LTV(CLV)模型:衡量营销投放的长期用户价值(全网最详解读)

4 评论 9874 浏览 78 收藏 17 分钟

编辑导语:用户生命周期价值CLV是很多小伙伴都听过的概念,可能很多朋友也应用过。但是这个模型的应用场景、计算逻辑的演变,可能很多朋友并没有做详细的探究。这篇文章对“LTV(CLV)”进行了详细的讲解,一起看看吧。

今天和大家分享一个做营销投放、做用户增长非常关注的指标模型:用户生命周期价值。

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),相信是很多小伙伴都听过的概念,可能很多朋友也应用过。但是真正这个模型的应用场景、计算逻辑的演变,可能很多朋友并没有做详细的探究。

目前行业中大部分的文章也是泛泛而谈,简单套用 LTV = LT × ARPU 公式,没有对本质原理有所讲解。今天我来做个尝试,争取把用户生命周期这个模型彻底讲明白,希望对大家有所帮助。

一、背景、定义及价值

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. 用户生命周期价值的定义

顾名思义,用户生命周期价值,是衡量用户在整个产品周期中(或者一个时间阶段内),对于平台或者企业贡献总的价值收益多少的指标。这是一个偏长期的衡量指标。

举个例子,一个用户注册了京东APP,一共使用了2年,后来就流失了、转战拼多多。这个用户2年期间一共在京东贡献了23000的消费金额,那这个用户在京东的生命周期价值就是23000。

当然,由于整体的生命周期往往比较长,可能是几年、几十年,特别靠后的阶段,往往贡献的价值极低,因此在实践过程中,往往用一段时间内的收益作为整个生命周期的衡量。比如3个月、1年等,因为1年的时间,对于绝大部分用户可能以及完成了从引入到流失的过程。

但是哪怕再短,和ROI相比都长很多,因为ROI的计算周期通常也就15天左右。

2. 图形化解释

下面,我们从图形化的角度解释一下生命周期价值。

先看下图,这是我们做用户生命周期时经常看到的一张图(关于生命周期可以参考文章《生命周期划分逻辑计算》)。

  • 横轴:即LT(生命周期)。代表了时间维度,即用户在平台的所处阶段。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:代表了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。稳定成熟期,通常贡献的价值多一些;考察引入期、衰退期自然贡献的少。

我们假设用户的创造价值是个连续的过程,而根据定义,用户生命周期价值是整个用户生命周期内,创造的总的价值。因此,曲线下的阴影面积就是我们关注的用户生命周期价值LTV(CLV)。这有点像积分的意思。

本文第二节分享LTV的计算逻辑演算,理解了这里的面积代表LTV(CLV)的基础设定,后面很多逻辑的计算就清晰多了。

3. 解决了什么问题

从定义上能看出来,用户生命周期价值其实是两个维度: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。比如,我们关心用户的留存率(关于留存分析可以参考历史文章《留存分析》);比如,我们做了一次广告投放,关注投放后的用户带来了怎样的成交价值(关于投放的指标评估可以参考文章《线上广告效果评估》)。

但是这种单维度的评估,是否存在啥问题呢?

比如说,留存率高、用户生命周期长,是否代表了用户价值高?

再比如,投放后的用户ROI很高,是否代表了这次投放效果一定很好?

答案都是否定的。

用户留存率高,但是长期贡献的消费很低(即上面生命价值周期曲线中的纵轴数值很低),都是白嫖党,给平台带来不了任何收入,那这种用户并不是平台要关注的最优用户,我们产品提供服务最终都是需要商业化收入的。

同样,如果广告投放只关注短期ROI,可能很高,但是用户消费一次就走了(即上面价值曲线图中的横轴很短),难以在平台实现复购、多次转化,从长期来看,这次投放效果就是失败的;相反,如果短期内的ROI比较低,但是获取的用户长期价值贡献很高,如果单纯看短期ROI,很容易就忽略了这种潜在价值,丧失机会抓取。

因此,用户生命周期价值模型将留存和价值两个维度结合在一起,从长期角度评估某个用户、某群用户、某个渠道用户的质量水平,这种评估方法更加科学与全面,会帮助企业从更加长期的角度发展业务与开展用户增长运营。

二、逻辑细节阐述

上面我们了解了LTV的背景、相关定义以及解决的问题,下面我们看看具体LTV的一些细节。这里我总结了一下,和各位朋友一起探讨,有助于对于生命价值周期模型的深入理解。

1. LTV是基于单人量纲的模型

首先,大家讲的LTV其实从人群上区分,可以分为两类:单个人的,和一群人的。都是可以计算LTV。

  • 针对单个人:我们可以回看一下上文中的生命价值周期曲线图。把这张图当做一个具体用户的价值变化,阴影面积则是这个人的LTV。
  • 针对一群人:上文的曲线图横轴还是生命周期,这个维持不变可以理解,那纵轴的价值贡献是这群人的总贡献还是平均贡献呢?我们注意一下,当一群人衡量LTV的时候,取得是这群人的平均价值贡献。

因此,无论是单人还是多人,生命周期价值模型算下来都是平均单人的价值。

这个其实好理解。如果是总价值贡献,那么人群数量将成为影响因素,生命周期价值就很难在同一维度下做对比分析了。

2. LTV是基于历史预测未来的模型

其次,无论是那种LTV或者CLV的计算方法,本质上都是预测算法。这是生命周期价值模型的特征决定的。

我们上面讲过,LTV模型是衡量长期价值的模型,一般都是几个月、年度起,不适用短期价值评估。

我们举个场景,业务人员做了一次广告营销投放,想评估这次投放的ROI,这个好说,最多等上10来天,用户的购买数据出来了,做做归因分析(关于归因分析可参考《归因分析详解》)就能得出结果。但是要评估投放带来用户的LTV呢?需要等上一年?互联网变化日新月异,等上一年可能团队都换了一拨人了。

因此,在实践过程中,为了保证业务使用时效性,LTV的数据肯定是需要进行预测的,我们下文中阐述的所有的LTV的计算方法,本质上也都是预测的算法或者逻辑。了解算法的朋友们都清楚,做预测是非常难的。因此这也是计算、应用LTV最大的挑战。

也正是因为是预测模型,所以才有了不同的计算方法。如果是统计历史的逻辑,也没啥好说的,直接按照定义统计时间范围内用户的价值贡献总额就好了嘛!

三、几种计算方法

上面关于一些大的逻辑已经介绍的八九不离十了,下面我们详细看看有哪些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的定义,是平均单个用户的价值贡献。因此,根据这个定义,我们可以有整体的计算逻辑:

LTV=SUM(某批用户付费总额)/总用户数
其中用户数我们是可以明确知道的,但是这批用户的总付费金额需要进行预测了。具体的预测方法有很多,比如可以基于用户的历史行为(比如点击、浏览、加购等)进行预测未来一段时间(例如一年)的价值贡献。我们这里就不展开了,后续进行算法相关的分享的时候可以详细聊聊。

总之,基于这个最基础的公式,我们可以计算(预测)某群用户的LTV数值。

2. 基于分阶段计算

基于整体进行LTV的计算,逻辑比较清晰明了。但问题是,直接预测整体的付费金额是比较难的一件事。

为了解决这类难题,我们将整体的付费金额按照生命周期的阶段进行划分拆解。于是有了:

LTV=sum(阶段1用户付费总额+阶段2用户付费总额+……)/总用户数 =sum(阶段1用户数×阶段1用户ARPU+阶段2用户数×阶段2用户ARPU+……)/总用户数
我们把上面公式中分母移入每一个分子项目中。有以下式子:

LTV=阶段1用户ARPU×阶段1用户数/总用户数 +阶段2用户ARPU×阶段2用户数/总用户数+……
变形后,出现了【阶段1用户数/总用户数】的数据项。如果熟悉用户留存分析的朋友,应该会比较清楚这其实就是【阶段1留存率】指标。因此,上面的公式最终变为:

LTV=阶段1用户ARPU×阶段1留存率+阶段2用户ARPU×阶段2留存率+……
总体的推导公式如下:

关于ARPU值得解释下文详述。

3. 基于LT和ARPU计算

这个计算逻辑开头部分就提出来了,也是目前行业里大家计算LTV比较流行的方法。

LTV = LT × ARPU

LT:即Life Time,代表群体用户的平均生命周期长短。

ARPU:即Average Revenue Per User,代表每个用户在某个周期内的平均收入。

注意,ARPU值的单位是某个周期内的用户平均收入,比如一年内的平均收入、3个月平均收入。相应的LT的单位也需要是年、月。只有这样,才能保证LT和ARPU两个数值相乘,得到的结果的单位是金额(收入、贡献)。

这个公式是怎么得出来的呢?其实本质是做了多层的假设,所以简化了计算模型。下面我们沿着计算方法2继续推导一下,R(t)是留存率,如下图:

这里的核心假设就是:ARPU值在不同阶段是常数。另外用到了各阶段留存率之和等于生命周期,这里就不推导了,感兴趣的朋友自己演算一下。

四、相关应用落地

最后,我们聊聊关于LTV的一些应用落地。

1. 京东GOAL模型

之前我们分享过京东GOAL模型(参见文章《GOAL模型》),其中模型的第三个环节:A环节就是基于CLV进行的价值提升。

通过对高价值CLV的用户进行分析汇总,对高价值用户进行营销投放,提升精准化营销的效率和效果。

上图是乐高综合定义高生命周期价值用户,进行CLV相关的提升的案例。

2. 营销投放效果分析

在上文的背景部分,我们已经提到过,LTV模型可以从长期衡量营销投放的效果,弥补ROI只关注短期效果的缺点。

我们可以参考神策系统中关于LTV相关的分析能力。

这里的产品功能呢,总体还是比较完备的。但是关于LTV的周期,这里支持的都比较短,最长也就365天,我觉得应该是出于数据计算层面的压力设计的,因为这里都是基于统计值的。

另外,这里也提供了LTV的预测模型,我觉得还是有些意思的。

关于用户生命周期价值模型,今天我们分享这些内容,不知道各位朋友是否有了一个比较基础的了解?

希望本文对大家有所帮助。

#专栏作家#

NK冬至,公众号:首席数据科学家,人人都是产品经理专栏作家。在金融领域、电商领域有丰富数据及产品经验。擅长数据分析、数据产品等相关内容。

本文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。

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 很详细!作者大大,请问您知道神策LTV预测的算法吗~

    来自浙江 回复
  2. 云里雾里

    来自广东 回复
  3. 作者关于用户生命周期价值写的太详细了,学到了很多新的知识

    来自江苏 回复
    1. 感谢认可~欢迎关注同名公号

      回复