如何计算用户生命周期天数?

产品经理就业班,12周特训,测、练、实战,22位导师全程带班,200+名企内推,保障就业!了解详情

此文写在去年了,当时是给老板的一个汇报,针对用户的生命周期长度一直有争议,查阅了网站上一些达人的分享和自己的一些经验理解后,有以下内容,欢迎各位探讨。原创,第一次发文。

背景:化妆品零售企业,渠道有电商平台及线下专柜,此次取值电商平台为淘宝旗舰店的数据;品牌隐去。

会员数:190W

用户生命周期(Life Time),也称作留存天数,从字面意思就可以知道,从用户第一次购买,到最后一次购买的天数。与之相关的是留存率,留存率和生命周期不一样,单独谈论留存率没有意义,前面要加上一个时间定义,才能确认数值,如次日留存率,7日留存率,月度留存率,季度留存率,年度留存率等。

最近也查阅了一些资料,也向一些行内人士进行了请教,目前用户生命周期天数被用到最多的通常为互联网行业,会对用户对网站/游戏/app/论坛的留存进行天数计算。一般会有以下三种方法:

在这里有个前提,所有消费次数=1的用户,不计算在生命周期的取值内,也就是生命周期所计算的是用户>=2的用户的生命周期天数。次数=1,说明买了一次就流失了,和品牌仅有一次接触点,生命周期=0,不做计算。这部分用户,线上线下仅一次消费会员占比70%。

1、 完整生命周期法

取值的用户对象必须在一个完整生命周期内,计算它们第一天到最后一天的消费天数,取平均值。

在这里我们将用户的流失天数定位365天,也就是一个用户>=365天未产生回购,我们默认她成为流失客户,这时她度过了一个完整的生命周期,那么她第一次与最后一次的消费时间差则为她的生命周期天数。

我们在取值的时候用的就是这种方法,此方法的优势在于计算周期天数准确,劣势在于及时性不高,因为确保用户在完整生命周期内。以为数据样本是1年之前的数据样本,反映的结果是一年之前的用户生命周期结果。以下是计算的2个数据:

在今年4月的时候我们分别对于线下专柜,以及天猫渠道进行了会员生命周期天数的计算,结果分别如下:

  • 专柜会员生命周期天数:75
  • 电商会员生命周期天数:212

对比去年10月左右的数据:

  • 专柜会员生命周期天数:92
  • 电商会员生命周期天数:165  (注意按照这个时候的计算双11大促未包含进去)

这个数据当时造成了2个疑问:1,专柜为什么如此低?电商为什么如此高?2、电商为何提升如此大?

首先至于数值的高低,需要通过对比,才能得出结论,目前行业内关于用户生命周期天数这一公开数据较少,从我原来的工作经验,以及行业人士分享得到的一般日化的会员生命周期天数大概在6个月左右,180天左右属于较常见天数。

其中美容院等专业线的产品,生命周期要更长一些,本品牌定义为敏感肌肤产品,理论上用户生命周期长度应当在普通日化之上,所以212天这个数字,整体上来看是正常的。

但专柜的确是偏低的,主要原因是根据这一方法的取数逻辑,专柜的会员样本为2016年4月之前消费的顾客,而专柜整体也只是从2016年初进行扩张发展,导致样本量少,本身样本的存在周期就短。数据误差较大。

那么电商为何从165提升到了212天,主要原因是9月取值时,未包含15年的双11大促,而15年双11大促之后,对用户有个比较大的唤回(其中超过180天的占57%),这部分人大大的拉长了生命周期的平均值,如下图是完整生命周期内的用户生命周期天数分布表,虽然0-90占比最大,但是拉动弱,最顶部的长周期的拉动平均值的力度大,再说>=270天的占比能达到29%也是一个较高的值,主要在促销活动期间被拉动。

当然说到这里问题暴露的也很明显,根据这种逻辑,虽然得出数值准确,但实际上只是1年前的会员生命周期长度,反映不了目前的会员留存。

那就来看下生命周期计算的第二种方法:

二、全样本统计

指的是把全部用户最后一次购买的日期,减去他第一次购买的日期,就是单个用户的留存天数。把所有用户的单用户留存天数平均一下,就是生命周期天数了。

这个统计方法的优势在于能反映当前数值;问题在于非常不灵敏,基本上最近几个月除非大促活动产生,统计出的结果基本都一致,另外就是时间跨度要足够长,得出来的数据才会相对准确一些。另外整个计算是包含了未进行完整生命周期的用户的,不够精确。

按照上面的逻辑得出的线上线下会员的生命周期天数为

  • 线下专柜:163
  • 天猫商城:263

其中可以看到线下专柜的生命周期数据上升幅度达,趋于正常,整体上来看线下随着数据样本量的增大,时间的拉长,实际的生命周期天数应该还是高于这个值将趋于准确;

对于天猫上升到了263天这个数值的增长,未考虑超过365天的会员回购的可能性,默认为已经流失,但实际上有将近3%的流失会员在双11大促被重新唤醒,且其中仅在促销期间消费(也就是中间未产生任何消费)的人群,占了16%,且这个趋势在逐年增长,14年为10%,15年为12%,16年为20%。

对于天猫这个值,是反映当前会员生命周期比较准确的一个值;

第三种方法,倒推法

每一个活跃用户,从他们的首次消费时间到当前消费的时间差,平均一下,就得出留存天数了。可以按日、按周、按月,我们这里取按月的值。

这个取值的方法精准性较差,周期越短越不准,且有个明显的误差,就是统计的样本,都是留存下来的样本,在统计周期内的用户都没有统计到。此种方法虽然灵敏度高,但是误差较大。

对比以上三种用户留存天数的取值方法,可能还是比较混乱,直接把结果提炼出来就是:

目前专柜的会员生命周期,前期是因为样本量少,专柜运营周期短,得到的结果误差较大,目前专柜数据正处于一个稳定期,会员生命周期数据,将会呈现升幅较大的状态,预估目前在190天左右,因为专柜本身运营天数的累积,会快速上升之后趋于稳定;

对于天猫旗舰店的会员生命周期数据,如果我们只看总平均值,目前的生命周期天数应当与第二种算法接近在260天,也就是8,9个月左右,其中大促影响巨大,每年双11有50%左右的180天沉睡会员被唤醒,这部分人的在周期长度上整体拉升了平均值。但是如果用户的生命周期长度主要是被大促所拉动,那么在一定程度上这不是一件好事情,因为用户主要对价格敏感,而不是对品牌忠诚。

对于日常来看用户的生命周期是一个时间段的过程,是结果,并且在短期内变化不大的指标,想要获得高灵敏度的数据指标作为会员维护的参考,看一个时间段的留存率会更加适合一些,

对于我们品牌的用户3个月内为最优复购区间,于是我们来按照季度取用户的留存率:

目前专柜和电商的季度留存率差别不大,日常专柜要稍微优于电商,电商在大促节点要明显高于专柜。大促对于会员留存率的指标变化影响很大,图示2016年8-9会员的季度留存达到53%,而大促当月的会员留存率最低,原因是通过活动短时间内积累大量新客,流失率也高。

以上为关于会员生命周期天数的一个探讨,内里还有一些细节需要去做验证,整体上说会员生命周期反应了用户与品牌的粘性与用户价值,但生命周期作为一个阶段性的长指标,在短时间内不具备高敏感性,而从季度留存率指标来看,我们可以快速的了解到每个月的会员季度留存情况,并可以运用在实际工作中,进行指标跟进和匹配营销动作。留存率的指标对实际工作更具有意义。

 

本文由 @ kitty 原创发布于人人都是产品经理。未经许可,禁止转载。

题图来自unsplash,基于CC0协议

赞赏是对原创者的最大认可
4人打赏
评论
欢迎留言交流
  1. 沙发来一个

    回复
  2. 你好,第三种计算方法没太看明白,字面上跟第二种好像一样,能麻烦再细说一下么

    回复
    1. 样本不一样,第二种方法的样本是全量用户;第三种是当前留存的样本。

      回复