生命周期价值LTV预测

最近连续两周研究用户价值LTV预测,总结出预测方法和使用场景,文章逻辑如下:

一、LTV定义与应用场景

1.LTV定义

LTV(life time value):用户生命周期终身价值,指在获得新用户后的一段时间内,每一位顾客的平均利润净现值。

可根据业务场景分别计算实际收入价值、毛利GMV价值。LTV是单用户价值指标,属于衡量用户质量指标,非规模类指标。

2.LTV指标定位

LTV、获客成本、ROI这些是公司级的大帐,是关系到战略定位及产品方向的核心指标。当公司开始寻找规模化盈利的增长模式,扩大业务时,需要先算清楚这些大帐指标,且LTV要有预测价值。

3.LTV使用场景

通常应用于市场营销领域,判定企业是否能够取得高利润的重要参考指标,最初多应用于游戏行业。

3.1 计算投入产出比ROI

获客成本:如CPM、CPC、CPD、CPA等代表获客成本,或者CAC(Customer Acquisition Cost)这些都是获客成本简称。

投入产出比:ROI=LTV / 获客成本 

3.2 预估成本回收期

如以下产品:新用户CAC成本29元,计算出各阶段用户LTV后,可评估出在第24天时可收回成本,90日LTV=32,成本回收期=24天

发现回收期太长,或难以收回成本时,则需要改造产品功能及商业逻辑。

3.3 判定渠道质量

渠道评估:分渠道,分注册日期、分人群属性等多维度新用户LTV对比,评估渠道质量。

成本控制:知道每新增用户LTV情况下,可评估单新增最大买量成本,实现成本可控,提升ROI。

投放配比:在游戏中使用广泛,追求用户规模时往往保证不了用户质量,这时可依据渠道用户LTV,实现高低质量用户策略配比,保证游戏氛围活跃又有一定充值用户。

3.4 支持产品运营

产品功能调整:功能变化后用户价值对比,判定功能效果好坏。

运营策略方向:如电商不同品类下用户价值(女装用户LTV与包包用户LTV对比哪个高,据此调整运营位)。

二、LTV计算逻辑

3月1日新增10000用户,截止到5月7日有67天数据,则这1w用户价值67日LTV=(第1日贡献金额+第2日贡献金额……+第67日贡献金额)/1w新增

原则上,随着时间累积LTV基本符合幂函数规律,随着时间推进,用户价值逐渐累加,但后续价值增长幅度不大。(以下函数拟合R方0.9918,拟合程度很高

三、LTV预测方法

方法1:LT*活跃ARPU

1.1 预测逻辑 

①单用户的在时间范围内的活跃天数(LT),预测LT主要是对留存率衰减趋势的预测,可参考我之前文章:Excel实现:预测产品的未来DAU  里面有详细操作步骤。

②单用户活跃天内ARPU:活跃天内ARPU趋势不稳定较难预估,一般直接使用一定时期内均值。这种情况假定不同生命周期用户活跃ARPU值相同,显然是不合理的。

1.2 适用场景:被广泛使用,尤其适合功能稳定产品LTV预测

1.3 优缺点

优点:简单、常用、模型化,适合产品功能稳定后预测。
缺点:①留存率拟合存在误差  ②忽视了不同生命周期用户ARPU是动态变化的,用户贡献价值是不同的。

方法2:依据交易预测

2.1 预测逻辑

新客预测:付费LT*付费ARPU

全量用户预测:付费LT*付费ARPU*新付费转化率

  • 预测用户付费生命周期(Pay_LT):幂函数拟合各周付费率衰减趋势

  • 假定不同阶段用户周付费ARPU值稳定不变

  • 如需预测全部用户,需加入付费转化率

2.2 适应场景

适合电商、游戏等付费用户价值预估,重视付费转化的行业。

2.3 优缺点

优点:简单粗暴、常用、模型化
缺点:需要预测3个变量增大预测偏差

①付费率拟合存在误差
②不同付费周期用户ARPU是动态变化的,用户贡献价值是不同的。
③付费转化率受产品调整及运营活动影响较大

方法3:实际LTV数据拟合预测

3.1 预测逻辑

依据LTV历史数据,拟合幂函数趋势预测未来LTV。

优点:只有LTV单变量,预测精度较高
缺点:①需要足够历史数据拟合函数   ②幂函数数据量越少,预测结果越低,需要人工修正

3.2 预测实例

预测某月新用户价值,在分别使用200天实际数据、90天、30天、7天预测结果如下图:

数据结论:预测同样人群LTV,使用数据天数越多预测越准确。

200天、90天数据R方达到1,基本较精准的预测360天LTV,在数据不充分时使用90天数据可预估全年结果。

使用30天数据时,比实际值低5.3元,预测值低17%。

仅使用7天数据时,比实际值低10.6元,预测值低35%。

3.3 模型偏差修正

当5月仅有7天数据,仍要预估360天数据时,是否可以预测?

答案是可以的,使用7天数据预测,需要加上后续偏差修正值。

仅使用7天数据拟合,跟实际值之间的偏差是有规律的,偏差幅度可以拟合出规律函数,可以函数计算出7天之后每一天预测少了多少,实际预测值将偏差修正回来

3.4 修正前后对比实例

4月仅使用7天数据预测时,预测360天价值23.69,修正后360天价值为39.40,验证修正后结果更符合实际情况。


(文章使用的数据均为随机函数产生,非实际业务)

来源:文娟,本文观点不代表自营销立场,网址:https://www.zyxiao.com/p/9793

侵权联系 投诉举报
返回顶部