LTV, CAC en payback period: zo stuur je ad spend voor subscription apps

ROAS zegt op dag één bijna niets over een subscription app. Payback period en de verhouding tussen LTV en CAC wel. Zo modelleer je die cijfers conservatief en stel je spend limits in die je kunt verdedigen.

Wie een subscription app schaalt op ROAS, stuurt op een metric die het businessmodel niet begrijpt. Een abonnee betaalt zich uit over maanden of jaren, terwijl ROAS alleen kijkt naar wat er in het attributievenster binnenkomt. De cijfers die er wél toe doen zijn payback period, de tijd tot een abonnee zijn eigen acquisitiekosten heeft terugverdiend, en de verhouding tussen LTV en CAC. In dit artikel lees je hoe je beide modelleert zonder jezelf rijk te rekenen, en hoe je er spend limits uit afleidt die je aan jezelf en je investeerders kunt uitleggen.

Waarom werkt ROAS niet voor subscription apps?

ROAS deelt omzet door ad spend binnen een venster van dagen. Voor e-commerce, waar de klant in één keer afrekent, is dat een redelijke benadering van de werkelijkheid. Voor een subscription app is het een karikatuur. Een nieuwe abonnee betaalt misschien een tientje in de eerste maand, terwijl zijn werkelijke waarde afhangt van hoeveel maanden hij blijft. Op dag zeven ziet elke campagne er verliesgevend uit, en op basis van dat beeld zet je campagnes uit die over een jaar je beste cohorten waren geweest.

Het omgekeerde gebeurt ook. Een campagne die goedkope trials binnenhaalt kan er in het dashboard prachtig uitzien, terwijl die trials na de eerste maand massaal opzeggen. ROAS beloont in dat geval precies het verkeerde gedrag: veel volume, weinig waarde.

Hoe modelleer je LTV zonder jezelf rijk te rekenen?

LTV is geen getal dat je opzoekt, het is een curve die je opbouwt uit je eigen data. De basis is cohortanalyse: groepeer abonnees per startmaand en volg per cohort hoeveel er na één, twee, drie en zes maanden nog betalen. Die retentiecurve, vermenigvuldigd met je netto-omzet per abonnee per maand, geeft de cumulatieve waarde van een cohort door de tijd heen. Daarmee heb je een LTV die op gedrag is gebaseerd in plaats van op hoop.

Drie principes houden het model eerlijk. Reken met netto-omzet, dus na store fees, betalingskosten en refunds, want dat is het geld waarmee je ads betaalt. Extrapoleer voorzichtig: jonge cohorten hebben nog geen bewezen staart, dus kap je projectie af op een horizon die je data ondersteunt in plaats van oneindig door te rekenen. En werk per kanaal en per campagne type, want een abonnee uit een trial-campagne gedraagt zich anders dan een abonnee die direct betaalde.

Een optimistische LTV is geen prognose maar een vergunning om te veel te betalen voor gebruikers.

Wat zegt de payback period echt?

De verhouding tussen LTV en CAC vertelt of een gebruiker uiteindelijk meer oplevert dan hij kostte, maar niet wanneer. Dat is waar de payback period om de hoek komt: het aantal maanden tot de cumulatieve netto-omzet van een cohort de acquisitiekosten passeert. Twee apps met dezelfde LTV-CAC-verhouding kunnen een totaal andere payback hebben, en dat verschil bepaalt hoe snel je kunt schalen.

Payback is namelijk een cashflow-metric. Elke euro ad spend zit vast totdat het cohort hem heeft terugverdiend. Hoe korter je payback, hoe vaker je dezelfde euro per jaar opnieuw kunt investeren en hoe minder extern kapitaal je groei vraagt. Een lange payback kan prima zijn, maar alleen als je de kas hebt om de tussenliggende maanden te overbruggen. Wat acceptabel is, is dus geen benchmark maar een functie van je eigen runway en financiering.

Hoe stel je spend limits in die je kunt verdedigen?

Met een conservatieve LTV-curve en een gemeten payback period wordt budgetteren een rekensom in plaats van een gevoel. De redenering die wij hanteren:

• Bepaal je maximale CAC per kanaal vanuit je cohort-LTV en de marge die je minimaal wilt overhouden.
• Bepaal vanuit je kaspositie hoeveel spend er tegelijk mag uitstaan in cohorten die hun payback nog niet hebben gehaald.
• Verhoog budgetten pas als nieuwe cohorten hun retentie bewijzen, niet omdat de installs goedkoop zijn.
• Herijk het model elk kwartaal; retentie verschuift met elke product-update en elke nieuwe doelgroep die je aanboort.

Het mooie van deze aanpak is dat hij twee gesprekken tegelijk oplost. Intern geeft hij je team een helder kader: onder deze CAC mag je schalen, erboven niet. En extern geeft hij investeerders of je bank een verdedigbaar verhaal: niet wij denken dat het goedkomt, maar dit cohortgedrag onderbouwt dit spend-niveau.

Wat betekent dit voor je campagnes?

Stuur je campagnes op de events die het dichtst bij waarde liggen en die Meta genoeg volume geven om op te optimaliseren, en beoordeel campagnes op cohortkwaliteit in plaats van op kosten per install. Een campagne met duurdere installs maar betere retentie wint vrijwel altijd van een campagne met goedkope installs die na een maand leeglopen. Dat zie je alleen als je je Meta-data koppelt aan je eigen cohortdata, en precies die koppeling ontbreekt in de meeste app-accounts die wij overnemen.

Conclusie

Voor subscription apps is de vraag nooit wat is mijn ROAS, maar hoe snel verdient een cohort zichzelf terug en hoeveel spend kan ik daarop verantwoorden. Wie LTV conservatief modelleert en op payback stuurt, kan agressief schalen zonder zijn cashflow op te blazen. Paid social inrichten op die logica, van event-keuze tot campagnestructuur tot rapportage op cohortniveau, is precies wat wij voor app-bedrijven doen. Wil je weten waar jouw payback nu staat en wat dat betekent voor je spend? Plan een call, dan kijken we graag met je mee.