您现在的位置是:首页 >> 电商

LTV(CLV)模型:衡量营销投放的长期用户价值(全网最详解读)真没想到

2022-10-25 13:59:41 电商 52人已围观

简介编辑编者按:使用者开发周期性商业价值CLV是许多爸爸妈妈都母汤氏的基本概念,可能将许多好友也应用领域过但那个数学模型的应用领域情景、排序方法论的演进,可能将许多好友并没做详尽的探求这篇该文对“LTV(CLV)”进行了详尽的传授,一起看看吧。 那时和我们撷取两个做网络营销导入、做使用者增长非常高度关注的...


编辑编者按:使用者开发周期性商业价值CLV是许多爸爸妈妈都母汤氏的基本概念,可能将许多好友也应用领域过但那个数学模型的应用领域情景、排序方法论的演进,可能将许多好友并没做详尽的探求这篇该文对“LTV(CLV)”进行了详尽的传授,一起看看吧。

那时和我们撷取两个做网络营销导入、做使用者增长非常高度关注的分项数学模型:使用者开发周期性商业价值使用者开发周期性商业价值CLV(Customer Lifetime Value,也有称LTV:Life Time Value,两者完全那样),相信是许多爸爸妈妈都母汤氏的基本概念,可能将许多好友也应用领域过。

但真正那个数学模型的应用领域情景、排序方法论的演进,可能将许多好友并没做详尽的探求目前行业中大部分的该文也是莱盖,简单指涉 LTV = LT × ARPU 式子,没对本质原理略有传授那时我来做个试著,争取把使用者开发周期性那个数学模型彻底讲明白,希望对我们略有帮助。

一、背景、表述及商业价值首先谈谈,什么是使用者开发周期性商业价值,和是用于解决什么问题的1. 使用者开发周期性商业价值的表述简而言之,使用者开发周期性商业价值,是来衡量使用者在整座产品周期性中(或是两个天数期内),对网络平台或是企业重大贡献总的商业价值投资收益多少的分项。

这是两个偏长年的来衡量分项

举个例子,两个使用者注册了京东APP,总共使用了2年,后来就外流了、改投拼多多那个使用者2年期间总共在京东重大贡献了23000的消费金额,那那个使用者在京东的开发周期性商业价值是23000当然,由于整体的开发周期性常常比较长,可能将是几年、几十年,特别靠后的期,常常重大贡献的商业价值较低,因而在实践操作过程中,常常用一段天数内的投资收益作为整座开发周期性的来衡量。

比如3个月、1年等,即使1年的天数,对大部分使用者可能将和完成了从导入到外流的操作过程但即便再短,和ROI相比都长许多,即使ROI的排序周期性一般来说也就15天左右2. GUI解释下面,他们从GUI的角度嘿嘿开发周期性商业价值。

先看右图,这是他们做使用者开发周期性时经常看到的一张图(关于开发周期性可以参照该文《开发周期性分割方法论排序》)。

横轴:即LT(开发周期性)代表者了天数层次,即使用者在网络平台的所在期那个期的分割方法论和名称有各种各样的,但略有不同,一般是导入期、成长年、收获期、成长年横轴:代表者了使用者对网络平台重大贡献的商业价值使用者在不同期,常常对网络平台的重大贡献商业价值也是不那样的。

稳定收获期,一般来说重大贡献的商业价值多些;考察导入期、成长年自然重大贡献的少他们假定使用者的缔造商业价值是个连续的操作过程,而根据表述,使用者开发周期性商业价值是整座使用者开发周期性内,缔造的总的商业价值因而,抛物线下的阴霾面积是他们高度关注的使用者开发周期性商业价值LTV(CLV)。

这类似于点数的意思

本文第二节撷取LTV的排序方法论演算,理解了这里的面积代表者LTV(CLV)的基础设定,后面许多方法论的排序就清晰多了3. 解决了什么问题从表述上能看出来,使用者开发周期性商业价值其实是两个层次:开发周期性和重大贡献商业价值以往他们做使用者运营或是做使用者网络营销,常常只高度关注了其中两个层次。

比如,他们关心使用者的留存率(关于留存分析可以参照历史该文《留存分析》);比如,他们做了一次广告导入,高度关注导入后的使用者带来了怎样的成交商业价值(关于导入的分项评估可以参照该文《线上广告效果评估》)但这种单层次的评估,是否存在啥问题呢?

比如说,留存率高、使用者开发周期性长,是否代表者了使用者商业价值高?

再比如,导入后的使用者ROI很高,是否代表者了这次导入效果一定很好?

答案都是否定的使用者留存率高,但长年重大贡献的消费很低(即上面生命商业价值周期性抛物线中的横轴数值很低),都是白嫖党,给网络平台带来不了任何收入,那这种使用者并不是网络平台要高度关注的最优使用者,他们产品提供服务最终都是需要商业化收入的。

同样,如果广告导入只高度关注短期ROI,可能将很高,但使用者消费一次就走了(即上面商业价值抛物线图中的横轴很短),难以在网络平台实现复购、多次转化,从长年来看,这次导入效果是失败的;相反,如果短期内的ROI比较低,但获取的使用者长年商业价值重大贡献很高,如果单纯看短期ROI,很容易就忽略了这种潜在商业价值,丧失机会抓取。

因而,使用者开发周期性商业价值数学模型将留存和商业价值两个层次结合在一起,从长年角度评估某个使用者、某群使用者、某个渠道使用者的质量水平,这种评估方法更加科学与全面,会帮助企业从更加长年的角度发展业务与开展使用者增长运营二、方法论细节阐述。

上面他们了解了LTV的背景、相关表述和解决的问题,下面他们看看具体LTV的一些细节这里我总结了一下,和各位好友一起探讨,有助于对生命商业价值周期性数学模型的深入理解1. LTV是基于单人量纲的数学模型首先,我们讲的LTV其实从人群上区分,可以分为两类:单个人的,和一群人的。

都是可以排序LTV

针对单个人:他们可以回看一下上文中的生命商业价值周期性抛物线图把这张图当做两个具体使用者的商业价值变化,阴霾面积则是那个人的LTV针对一群人:上文的抛物线图横轴还是开发周期性,那个维持不变可以理解,那横轴的商业价值重大贡献是这群人的总重大贡献还是平均重大贡献呢?他们注意一下,当一群人来衡量LTV的时候,取得是这群人的平均商业价值重大贡献。

因而,无论是单人还是多人,开发周期性商业价值数学模型算下来都是平均单人的商业价值那个其实好理解如果是总商业价值重大贡献,那么人群数量将成为影响因素,开发周期性商业价值就很难在同一层次下做对比分析了2. LTV是基于历史预测未来的数学模型。

其次,无论是那种LTV或是CLV的排序方法,本质上都是预测算法这是开发周期性商业价值数学模型的特征决定的他们上面讲过,LTV数学模型是来衡量长年商业价值的数学模型,一般都是几个月、年度起,不适用短期商业价值评估他们举个情景,业务人员做了一次广告网络营销导入,想评估这次导入的ROI,那个好说,最多等上10来天,使用者的购买数据出来了,做做归因分析(关于归因分析可参照《归因分析详解》)就能得出结果。

但要评估导入带来使用者的LTV呢?需要等上一年?互联网变化日新月异,等上一年可能将团队都换了一拨人了因而,在实践操作过程中,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,他们下文中阐述的所有的LTV的排序方法,本质上也都是预测的算法或是方法论。

了解算法的好友们都清楚,做预测是非常难的因而这也是排序、应用领域LTV最大的挑战

也正是即使是预测数学模型,所以才有了不同的排序方法如果是统计历史的方法论,也没啥好说的,直接按照表述统计天数范围内使用者的商业价值重大贡献总额就好了嘛!三、几种排序方法上面关于一些大的方法论已经介绍的八九不离十了,下面他们详尽看看有哪些LTV的排序方法和式子的推演。

1. 基于整体排序根据上文中他们阐述的LTV的表述,是平均单个使用者的商业价值重大贡献因而,根据那个表述,他们可以有整体的排序方法论:LTV=SUM(某批使用者付费总额)/总使用者数        其中使用者数他们是可以明确知道的,但这批使用者的总付费金额需要进行预测了。

具体的预测方法有许多,比如可以基于使用者的历史行为(比如点击、浏览、加购等)进行预测未来一段天数(例如一年)的商业价值重大贡献他们这里就不展开了,后续进行算法相关的撷取的时候可以详尽谈谈总之,基于那个最基础的式子,他们可以排序(预测)某群使用者的LTV数值。

2. 基于分期排序基于整体进行LTV的排序,方法论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,他们将整体的付费金额按照开发周期性的期进行分割拆解于是有了:LTV=sum(期1使用者付费总额+期2使用者付费总额+……)/总使用者数 =sum(期1使用者数×期1使用者ARPU+期2使用者数×期2使用者ARPU+……)/总使用者数。

他们把上面式子中分母移入每两个分子项目中有以下式子:LTV=期1使用者ARPU×期1使用者数/总使用者数 +期2使用者ARPU×期2使用者数/总使用者数+……        变形后,出现了【期1使用者数/总使用者数】的数据项。

如果熟悉使用者留存分析的好友,应该会比较清楚这其实是【期1留存率】分项因而,上面的式子最终变为:LTV=期1使用者ARPU×期1留存率+期2使用者ARPU×期2留存率+……        总体的推导式子如下:

关于ARPU值得解释下文详述3. 基于LT和ARPU排序那个排序方法论开头部分就提出来了,也是目前行业里我们排序LTV比较流行的方法LTV = LT × ARPULT:即Life Time,代表者群体使用者的平均开发周期性长短。

ARPU:即Average Revenue Per User,代表者每个使用者在某个周期性内的平均收入注意,ARPU值的单位是某个周期性内的使用者平均收入,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、重大贡献)那个式子是怎么得出来的呢?其实本质是做了多层的假定,所以简化了排序数学模型下面他们沿着排序方法2继续推导一下,R(t)是留存率,如右图:。

这里的核心假定是:ARPU值在不同期是常数另外用到了各期留存率之和等于开发周期性,这里就不推导了,感兴趣的好友自己演算一下四、相关应用领域落地最后,他们谈谈关于LTV的一些应用领域落地1. 京东GOAL数学模型。

之前他们撷取过京东GOAL数学模型(参见该文《GOAL数学模型》),其中数学模型的第三个环节:A环节是基于CLV进行的商业价值提升。

通过对高商业价值CLV的使用者进行分析汇总,对高商业价值使用者进行网络营销导入,提升精准化网络营销的效率和效果。

上图是乐高综合表述高开发周期性商业价值使用者,进行CLV相关的提升的案例2. 网络营销导入效果分析在上文的背景部分,他们已经提到过,LTV数学模型可以从长年来衡量网络营销导入的效果,弥补ROI只高度关注短期效果的缺点他们可以参照神策系统中关于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关于LTV的周期性,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排序层面的压力设计的,即使这里都是基于统计值的另外,这里也提供了LTV的预测数学模型,我觉得还是有些意思的。

关于使用者开发周期性商业价值数学模型,那时他们撷取这些内容,不知道各位好友是否有了两个比较基础的了解?希望本文对我们略有帮助#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。

Tags:

站点信息

  • 文章统计4935篇文章
  • 微信公众号:扫描二维码,关注我们