**Контекст:** Финтех-банк хочет рассчитать `LTV` клиента для определения допустимого `CAC`. Есть два подхода — исторический и предиктивный.
**Данные:**
Исторические данные за 24 месяца (когорта из 10 000 клиентов):
| Параметр | Значение |
|---|---|
| Суммарная выручка за 24 мес | 180 000 000 ₽ |
| Маржинальность | 40% |
| Средний `monthly churn` | 4.5% |
| `ARPU` (средний) | 750 ₽/мес |
Прогноз на будущее:
| Параметр | Значение |
|---|---|
| Ожидаемый `ARPU` (растёт с лояльностью) | 850 ₽/мес |
| Ожидаемый `churn` (снижается после 12 мес) | 3.0% |
| Ставка дисконтирования (годовая) | 15% |
**Задание:**
1. Рассчитайте исторический `LTV` (простой метод).
2. Рассчитайте предиктивный `LTV` с учётом дисконтирования.
3. Сравните два метода. Когда какой применять?
4. Рассчитайте максимально допустимый `CAC` при целевом `LTV/CAC = 3`.
LTV предиктивный исторический retention дисконтирование
Это задание для уровня Middle. Для middle-аналитиков с опытом 1-3 года, требует уверенного владения темой и понимания edge cases.
Подобные задания в категории «Метрики» регулярно дают на собеседованиях аналитика данных в Яндекс, Сбер, Ozon, Авито, Тинькофф, Wildberries, T-Bank, X5, ВТБ и других крупных IT-компаниях. Тематика: LTV, предиктивный, исторический, retention, дисконтирование.
На реальном собеседовании на подобную задачу отводится 15-30 минут — оцениваются подход, корректность, обработка edge cases. Для тренировки рекомендуем сначала решить самостоятельно, потом сверить с эталонным решением и подсказками.
На zasqlpython.ru есть другие задания в категории «Метрики», продуктовые кейсы, справочник метрик, AI мок-собеседование с разбором ваших ответов.
← Все задания