假設你在月報上看到一個好消息：這個月新增 100 個付費客戶，廣告花了 60,000 美元，所以行銷團隊算出的 CAC 是 600 美元。
財務拿到同一批 100 個客戶，卻算出 1,200 美元。差額來自業務薪資、佣金、行銷工具和其他獲客支出。兩邊的除法都沒有錯，只是分子裝的東西不同。
接著產品團隊又說，每個客戶每月有 150 美元的 gross-profit contribution。用 1,200 美元的 fully loaded CAC 去除，簡化後約 8 個月回本。營運再把會隨客戶增加的導入、支援等成本放進來，可用來回收 CAC 的 contribution 剩 100 美元，payback 就變成 12 個月。
100 個客戶從頭到尾都沒換。變的是我們怎麼定義成本，以及準備拿這個數字做什麼決策。
如果只是判斷某個付費 channel 最近買客戶是不是變貴，600 美元可以回答一部分問題。要決定公司是否再投入 1,000 萬去複製這套成長方式，光看廣告費通常就不夠了。此時 fully loaded CAC、真正會隨 unit 增加的成本，以及錢多久收得回來，都會進入決策。
Unit Economics 的公式不難。麻煩通常出在同一個名稱底下，分母、成本邊界、cohort 或觀察期間已經換了，dashboard 還是把它畫成一條連續趨勢。
同一批 100 個客戶，為什麼可以有兩個 CAC？
先只看 CAC，不急著把 payback 塞進同一張表。以下都是教學用假設數字，不是任何公司的 benchmark。
| CAC 視角 | 新增付費客戶 | 納入的獲客成本 | 算出的 CAC | 適合先回答什麼 |
|---|---|---|---|---|
| Paid CAC | 100 | 60,000 美元 paid media | 600 美元 | 付費投放本身花得多不多 |
| Fully loaded CAC | 100 | 120,000 美元完整獲客成本 | 1,200 美元 | 整個獲客引擎用了多少資源 |
看到 CAC 從 1,200 變成 600，第一個動作應該是看 numerator 的成本清單。若只是把業務、人力或工具費拿掉，客戶沒有變便宜，報表只是換了一把尺。
Payback 是另一個維度。假設後面的分析決定使用 1,200 美元 fully loaded CAC，再看 contribution 怎麼定義：
| 回收基礎 | 每月 unit contribution | 簡化 payback |
|---|---|---|
| Gross-profit basis | 150 美元 | 1,200 / 150 = 8 個月 |
| Decision-relevant contribution basis | 100 美元 | 1,200 / 100 = 12 個月 |
這裡沒有哪一列天然比較高級。每個口徑都要對回它服務的問題。只要團隊把其中一個數字拿去回答另一種問題，Unit Economics 就會開始失真。
先別算比率，先寫下 Measurement Contract
我會先把每個指標旁邊的定義補齊，再看數字本身。可以把它當成一份 measurement contract，一張讓所有人知道「我們現在到底在算什麼」的規格表。
| Contract 欄位 | 要先講清楚什麼 |
|---|---|
| Economic unit | 分析的是 user、payer、account、seat、location、order，還是 transaction？ |
| Eligibility / denominator | 哪些單位能進分母？試用戶、免費戶、取消戶怎麼處理？ |
| CAC cost boundary | 只算媒體費，還是包含業務、佣金、工具、人力與其他獲客成本？ |
| Contribution boundary | Revenue 往下扣到哪一層？哪些 variable costs 會跟著 unit 增加？ |
| Cohort start / age | 客戶何時進 cohort？到現在已經觀察多久？ |
| Observation window | 30 天、12 個月、完整生命週期，還是預測期間？ |
| LTV basis | Revenue、gross profit、contribution，還是 discounted cash flow？ |
| Comparison slice | 產品、地區、channel、客群與方案是否真的可比？ |
很多 dashboard 很會保存結果，例如 CAC = 600、NRR = 118%、LTV = 8,400，卻沒有把產生這些結果的定義一起保存。等到季度檢討才發現 customer definition 改過、某些 service cost 被重新分類，或今年的 cohort 還比去年年輕很多。
這種情況下，圖上看起來是一條時間序列，實際上可能是幾個同名、不同定義的 metric 被接在一起。後面要談 CAC、LTV、Retention 或 Payback，都先沿用這張 contract，不要每算一個指標就換一次尺。
CAC 與 Contribution 的成本邊界，決定你到底在回收什麼
CAC 本來就不只一種。Paid、blended、fully loaded、incremental、marginal 各自可以成立，前提是使用的人知道這個版本包含哪些成本，也知道它準備回答什麼問題。
還有一層更容易混在一起：attribution 和 incrementality。
廣告平台把 100 個 conversions 歸給某個 campaign，不等於拿掉 campaign 後就會少 100 個客戶。Google 的 Conversion Lift 用 treatment 與 control 估計 causal lift，正是因為「被歸因到廣告」和「由廣告新增」不是同一件事。相關研究比較 observational advertising estimates 與實驗結果時，也指出 observational 方法可能出現顯著偏差。
因此，當公司在決定「下一塊廣告預算還要不要花」時，incremental CAC 通常比 attributed CAC 更貼近問題。實務上不見得每次都能做乾淨的隨機實驗，但至少要在報表上承認目前拿到的是 attribution，還是具有因果辨識力的估計。
另一端是 contribution。管理會計的基礎定義很直接：Contribution Margin = Sales − Variable Costs。真正需要公司自己決定的，是哪些成本會隨選定的 economic unit 增加。
例如 unit 是一個 B2B account，每月 gross-profit contribution 為 150 美元；如果每多一個 account，平均還多 50 美元的 variable implementation、support 或 usage-linked infrastructure cost，那麼要判斷「再買一個這種 account 值不值得」時，可用的 contribution 會降到 100 美元。
接下來算 payback 時，就要把 CAC 的成本邊界和 contribution 的成本邊界並排看。否則一邊用完整獲客成本，另一邊卻用過淺的 margin layer，回收速度自然會顯得比較快。
LTV 不是一個欄位，它是一個模型
Dashboard 上的 LTV 常長得很像一個已經存在資料庫裡的數字，但它其實是模型輸出。
Customer Lifetime Value 的研究一直都要處理 revenue、cost、retention、timing 和 discounting。Berger 與 Nasr 比較過不同 CLV model structures；Gupta、Lehmann 與 Stuart 也把 acquisition、margin、retention、discounting 放進同一個 customer-value framework。換句話說，看到 LTV 之前，先問它是哪一種 LTV、用了哪些假設。
常見的 basis 至少包括 revenue LTV、gross-profit LTV、contribution LTV，以及把未來 contribution 折現後的 DCF-based CLV。這些數字不能因為都叫 LTV 就直接接成趨勢。如果上季是 revenue basis、這季換成 contribution basis，前後差異有一部分來自模型本身。
服務成本的分類也會影響結果。把某些成本移出 contribution 定義，客戶行為完全不變，模型裡的 LTV 仍可能上升。
Expected lifetime ≈ 1 / churn rate 也是同一類問題。這個近似在 churn process 足夠穩定時可以有用；Fader 與 Hardie 對 retention 的研究提醒我們，survivor behaviour 與 retention curve 不必維持固定 churn，客戶 tenure 和 cohort 組成也可能讓曲線改變。
所以成熟 cohort 已經發生的 revenue、cost、retention，我會和 predicted LTV 分開看。後者既然是 forecast，就需要連 forecast horizon、retention curve、margin basis、discount rate 與 cohort maturity 一起看。預測拉得越遠，模型假設在答案裡佔的比重也越大。
Retention 不能只看一個百分比，先看 Cohort 是誰
同樣一個 118%，可能在回答完全不同的問題。先把最常見的三種 retention 指標拆開：
| Metric | 它主要回答什麼 | 讀數前要確認 |
|---|---|---|
| Logo retention | 原本的客戶 unit 還剩多少？ | 留下來不代表收入也以同樣比例留下 |
| Gross Revenue Retention | 起始 cohort 的收入，在不算 expansion 下保留多少？ | Starting cohort 必須固定 |
| Net Revenue Retention | 同一 starting cohort 經 expansion、contraction、churn 後還有多少收入？ | 新客收入不能混進來 |
公司公開文件很適合拿來看「同一個名字底下，contract 可以有多細」。Snowflake 的申報文件會固定 customer cohort，再比較該 cohort 不同期間的 product revenue；Cloudflare 則以同一批 paying customers 的 Annualized Revenue 為基礎，納入 expansion、扣除 contraction 與 attrition，並排除新客戶。
這裡不適合拿兩個 headline percentage 直接排名。要比較之前，還得知道 cohort 怎麼進來、revenue basis 是什麼、觀察多久，以及 customer unit 怎麼定義。
就算只看自己公司，也會有 cohort mix 的問題。去年主要是成熟客戶，今年高速成長後新增很多年輕客戶，aggregate ARPU、churn、margin 或 support cost 都可能跟著 customer age mix 移動。方向不一定固定，所以不能只靠 aggregate 指標猜 underlying cohort quality。
實際重算時，我會把 eligibility、cohort start、cohort age、產品與價格背景、成本口徑和 observation window 對齊。做不到完全一致時，至少要把差異留在分析旁邊，不要讓 denominator 在時間裡悄悄換人。
Payback 把「時間」放回 Unit Economics
LTV/CAC 把現在先花出去、未來慢慢收回來的現金壓成一個 ratio。對融資壓力來說，中間那段時間不能省略。
沿用前面的 100 個 account，fully loaded CAC 已固定為 1,200 美元。若每月用 150 美元 gross-profit contribution 回收：
Simplified payback = 1,200 / 150 = 8 months
把會隨 unit 增加的成本扣進來後，每月 contribution 是 100 美元：
Simplified payback = 1,200 / 100 = 12 months
兩個都是簡化後的 contribution / margin payback。真實 cash payback 還可能更晚，因為免費期、佣金先付、導入成本、付款條件、usage ramp，以及客戶在回本前 churn，都會改變現金實際回來的時間。
這也是高速成長時容易被忽略的一件事。CAC 如果 Day 0 就先付掉，而 contribution 要一年以上慢慢進來，公司越快買客戶，working capital 或外部融資需求反而可能越高。較短的 payback 通常能減輕這種壓力，但不能單獨證明 retention、LTV 或市場規模。
在這個案例裡，光是 contribution boundary 往下一層，簡化 payback 就從 8 個月變成 12 個月。
數字變漂亮以前，先做 Fixed-Definition Audit
如果月報說 Unit Economics 改善了，我會先把兩個期間用同一套定義重算一次。這個動作很無聊，但它比先猜「是不是產品變好了」可靠得多。
| Audit | 固定什麼 | 沒固定時可能看到的假象 |
|---|---|---|
| Unit / eligibility | 同一種客戶與納入條件 | Denominator 變小，ratio 機械式改善 |
| CAC boundary | 同一層 acquisition costs | 成本移出去，CAC 看起來下降 |
| Contribution policy | 同一層 variable costs | Margin / LTV 因重分類上升 |
| Cohort age | 同成熟度或 age-normalised cohort | 新舊客 mix 製造假改善或假惡化 |
| Comparison slice | 相同產品、地區、channel | Mix shift 被誤認成效率改善 |
| Retention basis | Observed 與 forecast 分開 | 模型更新被當成已發生的改善 |
| Payback basis | 同一 contribution / cash basis | Revenue 或較淺的 margin 讓回收看起來更快 |
固定定義後，如果 CAC 仍然下降、matched-cohort retention 仍然改善、contribution 仍增加、payback 仍縮短，這時才值得追下一層的原因，例如 channel quality、sales productivity、onboarding 成本或產品價值是否真的改變。
如果重算後大部分改善消失，先修 measurement contract。此時再替數字找一個漂亮的成長故事，只會把定義漂移誤認成營運進步。
最後才回答：我們應不應該加碼獲客？
回到那 100 個客戶。600 美元的 paid CAC 可以拿來管付費 channel；1,200 美元的 fully loaded CAC 比較接近整個獲客引擎的資源消耗。若公司準備擴大整套 go-to-market，我會使用和這個決策相符、而且能跨期保持一致的版本。
接著再看幾個條件：economic unit 與成本邊界是否明確；改善在 matched cohort 和 fixed-definition 重算後是否還存在；選定的 contribution layer 是否為正；payback 能不能被公司的 financing constraints 承受；目前 retention evidence 是否足以支撐 LTV 假設。
這裡不需要先找一個流行的 LTV/CAC 固定倍數。這個研究範圍沒有提供把某個倍數當成普世定律的依據，而且單一 ratio 本來也回答不了現金多久回來、客戶是否屬於可比 cohort、獲客是否 incremental，或成本是否只是被移到別處。
把同一套 contract 套回兩個期間後，若好看的數字還在，再考慮加碼。至少此時你是在用同一把尺判斷 business economics，而不是被 spreadsheet 的定義變動牽著走。
References
- Paul D. Berger & Nada I. Nasr, Customer Lifetime Value: Marketing Models and Applications, 1998.
- Peter S. Fader & Bruce G. S. Hardie, Reconciling and Clarifying CLV Formulas, 2012.
- Sunil Gupta, Donald R. Lehmann & Jennifer Ames Stuart, Valuing Customers, 2004.
- Peter S. Fader & Bruce G. S. Hardie, How to Project Customer Retention, 2007.
- Google Ads Help, About Conversion Lift.
- ScaleXP, Customer Acquisition Costs, 2025.
- Brett Gordon, Robert Moakler & Florian Zettelmeyer, Close Enough? A Large-Scale Exploration of Non-Experimental Approaches to Advertising Measurement, 2023.
- OpenStax, Principles of Accounting, Volume 2: Managerial Accounting, §3.1 Contribution Margin.
- Snowflake Inc., Fiscal 2025 Annual Report.
- Cloudflare, Inc., 2021 Annual Report.
- Ben Murray, The SaaS CFO, CAC Payback Period, 2024.