LTV LTV：衡量用户对产品的价值

有效利用LTV不仅仅是衡量用户对产品的价值，更是进一步推动产品的进步。

费率代表投入产出比，用户经营活动增加的LTV量，成本代表经营活动成本。

当投入产出比大于1时，意味着这个活动有正回报。这是一个非常简单的公式，但是在实际的用户操作中很少用到。除了LTV概念没有深入普及之外，另一个关键原因是很难在短时间内衡量生命周期价值的提高。其实这个问题也不是没有解决办法。下面我们将提到如何计算LTV，从而提高LTV的投入产出比。

二、LTV的计算

目前我们会在网上看到一些LTV的一般计算方法。MMR用来表示用户给平台带来的月收入，流失率代表用户的月周转率。那么LTV的计算方法如下:

这种简单的计算方法隐含了两个假设:稳定的用户结构和稳定的用户质量。这两个假设意味着新用户的质量总是长期稳定的，从任何渠道获得的用户都有相同的损失率和收益，产品的用户规模不会有很大的波动。显然，这些假设在实践中是不存在的。这样计算出来的LTV只能作为宏观数据的参考，并不能真正指导业务。

那么，什么样的LTV计算是有价值的呢？结合我们提到的LTV的应用场景，需要能够计算出用户操作活动的投入产出比。无论是新的、保留的还是召回的，本质上都是针对不同用户的活动，每个活动的成本都是可以计算的。为了计算业务活动的投入产出比，这意味着有必要尽快发现用户群体不同维度的LTV变化。

准确计算每个用户的LTV意味着我们需要等待用户的流失，才能知道LTV的确切价值。这个过程短则几个月，长则几年。显然，用户的操作活动显然不可能等很长时间才看到这个准确的LTV结果。为了计算LTV随时间的变化，需要一些回归或预测算法。例如，最典型的新用户获取问题，BD通常放在测量一个频道的质量。除了看新客户的成本，还简单的通过一些短期数据来判断一个渠道用户的整体素质和未来的盈利能力。这些短期数据包括新客户第二天、第7天、第30天的留存数据，以及第7天、第30天的收益数据。既然BD可以利用这些数据根据人类经验做出判断，就意味着短期数据中有足够的信息来预测用户的长期LTV。

与人工考虑的短期数据相比，数据系统记录了用户在短时间内使用产品的所有行为数据，其中包含了更大的信息量。使用这些数据作为输入参数可以更好地预测LTV的结果，进而检测LTV的变化。以历史用户行为数据和最终LTV情况作为训练数据，以用户行为数据中的多维特征作为输入参数，可以得到具有较高精度的LTV预测模型。无论是使用决策树、回归算法还是神经网络，只要满足数据量，预测精度基本都能得到保证。一旦我们有了这样的LTV预测模型，用户操作的结果就可以得到有效的监控。

虽然机器学习的预测算法已经非常成熟，越来越普及，但确实不是所有公司都有能力开发预测模型。如果没有开发预测模型的能力，负责用户操作的学生也可以根据用户的历史短期保留率和短期收入数据拟合出粗略的LTV计算公式。作为用户操作的基本数据模型。

第三，LTV的应用

当LTV的数据计算方法得到各方认可后，可以用LTV来检验用户的操作效果，沉淀后续用户操作活动的体验。

在用户获取和用户回忆时，通过不同的渠道获取基于用户短期行为数据的LTV预测。在计算LTV后，我们可以综合考虑交付成本，确定不同渠道的价值，从而确定哪种交付组合是获取用户的最有效方法。当用户保持时，无论是做活动还是发优惠券，都需要测量这些用户操作活动后LTV预测值的变化。根据LTV预测值的改进结果，我们可以了解不同活动的质量，然后总结如何以保留为目的改进后续的运营活动。

不仅仅是日常的用户运营活动需要看LTV，还有一些特殊的阶段，比如早期成长或者是制作行业面临激烈竞争的时候。在这些特殊阶段，团队决策层的注意力可能只集中在用户操作结果的绝对数量上，比如活跃用户数、新用户数等。即使在这种情况下，用户操作的投入产出比也可以为负，这并不意味着可以放弃LTV。在资源有限的情况下，总能找到最优解。使用LTV提前预测不同投资组合的效果后，在产品早期或竞争期会更有优势。

有效利用LTV不仅仅是衡量用户对产品的价值，更是进一步推动产品的进步。

#专栏作家#

潘，知乎专栏:产品逻辑之美，大家都是产品经理专栏作家。THU/PM，关于产品，除了概念和界面，我们还可以谈点别的

这篇文章最初发表是因为每个人都是产品经理。未经允许禁止复制。

图片来自unsplash