cover_image

LTV在流利说业务的实践

Data Team 流利说技术团队 2022年11月23日 10:00

在业务中你是否会遇到类似问题:

  • 用更高的边际成本获取更多的流量可行吗?
  • 哪些用户的质量更高?
  • 产品迭代是否提升了用户价值?

那么你需要了解一个关键元素,那就是LTV。这里我们会结合流利说的业务对这一概念进行详细讲解。

1 相关概念

LTV(Lifetime Value)是指用户整个生命周期所产生的价值。这一概念从上世纪80年代起就有提及,在市场营销领域发挥着重要作用。学术研究时对LTV的定义略有不同,有些定义是剔除成本项后的净利润,有些是指未来所有利润贴现后的净现值[1]。流利说在实际应用中会结合CAC(Customer Acquisition Cost,单个用户获取成本),计算出ROI(Return on Investment,投资回报率)进行分析,后续LTV是指单个用户贡献的所有收入,未剔除成本。

2 预估逻辑

LTV需要结合业务的实际情况,选用适当的方法进行预估。在流利说的业务背景下,用户生命周期产生的价值主要与「注册->首购->后续复购->流失」这些环节有关,从用户购买路径出发思考LTV的计算方式,公式如下:

以首购为节点分两步预估:

第一步,预估长期首购转化率:用「注册->首购」的历史数据线性回归,得到首购回归系数,结合当日首购率作为基准预估长期首购率;

第二步,预估首购用户LTV:把sku进行归类,将用户首购及流失前的复购行为路径用多叉树展示,历史数据作为支撑,得到路径上每个节点的AOV(Average Order Value,平均客单价),节点概率为预估复购率,即近期复购率*复购回归系数。

下图为首购用户LTV预估逻辑,以单类首购sku,复购两次为例,计算公式为:

图片

实际情况会更加复杂,多种首购sku类型,结合更多次复购,预估方法与上述逻辑类似。

3 模型评估

LTV预估周期比较长,时间越久预测越贴合实际。如下图所示,从2018年及之前的历史数据来看,预测值 predicted_ltv 和真实值 real_value 趋势基本一致,real_value 为已发生的实际用户人均价值。

图片

模型残差在0附近波动,平均误差MAPE指标为12.4%,预测较为准确。

图片

4 实际应用

开篇提到的问题,也就是LTV的部分应用场景,将在这一部分展开说明。

4.1 获客指导

新增用户购买周期长,实际价值对比用户生命整体周期价值具有滞后性,无法用以判断当下是否追加投放。在LTV预估较为准确的前提下,通过设定ROI(=LTV/CAC)目标,一般至少大于1,评估最大CAC,实现成本可控。

另外,对于投放效果而言,获客数量多寡不能作为唯一的评判标准,用户的质量也尤为重要。分渠道维度来看,LTV可以帮助我们投放资源向高质量渠道倾斜,提升整体投放ROI。

4.2 精细化运营

同一sku类别,表现在各个用户群体的价值是不同的。分人群属性来看(比如地域、职业、年龄、兴趣爱好等),将同维度或者组合维度的各类用户LTV进行指标拆解,解析不同人群LTV差异原因。在增量市场转为存量市场的现状下,如何在有限的用户基础上实现收益最大化,需要我们探索精细化运营的方向,参考各维度用户群体LTV指标表现,进行推荐个性化方案及差异化运营策略,比如对不同客群拓展不同品类sku,最终精准营销促进目标转化,提升整体用户价值。

4.3 产品迭代

产品迭代时通常会关注转化率与留存等实时可观测数据,大部分情况下转化率及留存等数据与用户价值正相关,可以衡量迭代效果。但有些情况较为特殊,转化率和留存不一定提升,但用户价值明显提升,比如App迭代sku及客单价。市场侧投放能否因此而加大投入,需要借助LTV这一指标来验证产品迭代的有效性,对决策提供数据支持。

5 展望

当前LTV预估逻辑,在流利说业务体系下,不同sku复购的差异化比较明显,所以预估方法也是基于sku类型的多叉树模型。但如果后续想基于某种用户属性维度进行预测,需要将属性与sku类型同时作为参数,建立最终模型,数据才会更加贴合属性维度的差异化。

6 参考文献

[1] Hwang, H., Jung, T., & Suh, E. (2004). An LTV model and customer segmentation based on customer value: a case study on the wireless telecommunication industry. Expert systems with applications, 26(2), 181-188.


微信扫一扫
关注该公众号

继续滑动看下一个
流利说技术团队
向上滑动看下一个