# Ltv Calculation > Ltv Calculation — Skill especializada para ltv calculation - Skill: `kursku/ltv-calculation` (Agent Skill) - Install (CLI): `npx skillmds@latest add kursku/ltv-calculation` - Raw SKILL.md: https://api.skillmd.com/api/skills/kursku/ltv-calculation/raw - Safety review: pending (external: skill-scanner PASS, skillspector PASS) - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Data & Analytics - License: MIT - Author: kursku (https://skillmd.com/u/kursku) - Updated: 2026-09-08 - Page: https://skillmd.com/skills/kursku/ltv-calculation --- # Ltv Calculation Esta skill capacita o Claude a calcular, analisar e otimizar o Lifetime Value (LTV) de clientes, integrando dados do Google Analytics 4 (GA4) para decisões estratégicas baseadas em dados. --- ## Keywords * LTV Cálculo * Lifetime Value * GA4 LTV * Custo de Aquisição de Cliente (CAC) * Receita Média por Usuário (ARPU) * Churn Rate * Cohort Analysis * Monetização Cliente * Atribuição de LTV * CLTV * Engajamento Cliente --- ## Quick Start 1. Verifique a configuração de eventos de e-commerce (ex: `purchase`, `add_to_cart`) no GA4 para garantir a coleta correta de `value` e `currency`. 2. Ative a exportação de dados do GA4 para o BigQuery, garantindo que os eventos de usuário e compra estejam acessíveis para análise detalhada. 3. Execute uma query SQL no BigQuery para calcular o LTV histórico médio por coorte de aquisição, somando a receita de cada usuário ao longo do tempo. 4. Crie um dashboard no Looker Studio (ou Power BI/Tableau) conectando-o ao BigQuery para visualizar o LTV por canal, coorte e segmento de cliente. --- ## Core Workflows ### Workflow 1: Cálculo e Análise de LTV Histórico com GA4 e BigQuery Este workflow detalha o processo de extração e cálculo do Lifetime Value (LTV) de clientes usando dados brutos do Google Analytics 4 (GA4) exportados para o BigQuery, permitindo uma análise profunda por coortes. **Passo 1: Validação da Coleta de Dados de E-commerce no GA4** Antes de qualquer cálculo de LTV, é crucial que os eventos de e-commerce no GA4 estejam configurados corretamente. O evento `purchase` deve ser implementado com os parâmetros `value` (valor total da transação) e `currency` (moeda da transação). * **Verificação no GA4 DebugView:** Realize uma compra de teste e monitore o DebugView no GA4 para confirmar que o evento `purchase` está sendo disparado com os parâmetros `value` (ex: `125.50`) e `currency` (ex: `BRL`). * **Exemplo de GTM para GA4:** ```javascript // Exemplo de Data Layer para evento de compra window.dataLayer = window.dataLayer || []; dataLayer.push({ event: "purchase", ecommerce: { transaction_id: "T_12345", value: 125.50, currency: "BRL", tax: 10.00, shipping: 5.00, items: [ { item_id: "SKU_45678", item_name: "Camiseta Premium", price: 70.00, quantity: 1 }, { item_id: "SKU_90123", item_name: "Calça Jeans", price: 55.50, quantity: 1 } ] } }); ``` Garanta que a tag de evento GA4 no GTM mapeie corretamente `ecommerce.value` para o parâmetro `value` do evento `purchase`. **Passo 2: Exportação e Acesso aos Dados do GA4 no BigQuery** Acesse o Google Cloud Console e configure o link entre sua propriedade GA4 e o BigQuery. Isso garantirá que os dados de eventos brutos sejam exportados diariamente para uma tabela no BigQuery (`seu_projeto.seu_dataset.events_YYYYMMDD`). * **Verificação:** Após 24-48 horas da configuração, verifique a existência de tabelas `events_YYYYMMDD` no seu dataset do BigQuery. * **Estrutura de Tabela:** Familiarize-se com a estrutura da tabela, em particular as colunas `user_pseudo_id` (identificador único do usuário), `event_timestamp` (carimbo de data/hora do evento) e `event_params` (array de parâmetros do evento, onde `value` e `currency` são armazenados). **Passo 3: Cálculo do LTV Histórico por Coorte no BigQuery** Utilize uma query SQL para identificar a primeira compra de cada usuário (definindo a coorte de aquisição) e, em seguida, somar todas as compras subsequentes feitas por esses usuários para calcular o LTV. * **Definição de Coorte:** A coorte será definida pelo mês da primeira compra de cada `user_pseudo_id`. * **Fórmula:** LTV de um cliente é a soma de todas as receitas geradas por ele ao longo de sua vida útil como cliente. Para um grupo (coorte), o LTV médio é `(Receita Total da Coorte) / (Número de Clientes na Coorte)`. **Passo 4: Visualização do LTV em Dashboards no Looker Studio** Conecte o Looker Studio (ou outra ferramenta de BI) à sua tabela de LTV calculada no BigQuery. * **Gráfico de Linhas de LTV Cumulativo por Coorte:** Mostre a evolução do LTV médio de cada coorte ao longo do tempo (ex: LTV_30d, LTV_60d, LTV_90d). Isso revela o valor que os clientes de cada coorte geram nos primeiros meses. * **Tabela de LTV por Mês de Aquisição:** Apresente o LTV médio de cada coorte, permitindo comparar a performance de aquisição ao longo do tempo. ### Workflow 2: Atribuição de LTV e Otimização de Campanhas de Marketing Este workflow foca em como usar o LTV para entender a real contribuição de cada canal de marketing e otimizar o investimento em aquisição de clientes. **Passo 1: Seleção do Modelo de Atribuição no GA4** No GA4, o modelo de atribuição padrão é "Baseado em Dados" (Data-Driven Attribution - DDA). Este modelo usa machine learning para distribuir o crédito de uma conversão entre os diferentes pontos de contato ao longo da jornada do cliente. * **Acesso:** Navegue para **Administrador > Configurações de Atribuição** no GA4. Confirme que o modelo "Baseado em Dados" está selecionado e a "Janela de Lookback" para eventos de conversão está configurada (ex: 90 dias para aquisição). * **Consideração:** Embora o DDA seja robusto, para análises específicas de LTV, pode ser útil comparar com modelos como "Primeiro Clique" ou "Último Clique" para entender a contribuição inicial versus a final. **Passo 2: Segmentação de Usuários por Canal de Aquisição no GA4** Para analisar o LTV por canal, você precisa identificar o canal que trouxe o usuário pela primeira vez. O GA4 oferece dimensões como `Primeiro grupo de canais padrão do usuário` (`first_user_default_channel_group`). * **Relatórios GA4:** Utilize os relatórios de "Aquisição de Usuários" no GA4. Aplique filtros para analisar o LTV médio de usuários provenientes de "Busca Orgânica", "Busca Paga", "Direto", "Mídia Social", etc. * **Criação de Segmentos:** Crie segmentos personalizados no GA4, por exemplo, "Usuários Adquiridos via Google Ads" usando a condição `Primeiro grupo de canais padrão do usuário` `exatamente corresponde` `Paid Search`. **Passo 3: Análise do LTV por Canal de Aquisição** Exporte os dados segmentados do GA4 (ou use o BigQuery) para calcular o LTV médio para cada canal de aquisição. * **Comparativo de LTV:** * **LTV Médio Google Ads (Search):** R$ 550,00 * **LTV Médio Orgânico:** R$ 800,00 * **LTV Médio Social Pago:** R$ 320,00 * **LTV Médio Email Marketing:** R$ 680,00 * **Insight:** Clientes adquiridos via busca orgânica mostram um LTV 45% maior que os de busca paga, e 150% maior que os de social pago. Isso indica que, embora a busca paga traga volume, a orgânica atrai clientes de maior valor a longo prazo. **Passo 4: Otimização de Campanhas com Foco em LTV** Use os insights do LTV por canal para realocar orçamentos e otimizar estratégias de marketing. * **Alocação de Orçamento:** Reduza o investimento em canais com LTV baixo (ex: Social Pago) e aumente em canais com LTV alto (ex: Orgânico, Email Marketing, ou segmentos específicos de Google Ads com LTV comprovado). * **Otimização de Lances em Google Ads:** Em vez de otimizar apenas para CPA (Custo por Aquisição) ou ROAS (Retorno sobre Gasto com Anúncios) imediato, ajuste os lances considerando o LTV esperado do cliente. Se o LTV de clientes de uma campanha específica de Google Ads é R$ 1.200 e o CPA é R$ 200, é um canal lucrativo a longo prazo, mesmo que o ROAS imediato seja menor que outra campanha com LTV de R$ 400 e CPA de R$ 50. * **Exemplo Prático:** Uma campanha de Google Ads para "Comprar tênis de corrida" tem um LTV médio de R$ 450,00. Uma campanha para "Comprar tênis casual" tem LTV de R$ 300,00. Priorize a otimização e o investimento na campanha de "tênis de corrida". --- ## Templates ### Query SQL para LTV Histórico por Coorte (BigQuery GA4) ```sql WITH UserFirstPurchase AS ( -- Identifica a data da primeira compra para cada usuário SELECT user_pseudo_id, MIN(PARSE_DATE('%Y%m%d', event_date)) AS first_purchase_date FROM `seu_projeto.seu_dataset.events_*` -- Substitua pelo seu projeto e dataset WHERE event_name = 'purchase' AND (SELECT ep.value.double_value FROM UNNEST(event_params) AS ep WHERE ep.key = 'value') IS NOT NULL -- Garante que o valor da compra existe GROUP BY user_pseudo_id ), UserPurchases AS ( -- Agrega todas as compras por usuário com seus respectivos valores SELECT t1.user_pseudo_id, PARSE_DATE('%Y%m%d', t1.event_date) AS purchase_date, (SELECT ep.value.double_value FROM UNNEST(t1.event_params) AS ep WHERE ep.key = 'value') AS purchase_value FROM `seu_projeto.seu_dataset.events_*` AS t1 -- Substitua pelo seu projeto e dataset WHERE t1.event_name = 'purchase' AND (SELECT ep.value.double_value FROM UNNEST(t1.event_params) AS ep WHERE ep.key = 'value') IS NOT NULL ) SELECT FORMAT_DATE('%Y-%m', ufp.first_purchase_date) AS acquisition_month, -- Mês de aquisição do cliente (primeira compra) COUNT(DISTINCT ufp.user_pseudo_id) AS total_users_acquired, -- Número total de clientes na coorte SUM(up.purchase_value) AS total_revenue_from_cohort, -- Receita total gerada por essa coorte SUM(up.purchase_value) / COUNT(DISTINCT ufp.user_pseudo_id) AS average_ltv_per_user_in_cohort -- LTV médio por cliente na coorte FROM UserFirstPurchase AS ufp JOIN UserPurchases AS up ON ufp.user_pseudo_id = up.user_pseudo_id WHERE up.purchase_date >= ufp.first_purchase_date -- Considera apenas compras feitas após a primeira compra GROUP BY acquisition_month ORDER BY acquisition_month; ``` ### Estrutura de Relatório LTV no Looker Studio ``` Título: Dashboard de Lifetime Value (LTV) - E-commerce Exemplo Fonte de Dados: BigQuery (GA4 Export - Tabela de LTV Calculada) Página 1: Visão Geral do LTV - Cartão de Pontuação: LTV Médio Geral (Ex: R$ 650,00 - calculado pela média de 'average_ltv_per_user_in_cohort' do período) - Gráfico de Linhas: LTV Cumulativo por Coorte (Mês de Aquisição) - Dimensão: Mês de Aquisição ('acquisition_month') - Métrica: LTV Médio (Cumulative) - Crie um campo calculado para somar o LTV médio ao longo dos meses. - Exemplo de dados: - Jan/2023: LTV_30d R$180, LTV_60d R$250, LTV_90d R$310 - Fev/2023: LTV_30d R$200, LTV_60d R$280, LTV_90d R$350 - Tabela: LTV por Mês de Aquisição e Período (30, 60, 90, 180 dias) - Colunas: Mês de Aquisição, Total Clientes, LTV_30d, LTV_60d, LTV_90d, LTV_180d (necessita cálculo prévio no BigQuery ou campos calculados no Looker Studio) - Exemplo de dados: | Mês Aquisição | Total Clientes | LTV_30d | LTV_60d | LTV_90d | LTV_180d | |---------------|----------------|---------|---------|---------|----------| | 2023-01 | 1200 | R$180 | R$250 | R$310 | R$420 | | 2023-02 | 1500 | R$200 | R$280 | R$350 | R$480 | - Gráfico de Barras: Top 5 Canais de Aquisição por LTV - Dimensão: Canal de Aquisição (GA4 First user default channel group, com LTV médio agregado) - Métrica: LTV Médio - Exemplo de dados: Orgânico (R$800), Email (R$680), Paid Search (R$550), Referral (R$400), Social Pago (R$320) Página 2: LTV por Segmento - Filtro: Categoria de Produto Mais Comprada (Ex: Roupas, Eletrônicos, Livros) - Tabela: LTV por Gênero e Idade (se dados demográficos disponíveis e relevantes no GA4/CRM) - Gráfico de Pizza: Distribuição do LTV por Status de Cliente (Ex: Novo Cliente vs. Cliente Recorrente) - Gráfico de Barras: Comparativo LTV entre Campanhas Específicas de Google Ads - Dimensão: Nome da Campanha (ou ID da Campanha) - Métrica: LTV Médio ``` --- ## Checklist - [x] Confirmar que o link GA4-BigQuery está ativo e exportando dados diários de eventos para `seu_projeto.seu_dataset.events_YYYYMMDD`. - [x] Validar a coleta de eventos `purchase` com os parâmetros `value` e `currency` no GA4 (via DebugView ou relatórios de eventos). - [x] Implementar uma lógica de coorte para agrupar usuários pela data de sua primeira compra ou interação mais significativa no BigQuery. - [x] Calcular o LTV histórico usando a soma cumulativa da receita líquida por usuário ao longo do tempo (considerando devoluções/cancelamentos). - [x] Segmentar usuários por `first_user_default_channel_group` ou `first_user_source/medium` para analisar o LTV por canal de aquisição. - [x] Desenvolver um dashboard interativo no Looker Studio (ou ferramenta de BI similar) para monitorar o LTV por coorte, canal e outros segmentos. - [x] Analisar a relação entre Custo de Aquisição de Cliente (CAC) e LTV por canal para identificar oportunidades de otimização de investimento. - [x] Considerar a aplicação de modelos de LTV preditivo (ex: BG/NBD, Gamma-Gamma) para estimar o valor futuro dos clientes. - [x] Criar alertas automatizados para quedas significativas no LTV médio de coortes recentes, indicando possíveis problemas de qualidade de aquisição ou retenção. - [x] Testar diferentes estratégias de retenção de clientes (ex: programas de fidelidade, automação de e-mail) e medir seu impacto direto no LTV. --- ## Métricas de Referência | Métrica | Benchmark (e-commerce médio) | Meta (e-commerce de alto crescimento) | |-------------------------|------------------------------|---------------------------------------| | LTV Médio (12 meses) | R$ 300 - R$ 800 | R$ 900+ | | Relação LTV:CAC | 3:1 | 4:1+ | | Ticket Médio (AOV) | R$ 150 - R$ 250 | R$ 300+ | | Taxa de Recompra (6 meses) | 20% - 35% | 40%+ | | Churn Rate Mensal | 3% - 7% | 1% - 2% | | LTV por Canal (Paid Search) | R$ 400 - R$ 700 | R$ 800+ | --- ## Erros Comuns 1. **Não considerar devoluções/cancelamentos no cálculo do LTV**: O LTV deve refletir a receita *líquida*. Muitos calculam o LTV somando todas as compras sem subtrair os valores de itens devolvidos ou pedidos cancelados. * **Como evitar**: Ao extrair dados do GA4 via BigQuery, inclua a lógica para identificar e subtrair o valor de eventos de `refund` ou ajustar o valor do `purchase` se a API de Measurement Protocol for usada para registrar devoluções. Certifique-se de que o `value` no evento `purchase` já seja líquido ou que as devoluções sejam tratadas como eventos separados com valores negativos. 2. **Usar apenas LTV histórico para decisões prospectivas**: O LTV histórico é uma métrica retrospectiva. Para otimizar lances de anúncios, prever rentabilidade de novos clientes ou alocar orçamento de marketing de forma eficiente, o LTV preditivo é mais adequado. * **Como evitar**: Complemente a análise de LTV histórico com um modelo de LTV preditivo (CLTV - Customer Lifetime Value). Isso pode ser feito com algoritmos de Machine Learning (ex: BG/NBD para previsão de compras e Gamma-Gamma para previsão de valor) ou modelos estatísticos mais simples baseados em dados de coortes anteriores. 3. **Ignorar a segmentação detalhada do LTV**: Um LTV médio geral pode mascarar diferenças significativas entre segmentos de clientes, canais de aquisição ou categorias de produtos. * **Como evitar**: Sempre segmente o LTV por dimensões críticas como `first_user_default_channel_group`, tipo de produto da primeira compra, dados demográficos, comportamento de engajamento, etc. Exemplo: um LTV geral de R$ 500 pode esconder um LTV de R$ 1.200 para clientes de busca orgânica e R$ 250 para clientes de social pago, exigindo estratégias de investimento muito diferentes. 4. **Não vincular o LTV ao Custo de Aquisição de Cliente (CAC)**: Calcular o LTV isoladamente é menos acionável. A relação LTV:CAC é fundamental para avaliar a sustentabilidade e a lucratividade das estratégias de aquisição. * **Como evitar**: Sempre calcule o CAC por canal e compare-o com o LTV do mesmo canal. Uma relação LTV:CAC de 3:1 ou