“ 今天，我想和大家分享一个非常关注营销和用户增长的指标模型：用户生命周期的价值。”
用户生命周期价值CLV（Customer Lifetime Value，也有称LTV：Life Time Value，两者完全一样)，相信很多朋友都听说过这个概念，很多朋友可能也应用过。然而，许多朋友可能没有详细探索该模型的应用场景和计算逻辑的演变。
目前业内大部分文章也是泛泛而谈，简单应用 LTV = LT × ARPU 公式没有解释本质原理。今天，我将尝试彻底了解用户生命周期的模型，希望能对您有所帮助。
01
—
背景、定义和价值
首先聊聊，什么是用户生命周期价值，以及是用于解决什么问题的。
(1)定义用户生命周期价值
顾名思义，用户生命周期的价值是衡量用户在整个产品周期（或一段时间内）对平台或企业贡献总价值收入的指标。这是一个长期的衡量指标。
例如，一个用户注册了京东APP，用了两年，后来失去了，转战拼多多。这个用户在两年内在JD.COM贡献了2.3万的消费，那么这个用户在JD.COM的生命周期价值是2.3万。
当然，由于整体生命周期往往相对较长，可能是几年、几十年，特别是在后期阶段，贡献价值往往很低，因此在实践过程中，往往使用一段时间的收入作为整个生命周期的衡量。例如，3个月、1年等，因为1年，对于绝大多数用户来说，从引入到损失的过程可能已经完成。
但即使再短，和ROI因为ROI计算周期一般在15天左右。
(2)图形化解释
让我们从图形化的角度来解释生命周期的价值。
先看下图，这是我们做用户生命周期时经常看到的图片(关于生命周期，请参考文章《生命周期划分逻辑计算》)。
横轴：即LT(生命周期)。它代表了用户在平台上的时间维度。这个阶段的划分逻辑和名称有各式各样的，但大同小异，一般就是引入期、成长期、成熟期、衰退期。纵轴：代表用户对平台贡献的价值。用户在不同阶段，往往对于平台的贡献价值也是不一样的。稳定的成熟期，通常贡献更多；引入期和衰退期的自然贡献较少。
假设用户的创造价值是一个连续的过程，用户的生命周期价值是整个用户生命周期中创造的总价值。因此，曲线下的阴影面积是用户生命周期的价值LTV（CLV）。这有点像积分。
分享本文第二节LTV计算逻辑计算理解这里的面积代表LTV（CLV）基基础设置中，许多逻辑的计算要清晰得多。
(3)解决了哪些问题
从定义上看，用户生命周期的价值实际上是两个维度：生命周期和贡献价值。
以往我们做用户运营或者做用户营销，往往只关注了其中一个维度。例如，我们关心用户的保留率（关于保留分析，请参考历史文章保留分析）；例如，我们做了一个广告，关注用户带来的交易价值（关于在线广告效果评估的指标评估）。
但是这种单维评估有什么问题吗？
例如，保留率高、用户生命周期长是否意味着用户价值高？
另一个例子是用户投放后ROI很高，这是否意味着这个交付效果一定很好？
答案是否定的。
用户保留率高，但长期贡献消费很低（即上述生命价值周期曲线中的纵轴值很低），是白嫖，不能给平台带来任何收入。这类用户不是平台应该关注的最佳用户。我们的产品提供服务最终需要商业收入。
同样，如果广告投放只关注短期ROI，可能很高，但用户消费一次（即上述价值曲线图中的横轴很短），很难在平台上实现回购和多次转型。从长远来看，交付效果是失败的；相反，如果在短期内ROI它相对较低，但获得用户的长期价值贡献很高。如果你只看短期内ROI，很容易忽略这种潜在价值，失去抓住机会。
因此，用户生命周期价值模型将保留和价值两个维度相结合，从长期角度评价用户、群体用户和渠道用户的质量水平。这种评价方法更加科学和全面，将帮助企业从更长期的角度发展业务，开展用户增长运营。
02
—
说明逻辑细节
我们上面知道了LTV让我们来看看背景、相关定义和解决的问题。LTV一些细节。
02
—
说明逻辑细节
我们上面知道了LTV让我们来看看背景、相关定义和解决的问题。LTV一些细节。这里我总结一下，和朋友讨论一下，有助于深入了解生命价值周期模型。
（1）LTV基于单人量纲的模型
首先，大家都说LTV事实上，从人群的区别可以分为两类：单人和一群人。都可以计算LTV。
对于个人：我们可以回顾上述生命价值周期曲线图。以这张图为特定用户的价值变化，阴影面积是这个人的LTV。对于一群人来说:上面的曲线图横轴还是生命周期，这是可以理解的。纵轴的价值贡献是这群人的总贡献还是平均贡献？让我们注意一下，当一群人衡量时LTV获得是这群人的平均价值贡献。
科龙空调排名：空调品牌排名前十，科龙空调继续健康生活
因此，无论是单人还是多人，生命周期价值模型都是平均单人价值。
这其实很容易理解。如果是总价值贡献，人群数量将成为影响因素，生命周期价值很难在同一维度上进行比较和分析。
（2）LTV是基于历史预测未来的模型
第二，不管是哪一种LTV或者CLV本质上，计算方法是预测算法。这是由生命周期价值模型的特征决定的。
我们上面说过，LTV模型是衡量长期价值的模型，一般从几个月、几年开始，短期价值评估不适用。
我们举个场景，业务人员做了广告营销投放，想评估这次投放。ROI，这很容易说。最多等10天，用户的购买数据出来，做归因分析(归因分析详情请参考归因分析)就能得到结果。但是，有必要评估投放带来的用户LTV呢？要等上一年吗？互联网日新月异，上一年团队可能会换一群人。
因此，在实践过程中，为了保证业务的及时性，LTV数据必须进行预测，我们下面所描述的一切LTV本质上，计算方法也是预测算法或逻辑。了解算法的朋友都知道，做预测难。因此，这也是计算和应用LTV最大的挑战。
正是因为是预测模型，才有了不同的计算方法。如果是统计历史的逻辑，就没什么好说的了。只需在统计时间范围内直接定义用户的价值贡献总额即可！
03
—
几种计算方法
上面已经介绍了一些大逻辑。让我们详细看看有什么。LTV的计算方法以及公式的推演。
(1)基于整体计算
根据上文中我们阐述的LTV定义是单个用户的平均价值贡献。因此，根据这一定义，我们可以有一个整体的计算逻辑：
我们可以清楚地知道用户的数量，但需要预测这些用户的总支付金额。有许多具体的预测方法，如根据用户的历史行为（如点击、浏览、额外购买等）来预测未来（如一年）的价值贡献。我们不会在这里展开后分享算法的时候可以详细聊聊。
总之，基于这个最基本的公式，我们可以计算(预测)一群用户LTV数值。
(2)基于分阶段计算
以整体为基础LTV逻辑清晰。但问题是，很难直接预测整体支付金额。
为了解决这些问题，我们根据生命周期阶段划分整体支付金额。于是有了：
我们将上述公式中的分母移入每个分子项目。以下公式：
变形后，出现了阶段1用户数/总用户数的数据项。熟悉用户留存分析的朋友应该更清楚，这实际上是阶段1留存率指标。因此，上述公式最终变为：
总体推导公式如下：
关于ARPU下面的详细得解释。
（3）基于LT和ARPU计算
开头提出了这个计算逻辑，也是目前行业内大家计算的。LTV比较流行的方法。
LT：即Life Time，代表群体用户的平均生命周期；ARPU：即Average Revenue Per User，代表每个用户在一定周期内的平均收入。
注意，ARPU值单位是用户在一定周期内的平均收入，如一年内的平均收入和三个月的平均收入。相应的LT单位也需要年月。只有这样，才能保证LT和ARPU两个(收入、贡献)是两个数值相乘的结果。
这个公式是怎么得到的？其实本质是做多层假设，所以简化了计算模型。下面我们继续沿着计算方法2进行推导，R（t）如下图所示：
这里的核心假设是：ARPU常数是不同阶段的值。另外，每个阶段的留存率之和等于生命周期，这里就不推导了，感兴趣的朋友自己算算。
04
—
相关应用落地
最后，我们来谈谈LTV一些应用落地。
（1）京东GOAL模型
我们以前分享过京东GOAL模型，模型的第三个环节：A链接是基于的CLV进行的价值提升。
对高价值CLV分析总结用户，推出高价值用户营销，提高精准营销的效率和效果。
上图是乐高对高生命周期价值用户的综合定义CLV相关推广案例。
(2)营销效果分析
我们已经提到了上面的背景部分，LTV模型可以长期衡量营销效果，弥补ROI只关注短期效果的缺点。
我们可以参考神策系统LTV相关分析能力。 这里的产品功能一般都比较完整。但是关于LTV这里支持的周期比较短，最长365天。我觉得应该是出于数据计算层面的压力设计的，因为都是基于统计值的。 此外，这里还提供LTV我觉得预测模型还是有意思的。 关于用户生命周期价值模型，今天我们分享这些内容，我不知道你是否有更基本的理解？希望这篇文章对大家有所帮助。
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时候联系我们修改或删除，多谢。
标签：
评论