we ons af: als je de LTV berekent op het moment dat een cohort ontstaat, hoe dicht ligt die voorspelling dan bij de werkelijkheid na 12, 24 en 36 maanden?

De belangrijkste conclusie is contra-intuïtief: LTV-voorspellingsfouten zijn niet willekeurig. Ze zijn systematisch, waardoor de metric in sommige situaties betrouwbaar is en in andere consequent misleidend.

Belangrijkste bevindingen

• Voorspellingsfouten zijn systematisch, niet willekeurig. E-commercebedrijven overschatten de klantwaarde consequent, terwijl bedrijven met veel enterprise-klanten die vaak juist onderschatten, omdat klantgrootte, retentie en expansie anders op elkaar inwerken.
• Veel cohorten zitten er flink naast. 28,3% van de cohorten wijkt meer dan 50% af van de werkelijkheid.
• De mediane fout is alleen klein omdat tegengestelde fouten elkaar vaak opheffen. LTV zit regelmatig met vergelijkbare marges te hoog en te laag, waardoor de mediaan als geheel nauwkeurig lijkt.
• Het grootste deel van de voorspellingsfout komt door één aanname: het gebruik van de bedrijfsbrede ARPA om de omzet van nieuwe klanten in te schatten.
• Klanten die minder betalen, blijven contra-intuïtief vaak langer klant dan klanten die meer betalen, maar expansie bij de blijvers doet LTV uiteindelijk omslaan van overschatting naar onderschatting van de omzet.
• LTV kun je het beste gebruiken als richtinggevende metric, niet als exacte voorspelling. Cohort-omzetcurves en netto MRR-bewegingen geven de context die ontbreekt.

In plaats van de vraag te stellen of LTV "klopt", vroegen we ons af waar het misgaat. Wat veroorzaakt de fouten? Hoe stapelen ze zich op? Hoe veranderen ze in de loop van de tijd? En wat betekenen ze voor hoe je LTV zou moeten gebruiken?

Geschreven door Thomas Anastaselos, met onderzoeksbegeleiding en redactionele feedback van Jason Cohen.

Waar de LTV-formule van uitgaat

LTV = ARPA ÷ churnpercentage is een model met twee variabelen. Die eenvoud gaat gepaard met beperkingen.

Om te begrijpen waar het misgaat, beginnen we bij wat de formule aanneemt:

Elke nieuwe klant betaalt hetzelfde als het bedrijfsgemiddelde. ARPA is een gemengd getal. Het vertegenwoordigt elke abonnee die momenteel op je account staat: klein en groot, nieuw en langdurig, groeiend en krimpend. Als je het gebruikt om de omzet van een nieuw cohort te voorspellen, ga je ervan uit dat de klanten die net zijn aangemeld eruitzien als je hele huidige klantenbestand, inclusief klanten die al drie jaar bij je zijn en hun uitgaven meerdere keren hebben verhoogd.

Het churnpercentage blijft constant. Het gemiddelde logo-churnpercentage van de afgelopen zes maanden wordt uniform toegepast op elk nieuw cohort, ongeacht wie de klanten zijn, hoe ze zijn geworven, hoe goed ze bij het product passen, of het feit dat sommige klanten al zijn gestopt.

De omzet per klant blijft vlak. Expansie of contractie wordt niet specifiek meegenomen, alleen indirect via de gemengde ARPA. Wat klanten betalen bij binnenkomst, betalen ze voor altijd, en klanten die vroeg opzegden betalen gemiddeld hetzelfde als klanten die al vijf jaar bij het bedrijf zijn.

Dit zijn bekende compromissen. Eenvoudigere modellen zijn makkelijker te begrijpen en lastiger te manipuleren. De vraag is of die compromissen er in de praktijk toe doen. Laten we naar de data kijken.

Hoe we het hebben getest

Voor elk ChartMogul-account in de dataset hebben we cohorten gedefinieerd: alle klanten die zich in een bepaald kalenderkwartaal aanmeldden, bepaald aan de hand van het moment waarop ze voor het eerst betalende klant werden. We analyseerden 20 kwartaalcohorten, van Q1 2020 tot en met Q4 2024, verspreid over alle 3.331 accounts, wat in totaal 35.512 (account, cohortkwartaal)-paren opleverde.

Op het moment dat elk cohort ontstond, legden we de ARPA van het account en het churnpercentage over de voorgaande zes maanden vast, precies zoals de LTV-formule dat doet. Vervolgens berekenden we de omzet die de LTV-formule voor die klanten voorspelde over 12, 24 en 36 maanden.

Vervolgens maten we wat diezelfde klanten daadwerkelijk genereerden. Voor elke klant volgden we de MRR maand na maand. We telden de werkelijke MRR op over elk tijdvenster. Cohorten waarvan het observatievenster voorbij de afsluitdatum van de data (juni 2026) liep, sloten we uit om vertekening door censurering te voorkomen.

Dat leverde ons een directe vergelijking op tussen voorspelde en werkelijke omzet voor dezelfde klanten over dezelfde periode, met gebruik van alleen de informatie die beschikbaar was op het moment dat ze voor het eerst betalende klant werden.

De formule lijkt behoorlijk nauwkeurig

Het typische cohort genereert over 12 maanden 2,4% minder omzet dan LTV voorspelt. Dat klinkt geruststellend.

Toch heeft 28,3% van alle cohorten een voorspellingsfout die groter is dan 50%, in beide richtingen.

De formule gebruikt een gemengde ARPA die jaren aan expansie door bestaande klanten in zich meedraagt. Die klanten voegen al maanden of jaren seats toe, upgraden hun abonnement en verhogen hun uitgaven. Nieuwe klanten hebben dat allemaal nog niet gedaan. De formule gaat ervan uit dat ze al lijken op de gemiddelde klant, terwijl ze nog geen tijd hebben gehad om dat te worden.

Twee inputs, twee manieren om ernaast te zitten

De formule heeft twee inputs, dus kan op twee plekken misgaan: de ARPA in de teller, of het churnpercentage in de noemer. Beide kloppen niet, maar in verschillende richtingen, in verschillende mate en om verschillende redenen.

Faalmodus 1: nieuwe klanten zijn geen gemiddelde klanten.

De formule gebruikt de gemengde gemiddelde omzet per klant van het bedrijf. Nieuwe klanten betalen bijna altijd minder dan dat gemiddelde. Ze hebben zich net aangemeld, wat betekent: geen seat-uitbreidingen, geen plan-upgrades, geen jarenlange groei. Het gemengde gemiddelde bevat dat allemaal wel. De formule gaat er dus van uit dat nieuwe klanten omzet genereren die ze nog niet hebben verdiend.

Bij de mediaan heeft deze ARPA-mismatch een bescheiden effect op de voorspellingsnauwkeurigheid: -4,9%. Maar de mediaan verhult hoezeer die mismatch varieert tussen cohorten. Toen we de voorspellingsfout van elk cohort ontleedden in een ARPA- en een retentiecomponent, verklaarde de ARPA-mismatch 84,9% van de variatie in voorspellingsnauwkeurigheid. Anders gezegd: het typische ARPA-effect is klein, maar verschillen in ARPA-mismatch zijn een van de belangrijkste redenen waarom LTV-voorspellingen voor sommige cohorten nauwkeuriger zijn dan voor andere.

Faalmodus 2: cohorten churnen niet tegen het gemiddelde percentage.

De formule gebruikt het churnpercentage van het bedrijf over de afgelopen zes maanden om te voorspellen hoeveel klanten elke maand overblijven. Maar een specifiek cohort kan tegen een heel ander percentage churnen. Nieuwe enterprise-kopers, SMB-converterende klanten en gebruikers die van trial naar betaald overstappen, delen niet dezelfde overlevingscurve, ook al zijn ze in hetzelfde kwartaal ingestapt. Het bedrijfsgemiddelde zegt weinig over het specifieke cohort dat voor je ligt.

Bij de mediaan heffen deze twee fouten (ARPA en churn) elkaar deels op. Daarom lijkt -2,4% klein.

De overlevingsparadox

Een van de meest verrassende bevindingen is welke klanten daadwerkelijk het langst blijven.

De conventionele SaaS-wijsheid zegt dat klanten die meer betalen, langer blijven. Enterprise-klanten hebben lock-in, meerjarige contracten en toegewijd accountmanagement. Goedkopere klanten hebben meer alternatieven, lagere overstapkosten en minder organisatorische zwaartekracht. Bij WP Engine bijvoorbeeld gaat dit patroon op: grotere bedrijven zijn honkvaster.

De dataset van ChartMogul leunt naar SMB en bevat een aanzienlijk B2C-segment. Binnen die dataset draait het patroon om. We verdeelden klanten in vier groepen op basis van hun MRR bij aanmelding en maten hoeveel er na 12 maanden nog actief waren. Het resultaat was verrassend: de retentie na 12 maanden daalt naarmate de relatieve prijs stijgt. Het goedkoopste kwartiel overleefde met 74%; het duurste kwartiel met slechts 45%.

Een tweede check vertelde hetzelfde verhaal: de mediane MRR bij aanmelding van nog actieve klanten daalt na verloop van tijd, in plaats van te stijgen. Binnen een cohort vertrekken de duurder betalende klanten doorgaans het eerst. Dit weerspiegelt mogelijk deels het patroon uit ons eerdere onderzoek, "Startups worden waar ze op jagen": veel SaaS-bedrijven werven succesvol SMB-klanten voordat ze richting upmarket bewegen, waar het behouden van grotere klanten lastiger wordt.

Niet overleving, maar expansie stuwt de ARPA op

Op het eerste gezicht lijkt dit het ARPA-verhaal tegen te spreken. Als goedkopere klanten langer blijven, zou de ARPA van een cohort dan niet moeten dalen in plaats van stijgen na verloop van tijd? Een mogelijke verklaring is dat goedkopere abonnees in SMB-zware markten weinig reden hebben om te vertrekken. De software is verweven met hun workflow, en de kosten liggen onder de drempel voor een bewuste opzegbeslissing.

Bedrijven die meer betalen, zijn bewuster bezig met ROI. Als de waarde niet duidelijk is, stappen ze over. De enterprise-lock-indynamiek die grotere B2B-klanten honkvast maakt, geldt niet voor de SMB-koper van $500 per maand of de consument van $29 per maand.

Wat dit betekent voor ARPA. Als goedkopere klanten langer blijven, zou de gemiddelde MRR van een cohort moeten dalen naarmate het ouder wordt. Dat is het tegenovergestelde van ARPA-inflatie, en dat lijkt ook te gebeuren op klantniveau.

Waar komt de ARPA-inflatie op bedrijfsniveau dan wel vandaan? Expansie. Klanten die blijven, upgraden. Dat hebben we direct gemeten: 45,6% van de huidige MRR van klanten die de periode 2020-2021 overleefden, komt uit expansie na aanmelding, niet uit hun oorspronkelijke abonnement. De gemengde ARPA is opgeblazen omdat de blijvers uitbreiden.

Wat betekent dit voor LTV? De ARPA die wordt gebruikt om de omzet van een nieuw cohort te voorspellen, is opgeblazen door expansie die je bestaande klanten al hebben doorgemaakt, maar die nieuwe klanten nog niet de tijd hebben gehad om te realiseren.

Tot nu toe hebben we uitgelegd waarom LTV de waarde van nieuwe klanten aanvankelijk overschat. Maar die foutbronnen zijn niet constant. Naarmate cohorten ouder worden, gaan klanten uitbreiden. Dat maakt de aanvankelijke ARPA-mismatch geleidelijk minder belangrijk, terwijl expansie juist belangrijker wordt. Die verschuiving zie je terug als we dezelfde cohorten over langere tijdshorizonnen vergelijken.

Hoe de voorspelling verandert in de tijd

In het begin maakt de gemengde ARPA de LTV te optimistisch. Na verloop van tijd haalt klantexpansie die aanvankelijke vertekening in. Na 24 maanden is de mediane voorspellingsfout +6,9% en na 36 maanden +14,4%. Vanaf 24 maanden onderschat LTV de omzet, in plaats van die te overschatten.

De reden is expansie. Na 12 maanden heffen ARPA-mismatch en expansie elkaar ruwweg op. Na 24 maanden hebben genoeg klanten seats en abonnementen geüpgraded dat expansie de overhand krijgt. Na 36 maanden duwt cumulatieve expansie het cijfer nog verder op.

Ook de spreiding in uitkomsten verdubbelt bijna na 36 maanden, waardoor LTV veel minder betrouwbaar wordt.

Niet elk bedrijf gedraagt zich zo

Het algemene patroon, dat goedkopere klanten langer blijven, is reëel maar niet universeel. Niet elk bedrijf gedraagt zich zo, dus laten we kijken waar het wel en waar het niet opgaat.

Voor elk bedrijf maten we de correlatie tussen de MRR van klanten bij aanmelding en de overleving na 12 maanden. Een positieve correlatie betekent dat grotere klanten langer blijven, een negatieve dat grotere klanten eerder churnen.

Dit is wat we vonden:

Het verwachte enterprise-patroon, waarbij groter langer blijft, gaat maar op voor 14% van de bedrijven. Voor 37% is het omgekeerde waar.

B2C-bedrijven vormen 37,8% van de negatieve groep, maar slechts 6,6% van de positieve groep. Dat past bij de intuïtie voor veel consumentenbedrijven: het product is verweven met het dagelijks leven en de kosten zijn te laag om opzeggen te rechtvaardigen. Klanten die meer betalen zijn daarentegen bewuster en churnen eerder als de waarde niet duidelijk is. Kleine B2B-bedrijven volgen hetzelfde patroon: 77% van de negatieve-correlatiegroep heeft minder dan $500.000 ARR.

De positieve groep (grotere klanten die langer blijven) is voor 93% B2B en wordt gedomineerd door grotere bedrijven. Dit is het klassieke enterprise-patroon: een hogere MRR gaat gepaard met grotere integratie, hogere overstapkosten en een diepere organisatorische afhankelijkheid.

Deze verschillen in klantgedrag komen direct terug in verschillen in LTV-nauwkeurigheid.

LTV is het nauwkeurigst wanneer grotere klanten eerder churnen, en het minst nauwkeurig wanneer ze langer blijven.

Het model is het nauwkeurigst wanneer de twee fouten elkaar opheffen: het overschat de waarde van nieuwe klanten, maar die duurder betalende klanten churnen ook sneller, waardoor de werkelijke omzet dichter bij de voorspelling komt. Het is het minst nauwkeurig wanneer de fouten zich opstapelen: duurder betalende klanten zijn vanaf het begin waardevoller én blijven langer, waardoor de formule ze twee keer onderschat: eerst bij aanmelding, en opnieuw naarmate ze uitbreiden.

Voor wie het meest misgaat

De mediane fout is niet gelijk verdeeld. De grootste verschillen zien we tussen branches, bedrijfsgroottes en businessmodellen.

Per branche:

E-commerce heeft de grootste overschatting. Nieuwe klanten betalen ruim onder het gemiddelde en laten weinig expansie zien, waardoor er weinig is om de aanvankelijke ARPA-mismatch te compenseren.

Aan de andere kant van de tabel zien we het omgekeerde verhaal. Business Intelligence laat het grootste expansie-effect zien (1,18x), doordat analysetools na verloop van tijd steviger verankerd raken en klanten upgraden naarmate het gebruik groeit. Branches met sterke expansie na aanmelding tonen consequent kleinere LTV-fouten, ondanks vergelijkbare ARPA-mismatches.

De verschillen lijken meer businessmodellen te weerspiegelen dan branches. LTV is het nauwkeurigst wanneer nieuwe klanten lijken op het bestaande klantenbestand en na aanmelding uitbreiden. Het is het minst nauwkeurig wanneer nieuwe klanten ruim onder het gemiddelde beginnen en die kloof nooit dichten.

Per bedrijfsgrootte:

De grootste bedrijven ($30 miljoen+ ARR) laten de grootste overschatting zien, maar de minste grove missers. Hun fouten zijn groot met een mediaan van -19%, maar consistent. Deze bedrijven bestaan al lang genoeg om gevestigde klanten flink te laten uitbreiden, waardoor de gemengde ARPA ver boven ligt van wat nieuwe cohorten daadwerkelijk betalen. Maar die nieuwe klanten breiden na aanmelding ook flink uit, waardoor de kloof na verloop van tijd deels wordt gedicht.

Kleine bedrijven (onder $500.000 ARR) laten nu een lichte onderschatting zien (+0,5% mediane fout), doordat de formule de omzet van de kleinste bedrijven iets onderschat, mogelijk omdat hun expansietrajecten sneller gaan dan het gemiddelde suggereert. Maar ze hebben ook de meeste onbetrouwbare cohorten (29,5%). Hun fouten zijn eerder ruis dan systematisch. Gemiddeld genomen klopt de formule wel zo'n beetje, maar individuele cohortvoorspellingen variëren sterk.

Per businessmodel:

B2B en B2C laten fundamenteel verschillende nauwkeurigheidsprofielen zien.

Voor B2B-bedrijven is ARPA-mismatch het grootste probleem. Bestaande klanten hebben uitgebreid, waardoor het gemiddelde boven ligt van wat nieuwe klanten betalen.

B2C-bedrijven zijn in totaal vrijwel neutraal (+0,4% mediane fout) en hebben het laagste aandeel flink foute cohorten (20,2%). B2C-pricing is eenvoudiger en uniformer, waardoor de kernaannames van de formule beter standhouden. De blinde vlek van de formule is kleiner in consumentenmarkten.

Een waarschuwingslabel plakken is niet zo simpel

We hebben dit getest met het sterkste signaal dat beschikbaar is op het moment dat een cohort ontstaat: de ARPA-ratio. Die meet hoe sterk de omzet per klant van een nieuw cohort afwijkt van het bedrijfsbrede gemiddelde dat de formule gebruikt. Omdat je dit direct kunt waarnemen, kun je het al gebruiken voordat er retentiedata bestaat.

De logica is simpel. Als nieuwe klanten aanzienlijk meer of minder betalen dan het gemiddelde, klopt de ARPA-aanname van de formule al niet. Dat alleen al kan de resulterende LTV-schatting onbetrouwbaar maken.

We testten verschillende drempelwaarden om deze cohorten te markeren en maten de afweging tussen precisie en recall: hoe vaak het signaal een slechte schatting terecht identificeerde, en hoeveel slechte schattingen het opving.

Om 57% van de flink foute voorspellingen op te vangen bij de beste precisie-recallbalans, moet je 37% van alle bedrijven markeren. Verhoog je de drempel om alleen de meest extreme gevallen te vangen (drempel 1,00), dan stijgt de precisie naar 81%, maar vang je slechts 10% van de foute voorspellingen.

Dat weerspiegelt de onderliggende realiteit: nieuwe klanten zijn zelden identiek aan het gemiddelde, dus de ARPA-aanname klopt in zekere mate niet voor bijna elk bedrijf. Een waarschuwingslabel zou uiteindelijk een groot deel van de bedrijven markeren, waardoor het noch bruikbaar, noch bijzonder geloofwaardig is.

Wat dit betekent voor hoe je LTV gebruikt

Er zijn drie manieren om te reageren op wat de data laat zien: aanpassen hoe je je huidige cijfer leest, de formule zelf repareren, of leunen op aanvullende metrics.

Pas aan hoe je je huidige cijfer leest.

Behandel LTV als richtinggevend, niet als precies. De mediane fout is klein, maar de spreiding eromheen is groot. Voor een specifiek cohort kan de werkelijke uitkomst gemakkelijk 25-30% boven of onder de voorspelling uitkomen. Als je LTV:CAC-target al een veiligheidsmarge bevat, bedenk dan dat een deel van die marge misschien al wordt opgeslokt door de normale onzekerheid van LTV.

Een paar segmentspecifieke aanpassingen, gebaseerd op wat de data laat zien:

• E-commerce: hier is de ARPA-aanname systematisch te optimistisch (mediane fout -10,9%). Overweeg om LTV met 10-15% te korten voordat je het gebruikt voor acquisitiebeslissingen.
• Grote bedrijven ($30 miljoen+ ARR): de fout is voorspelbaar en eenzijdig. LTV overschat doorgaans met ongeveer 20%, grotendeels omdat de gemengde ARPA jaren aan expansie van bestaande klanten in zich meedraagt.
• Kwartalen met veel enterprise-instroom: als nieuwe klanten aanzienlijk groter zijn dan je bestaande klantenbestand, verwacht dan het omgekeerde probleem. LTV zal hun waarde waarschijnlijk onderschatten.

Eén kanttekening: dit beschrijft het typische bedrijf in elk segment, niet elk bedrijf. Controleer voordat je een aanpassing toepast hoe goed je eigen historische LTV-voorspellingen overeenkwamen met de werkelijkheid.

Repareer de formule zelf.

De structurele fix met de meeste impact is het vervangen van de gemengde ARPA op bedrijfsniveau door de werkelijke omzet van het nieuwe cohort op het moment van aanmelding. Omdat ARPA-mismatch het grootste deel van de foutvariantie veroorzaakt, zou dit alleen al de nauwkeurigheid merkbaar verbeteren, en de benodigde data (MRR bij aanmelding) bestaat al.

Expansie is op deze manier lastiger te repareren. Die is niet bekend op het moment van aanmelding en is verantwoordelijk voor een groot deel van de resterende fout, waardoor een gecorrigeerde formule de tweede, grotere bron van afwijking nog steeds zou missen. Er is ook een praktische kostenpost: de gerealiseerde ARPA van een cohort staat pas vast als het cohort is afgesloten, wat de berekening zou vertragen en complexiteit toevoegt.

Gebruik aanvullende metrics.

Voor de kortetermijn-unit economics is de payback period mogelijk een betrouwbaarder alternatief. Die is begrensd (doorgaans 12-24 maanden in plaats van een oneindige horizon) en gevoelig voor de variabelen die er echt toe doen (marge, vroege churn, CAC), al kan één dure acquisitiepush hem tijdelijk vertekenen.

Voor een langere horizon laten cohort-omzetcurves zien wat eerdere cohorten daadwerkelijk hebben gegenereerd: geen projectie, maar een historisch feitenrelaas. Een stijgende curve tussen 24 en 36 maanden wijst op gezonde retentie en expansie; een vroege afvlakking of daling is een zichtbaar en dateerbaar probleem.

Netto MRR-bewegingen vullen beide aan door te verklaren waarom die curves eruitzien zoals ze eruitzien, door expansie, contractie, churn en reactivatie uit te splitsen, terwijl LTV dat allemaal samenperst tot één getal.

Geen enkel perspectief is compleet. Samen geven ze een veel nauwkeuriger beeld van klantwaarde dan LTV alleen.

De afsluitende vraag

LTV is beperkt omdat het twee instabiele aannames samenperst tot één getal. Die aannames begrijpen is belangrijker dan het getal zelf vertrouwen.

De formule blijft nuttig: hij is simpel genoeg om uit te leggen in een bestuursvergadering, makkelijk te volgen in de tijd, en goed in het samenvatten van een bedrijf in één getal. Gebruikt als richtinggevend instrument naast andere metrics, blijft LTV een waardevol hulpmiddel.

Methodologie en data

Methodologische noten

• Dataset: ChartMogul-platformdata van 3.331 bedrijfsaccounts, over de periode Q1 2020 tot en met Q4 2024, wat 35.512 (account, cohortkwartaal)-paren opleverde. Cohorten zijn gedefinieerd als alle klanten wiens eerste new-business-beweging plaatsvond binnen hetzelfde kalenderkwartaal.
• Voorspelling: op het moment dat elk cohort ontstond, berekenden we de LTV met ChartMoguls formule, op basis van de gemengde ARPA van het account en het logo-churnpercentage over de voorgaande zes maanden. Vervolgens berekenden we de door LTV geïmpliceerde omzetvoorspelling voor de daaropvolgende 12, 24 en 36 maanden.
• Werkelijke cijfers: voor elke klant volgden we de MRR maand na maand en telden we de werkelijke MRR op over elk tijdvenster. Cohorten waarvan het observatievenster voorbij de afsluitdatum van de data (juni 2026) liep, werden uitgesloten om vertekening door censurering te voorkomen.
• Foutmetric: de voorspellingsfout is (werkelijk - voorspeld) / voorspeld × 100. Negatief betekent dat de formule te hoog voorspelde, positief dat hij te laag voorspelde. Onbetrouwbare cohorten zijn cohorten met een absolute fout groter dan 50%.
• Variantie-ontleding: we splitsten de voorspellingsfout van elk cohort op in twee componenten: ARPA-mismatch en retentiemismatch. Vervolgens maten we hoeveel van de variatie in voorspellingsnauwkeurigheid tussen cohorten elke component verklaarde. De twee componenten, plus hun interactie, verklaren samen 100% van de verklaarde fout.
• ARPA-retentiecorrelatie: voor elk account maten we het verband tussen de MRR van klanten bij aanmelding en de overleving na 12 maanden. Accounts waar grotere klanten doorgaans langer bleven, werden geclassificeerd als positief; accounts waar ze eerder churnden als negatief; de rest als neutraal. Er werd een minimale correlatiedrempel toegepast om ruis uit kleine steekproeven te beperken.

Een opmerking over de data

Dit artikel weerspiegelt een analyse die is uitgevoerd op de live platformdata van ChartMogul, per juni 2026. Eerdere versies van dit werk lieten enigszins andere mediane fouten en varianties zien, maar de fundamentele punten en de factoren die daarop van invloed zijn, blijven hetzelfde. De verschillen komen doordat de onderliggende datasets evolueren en bedrijfsaccounts worden toegevoegd aan of verwijderd uit de dataset.