Юнит-экономика SaaS и подписочного бизнеса: как считать

Когда ко мне приходит владелец подписочного сервиса с вопросом «почему реклама не окупается», в 80% случаев проблема не в объявлениях и не в ставках в Яндекс Директе. Проблема в том, что человек считает окупаемость рекламы как в обычном интернет-магазине, по разовой сделке, хотя деньги в SaaS и подписке зарабатываются месяцами, а иногда годами.

Я настраиваю контекстную рекламу для сервисов с подпиской: от небольших B2B-инструментов до мобильных приложений с ежемесячной оплатой, и вижу одну и ту же историю: маркетинг считает CPA за первый платёж, а собственник смотрит на прибыль через полгода и не понимает, откуда разница. Юнит-экономика подписочной модели устроена иначе, чем в разовых продажах, и без неё бюджет на рекламу распределяется почти наугад.

В статье разберу, из каких метрик складывается юнит-экономика SaaS и подписки, как считать CAC и LTV с учётом продлений, почему churn rate меняет всю картину окупаемости рекламы и как это связать с бюджетом в Директе.

Что такое юнит-экономика SaaS и подписочного бизнеса

Юнит-экономика подписочного бизнеса — это расчёт прибыли не с каждой продажи, а с одной единицы (юнита), одного подписчика на протяжении всего срока его жизни в продукте. В отличие от разовой продажи, где выручка и расход на привлечение сопоставляются в один момент, в подписке выручка растёт месяц за месяцем, а расход на привлечение (CAC) списывается сразу, в момент покупки клика или лида.

Поэтому базовую формулу «выручка минус реклама» для SaaS применять нельзя. Клиент, заплативший 990 ₽ за первый месяц подписки, может принести ещё 8–11 платежей за год, а может отвалиться после второго. Юнит-экономика подписки отвечает на один вопрос: сколько реально приносит один подписчик за весь срок жизни (LTV) и окупает ли эта сумма то, что было потрачено на его привлечение (CAC), учитывая время, за которое эта окупаемость происходит.

Общие принципы юнит-экономики я разбирал в статье про юнит-экономику в маркетинге: там базовые формулы CAC, LTV и ROMI применительно к любому бизнесу. Здесь специфика именно подписки: почему единичный платёж не показатель, и что меняется, когда клиент платит не один раз, а регулярно.

Из чего складывается юнит-экономика подписки: MRR, ARR, CAC, LTV, Churn

В подписочной модели есть пять метрик, без которых юнит-экономика не считается вообще. Остальное — производные от них.

На практике связка между этими пятью метриками работает так: чем выше churn, тем короче срок жизни подписчика, тем ниже LTV, и тем сложнее оправдать даже небольшой CAC. Я видел проект с CAC 640 ₽ через РСЯ, который выглядел отлично на бумаге, но при churn 14% в месяц реальный LTV не дотягивал даже до этой суммы. Реклама формально приводила лиды дешёво, а бизнес терял деньги на каждом подписчике.

Глубже логику удержания и того, как менять срок жизни клиента на данных, а не на ощущениях, я разбирал в статье про когортный анализ: это прямой инструмент для расчёта реального LTV подписки, а не усреднённой оценки «на глаз».

Как считать CAC для SaaS с учётом рекламы в Директе

Базовая формула CAC — весь маркетинговый бюджет за период, поделённый на число новых платящих подписчиков. Но в подписочной модели есть тонкость, которую часто упускают: CAC нужно считать именно на платящего клиента, а не на регистрацию или триал.

В контекстной рекламе через Яндекс Директ это особенно заметно на сервисах с бесплатным пробным периодом. Стоимость лида (регистрации) может быть 210–280 ₽ — выглядит отлично. Но если из триала в платную подписку конвертируется только 18–22%, реальный CAC на платящего клиента вырастает в 4–5 раз. Я всегда считаю CAC на двух уровнях отдельно: CAC на лид/триал и CAC на первый оплаченный период. Путают их почти все, кто впервые считает юнит-экономику подписки.

Чтобы не спорить с отделом продаж о том, какой канал реально привёл платящего клиента, а не просто клик, нужна корректная модель распределения ценности между касаниями. Я разбирал разные подходы в статье про модели атрибуции рекламных каналов. Для SaaS с длинным циклом принятия решения (пользователь может кликнуть по объявлению, уйти, вернуться через поиск через две недели и только потом оформить подписку) атрибуция первого клика часто искажает CAC в сторону завышения стоимости платного трафика.

Для мобильных SaaS-приложений с подпиской через App Store или Google Play есть отдельная специфика подсчёта: расход на клик в Директе и комиссию магазина приложений нужно учитывать вместе, иначе CAC получится ниже реального. Эту тему я подробно разбирал в статье про рекламу мобильных приложений в Яндекс Директе.

LTV подписчика: как считать и почему он важнее среднего чека

Базовая формула LTV для подписки выглядит так: LTV = ARPU × средняя продолжительность жизни клиента в месяцах. ARPU (Average Revenue Per User) — средняя выручка на подписчика в месяц, а продолжительность жизни считается как 1 / churn rate.

Пример расчёта: если ARPU подписки — 690 ₽, а месячный churn — 8%, средняя продолжительность жизни клиента — 1 / 0,08 = 12,5 месяцев. LTV = 690 × 12,5 = 8 625 ₽. Если тот же продукт снизит churn до 5% за счёт улучшения онбординга, LTV вырастет до 13 800 ₽, почти в 1,6 раза, без единого изменения в рекламе. Это главная мысль юнит-экономики подписки: LTV растёт от рекламы и от удержания, и оба рычага нужно видеть одновременно.

Есть и более консервативный вариант расчёта, с учётом маржинальности, а не полной выручки: LTV = (ARPU × маржа) / churn rate. Для SaaS с высокой себестоимостью инфраструктуры (например, сервисы с большими вычислениями или хранением данных) маржинальный LTV может отличаться от «валового» в 1,5–2 раза, и именно маржинальный LTV нужно сравнивать с CAC, а не выручку.

Churn rate и его влияние на юнит-экономику подписки

Churn — метрика, которая меняет всю юнит-экономику подписочного бизнеса сильнее, чем любая корректировка ставок в Директе. Разница между churn 5% и 9% в месяц — это разница между тем, что реклама окупается за 4 месяца или не окупается вообще при том же CAC.

Есть логичная связь между churn и качеством трафика из контекстной рекламы, которую часто недооценивают: если объявление привлекает не целевую аудиторию, а «любопытных» по широкому запросу, эти подписчики отваливаются в первый-второй месяц заметно чаще, чем те, кто пришёл по точному, осознанному запросу. Расширенный семантический охват в Директе может снижать CAC на бумаге и одновременно повышать churn, а в юнит-экономике это чистый минус, даже если отчёт по стоимости лида выглядит хорошо.

Ниже — обобщённый пример логики, а не описание конкретного реального проекта: представим сервис для малого бизнеса с подпиской 1 490 ₽/мес, у которого маркетинг запустил широкую рекламную кампанию по общим запросам категории вместо узких коммерческих. CAC снизился с 980 до 640 ₽, churn вырос с 6% до 11% в первые два месяца после расширения семантики. LTV при таком churn упал с 24 800 до 13 550 ₽. Более дешёвый трафик оказался менее выгодным, хотя по отчёту CPA выглядел лучше.

Соотношение LTV/CAC и payback period: какие нормы для подписки

В индустрии SaaS есть общепринятые ориентиры, которые удобно использовать как отправную точку, а не абсолютную истину:

Payback period — срок, за который CAC окупается накопленной выручкой от подписчика (без учёта себестоимости обслуживания). Формула простая: CAC / ARPU в месяцах. Если CAC = 1 340 ₽, а ARPU = 690 ₽/мес, payback period — почти 2 месяца, что для B2C-подписки хороший результат. Для B2B SaaS с длинным циклом продажи и высоким чеком нормальный payback может составлять 8–10 месяцев, и это не проблема, если LTV в разы выше CAC за счёт долгого удержания.

Важно: эти ориентиры условны и сильно зависят от отрасли. Общие маркетинговые метрики, включая ROMI и ROAS, применительно к любому бизнесу я разбирал в статье про маркетинговые метрики: CPL, CPA, ROAS, ROI, LTV. Для подписки логика та же, просто временной горизонт расчёта другой.

Как контекстная реклама в Директе влияет на юнит-экономику подписки

Рекламный канал влияет на юнит-экономику подписки через CAC и через качество аудитории, которое напрямую отражается на churn. Из моей практики настройки Директа для подписочных сервисов заметна закономерность: кампании, настроенные на широкое соответствие с автоматическими стратегиями без ручного контроля минус-слов, дают низкий CPA, но приводят аудиторию с завышенными ожиданиями или случайным интересом. Такие подписчики отваливаются в первый расчётный период чаще, чем те, кто пришёл по точным коммерческим запросам с явным намерением решить конкретную задачу.

Практический вывод: при оценке эффективности рекламной кампании для подписочного продукта недостаточно смотреть на CPA или стоимость триала — нужно доводить аналитику до LTV и churn в разрезе источника трафика. Кампания с CPA 500 ₽ и последующим churn 12% может быть менее выгодной, чем кампания с CPA 900 ₽ и churn 4%, потому что во втором случае подписчик приносит кампании в разы больше суммарной выручки за жизненный цикл.

Что стоит контролировать в Директе, чтобы не разгонять churn дешёвым, но нецелевым трафиком:

• Использовать точное и фразовое соответствие для коммерческих запросов вместо широкого охвата без ограничений
• Вести аналитику до когортного LTV, а не останавливаться на CPA/CPL как финальной метрике
• Разделять кампании по интенту: «сравнение решений» и «готов купить» — разный churn у пришедших с них подписчиков
• Регулярно чистить минус-слова и площадки в РСЯ, откуда приходят кликеры без намерения оформить подписку
• Сверять churn новых когорт с рекламных кампаний с churn органических подписчиков — расхождение сигнализирует о проблеме с качеством трафика

Пошаговый расчёт LTV и CAC для подписочной модели

Ниже — упрощённый алгоритм, который можно применить в Excel или Google Sheets без сложных BI-инструментов.

1. Соберите данные за 2–3 месяца: расходы на рекламу и маркетинг, количество новых подписчиков, число отменённых подписок, ARPU по месяцам.
2. Посчитайте CAC: суммарные расходы на привлечение (включая рекламу, зарплаты маркетологов, комиссии агентства) разделите на число новых подписчиков за период.
3. Посчитайте месячный churn: число отменённых подписок за месяц разделите на число активных подписчиков на начало месяца.
4. Рассчитайте среднее время жизни клиента: 1 / churn (в месяцах).
5. Посчитайте LTV: ARPU × среднее время жизни клиента (или ARPU × маржинальность / churn, если нужна маржинальная LTV).
6. Сравните LTV/CAC и payback period с ориентирами из таблицы выше и с историческими значениями своего проекта.

Важная деталь: считайте LTV и CAC в разрезе каждого рекламного канала и каждой кампании отдельно, а не только в целом по проекту. Общий средний показатель может маскировать то, что один канал вытягивает юнит-экономику вниз, а другой компенсирует это. Без разбивки по источникам решение «куда перераспределить бюджет» принимается вслепую.

Типичные ошибки при расчёте LTV, CAC и churn для подписки

За годы работы с рекламными кабинетами и аналитикой подписочных проектов я регулярно встречаю одни и те же искажения в расчётах:

• ❌ Расчёт CAC без учёта зарплат маркетологов и комиссий агентства — только прямые расходы на клики
• ❌ Использование среднего churn по всей базе вместо когортного churn, который показывает динамику по месяцам жизни подписчика
• ❌ Расчёт LTV по выручке без вычета себестоимости обслуживания клиента (поддержка, инфраструктура, платёжные комиссии)
• ❌ Игнорирование сезонности: пиковый месяц с низким churn выдают за постоянный показатель
• ❌ Сравнение LTV/CAC разных каналов без учёта разного времени с момента запуска — новым кампаниям нужно время, чтобы набрать статистику по удержанию

Отдельная проблема — путаница между валовой и маржинальной LTV. Валовая LTV считается по выручке, маржинальная — по прибыли после вычета прямых издержек на обслуживание клиента. Для сравнения с CAC корректнее использовать маржинальную LTV, иначе соотношение LTV/CAC будет искусственно завышено и создаст ложное чувство запаса прочности юнит-экономики.