欢迎光临
专注互联网新闻干货分享

史上最全!不同阶段计算LTV的方法和模型!

wz

原文作者:YANIV NIZAN,译者:牛牛的社区

微信公众号:牛牛的社区,译者授权发表,转载请联系译者。

欢迎投稿到,投稿邮箱:mm@zaodula.com

 

第一件事情是要问明白计算LTV的目的是什么。如果你有一款基于免费模式的手游,那么毫无疑问用户终身价值就是该款游戏的主要KPI。以下是原因:

  • 在设计阶段,先要做Benchmark分析,你需要估算跟你游戏类似的LTV及他们的CPI,以确保项目能有足够的投入预算。换言之,你需要先保证项目最后能赚钱。
  • 当进入试运营(soft launch)阶段,你需要测算并不断优化LTV,以确保它能超过预期的CPI。
  • 在市场推广阶段,你需要定位到CPI<LTV的目标用户群体,只要这个条件一直满足,就应该不断往里面增加投入。

设计阶段的“原始”LTV计算

游戏发布之前是没有真实数据的,只要一些假设数据即可。因此,你需要使用“原始”的计算方法,即简单地将ARPDAU乘以单个用户的预期生命时间即可。

举例:ARPDAU * Lifespan = 0.05 * 26 = 1.3

062501

分析:

输入:

  • ARPDAU
  • 预期的用户生命周期:用户有可能使用APP的时间长度。可以基于其他app进行估算,或者追踪用户直到他不再出现在游戏里

输出:

  • 预计每用户的LTV

优势:

  • 简单
  • 有利于了解用户LTV

劣势:

  • 方法太过简单,且只假设所有用户在同一时间内均留存
  • 无法提前得知用户会留存多久

试运营阶段需要建造用户留存模型

在试运营阶段,你需要一个不同的方式。此阶段的情况已经变了,因为你已经有了关于游戏留存率和付费情况的数据。具体需要ARPDAU和至少下列的留存率数据:次日、7日、14日和30日。建造留存率模型是一个复杂的数学测试,它需要用到统计回归、对数函数和积分运算。

计算方式

假设留存函数是 y=a*x^b的幂函数,其中x为使用天数,a和b是模型的系数。首先预估的是180天内的留存率。它使用了第2天、7天、14天、30天和180天的加权系数,加权值为:2.5、7、12、57.5、100(顺序对应)。基于LTV公式的加权系数比在幂函数求积分更简单,对于精确度的影响也没有那么大。当用户生命周期计算好后,用ARPDAU乘以生命周期即可轻松计算出LTV值。

举例:ARPDAU * lifespan = 0.155 * 9.02 = 1.40

062502

分析:

输入:

  • 次日、7天、14天、30天的留存
  • ARPDAU(前30天)

输出:

  • 用户预期的生命周期:所有用户的留存总和 (用户数 * 天数)
  • 180天的LTV

优势:

  • 简单
  • 几乎与更复杂的模型一样准确

劣势:

  • 30天的留存率加权过重
  • 以ARPDAU不变为前提进行的假设

 

市场推广阶段的细分LTV计算

当你的游戏准备问世时,你将会对于终身价值的计算有新的需求。此阶段与广告投放和用户获取有关,目标就是让LTV高于CPI。但并不是所有用户都要满足这个条件,只要找到某些指定的细分用户满足即可。当你找到这些细分,就可以“有的放矢”地加大投放力度。之前的LTV计算方法都是基于一个全新产品的假设,历史数据是有限的。当来到市场投放的阶段,产品数据应该在其中一个细分群体积累了6个月(一般指自然量)。基于现有细分群体的数据,就可以预估新的细分的LTV值。这个对于新用户的计算方法需要对比前7天的新用户和现存用户基础,然后将同样的比率应用于现有的LTV。

计算方式

假设A项与B项7天的收益比率会反映其在LTV的比率。举例,假如你有一个新的流量来源在前7天有0.5美元的ARPU,正常来说你能在前7天看到1美元,那么新的流量来源就是你正常LTV的一半。这非常直观,实际上改预测方法也被许多先进的模型支持。该计算方式有两步:

  • 算出7天内收益数据间的比率
  • 将同样的比率用到LTV中

举例:7天内收益比率  * LTV = 0.95 * 2.5 = 2.38

062503

分析:

输入:

  • 现有部分的训练数据 (主要用来训练LTV计算模型)
  • 现有细分用户的ARPU:第1天到第7天
  • 现有细分用户的LTV: 180天
  • 新细分数据
  • 新细分用户的ARPU:第1天到第7天

输出:

  • 新细分用户的LTV

优势:

  • 简单
  • 最准确的模式之一

劣势:

  • 需要现有细分的180天数据

高级LTV细分计算

第三种计算方式假设有180天的数据,而这有时候是不可能的。这时从现有细分的90天数据来建立现有细分的180天LTV模型,然后利用相同的比率方法来计算新细分的LTV。

这个计算方法的数据来自现有细分(如自然流量)来调整最初90天的模型,并利用模型功能来预估第90天到第180天的生命值。

计算方式

该模型有2个步骤

步骤1:估算180天的LTV

把最初90天的已知ARPU与91-180天的预估ARPU相结合即可得到。这个估算是用90天的ARPDAU乘以90天到180天的用户预期生命时间。

步骤2:应用比例

当我们有预估的现有细分180天LTV数据,就可以用一个简单的比例来估算新细分的LTV:

  • 用新细分的7天ARPU除以现有细分的7天ARPU
  • 将相同比例应用到现有细分的180天LTV
  • 所得结果即是新细分的180天LTV

062504

分析 

输入: 

现有细分的训练数据

  • 现有细分的用户ARPU:第1天至第7天
  • 现有细分的用户ARPU:第1天至第90天
  • 现有细分的7天留存率
  • 现有细分的90天留存率
  • 现有细分的ARPDAU:第75天到90天

细分数据

  • 新细分用户的ARPU:第1天至第7天

输出:

  • LTV

优势:

  • 更新的游戏app也可以使用该计算方法
  • 非常精确

劣势:

  • 有点复杂

如果你有新细分超过7天的数据,那你实际上可以使用任何日期的数据,只要你能将其应用到7天的现有细分和新细分数据里。

  • 在现有细分的7天ARPU中输入第N天的现有细分ARPU
  • 在新细分的7天ARPY中输入第N天的新细分ARPU

总结:

1.计算LTV的“原始”方法

ARPDAU * Lifespan。

2.生命周期计算模型(简化版)

“原始”方法的缺点是不能算出预期的生命周期长度。计算的方法会有点复杂。你需要收集用户在APP的留存数据,用上面的幂函数公式求积分算出来。当然,更简单的方法是通过加权平均的方法进行估算(参考上面“试运营”的例子),而且结果的精准度并不会相差太远。

3.类推法则:用现有的细分历史数据类推新的细分用户LTV

这个是很多游戏公司采取的方法。它计算出现有180天的LTV,用新细分的7天ARPU除以现有细分的7天ARPU,得出来的比例应用到现有细分的180天LTV中,结果即是新细分的180天LTV。这样,即使没有180天的数据,也能通过现有细分的数据计算LTV。

这个计算方式融合了前两种的技巧。即使没有180天的数据,也可以利用现有细分的数据。这个计算方式使用了现有细分的部分数据来计算新细分的LTV。

  • 等待至少90天的ARPDAU数据
  • 使用该数据建立每日每平均用户财务积累Master Chart图表
  • 计算90天内的流失率,将该比率应用到90日天之后的数据,得到180天的LTV,以此推算90天之后的Master Chart图表走向
  • 用现有LTV来估算新细分:用前7日新细分收益与Master Chart内的数据作对比

4.用数据表计算留存率模型、收益函数模型

此方法假设留存率是一个幂函数(y=a*x^b),并且ARPDAU是恒定的。以下是关于该数据表的更多细节。

062505

它假设收益函数是对数函数。表格示例图如下:
062506

手游开发者面临的最大难题之一就是计算app的LTV。在网上搜索能查到很多答案,但大多数晦涩难懂。原因就在于建立LTV模型非常困难,尤其是在不了解用户行为、数据不充分的情况下。本文推荐了几种不同计算方法,开发者们可以根据自身具体情况做出合适的选择。

关注“牛牛的社区”,回复关键字“LTV”,可以获取文中的Excel表格源文件,了解具体的公式设置。

投稿邮箱:mm@zaodula.com

转载请注明出处:史上最全!不同阶段计算LTV的方法和模型!

分享到:

评论 抢沙发

请登录后再参与评论
马上登录

寻找->给予

联系我们