LTV在流利说业务的实践
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：
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。
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。
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.