編輯導語：用戶生命周期價值CLV是很多小夥伴都聽過的概念，可能很多朋友也應用過。但是這個模型的應用場景、計算邏輯的演變，可能很多朋友并沒有做詳細的探究。這篇文章對“LTV（CLV）”進行了詳細的講解，一起看看吧。

今天和大家分享一個做營銷投放、做用戶增長非常關注的指标模型：用戶生命周期價值。

用戶生命周期價值CLV（Customer Lifetime Value，也有稱LTV：Life Time Value，兩者完全一樣），相信是很多小夥伴都聽過的概念，可能很多朋友也應用過。但是真正這個模型的應用場景、計算邏輯的演變，可能很多朋友并沒有做詳細的探究。

目前行業中大部分的文章也是泛泛而談，簡單套用 LTV = LT × ARPU 公式，沒有對本質原理有所講解。今天我來做個嘗試，争取把用戶生命周期這個模型徹底講明白，希望對大家有所幫助。

一、背景、定義及價值

首先聊聊，什麼是用戶生命周期價值，以及是用于解決什麼問題的。

1. 用戶生命周期價值的定義

顧名思義，用戶生命周期價值，是衡量用戶在整個産品周期中（或者一個時間階段内），對于平台或者企業貢獻總的價值收益多少的指标。這是一個偏長期的衡量指标。

舉個例子，一個用戶注冊了京東APP，一共使用了2年，後來就流失了、轉戰拼多多。這個用戶2年期間一共在京東貢獻了23000的消費金額，那這個用戶在京東的生命周期價值就是23000。

當然，由于整體的生命周期往往比較長，可能是幾年、幾十年，特别靠後的階段，往往貢獻的價值極低，因此在實踐過程中，往往用一段時間内的收益作為整個生命周期的衡量。比如3個月、1年等，因為1年的時間，對于絕大部分用戶可能以及完成了從引入到流失的過程。

但是哪怕再短，和ROI相比都長很多，因為ROI的計算周期通常也就15天左右。

2. 圖形化解釋

下面，我們從圖形化的角度解釋一下生命周期價值。

先看下圖，這是我們做用戶生命周期時經常看到的一張圖（關于生命周期可以參考文章《生命周期劃分邏輯計算》）。

• 橫軸：即LT（生命周期）。代表了時間維度，即用戶在平台的所處階段。這個階段的劃分邏輯和名稱有各式各樣的，但大同小異，一般就是引入期、成長期、成熟期、衰退期。
• 縱軸：代表了用戶對平台貢獻的價值。用戶在不同階段，往往對于平台的貢獻價值也是不一樣的。穩定成熟期，通常貢獻的價值多一些；考察引入期、衰退期自然貢獻的少。

我們假設用戶的創造價值是個連續的過程，而根據定義，用戶生命周期價值是整個用戶生命周期内，創造的總的價值。因此，曲線下的陰影面積就是我們關注的用戶生命周期價值LTV（CLV）。這有點像積分的意思。

本文第二節分享LTV的計算邏輯演算，理解了這裡的面積代表LTV（CLV）的基礎設定，後面很多邏輯的計算就清晰多了。

3. 解決了什麼問題

從定義上能看出來，用戶生命周期價值其實是兩個維度：生命周期和貢獻價值。

以往我們做用戶運營或者做用戶營銷，往往隻關注了其中一個維度。比如，我們關心用戶的留存率（關于留存分析可以參考曆史文章《留存分析》）；比如，我們做了一次廣告投放，關注投放後的用戶帶來了怎樣的成交價值（關于投放的指标評估可以參考文章《線上廣告效果評估》）。

但是這種單維度的評估，是否存在啥問題呢？

比如說，留存率高、用戶生命周期長，是否代表了用戶價值高？

再比如，投放後的用戶ROI很高，是否代表了這次投放效果一定很好？

答案都是否定的。

用戶留存率高，但是長期貢獻的消費很低（即上面生命價值周期曲線中的縱軸數值很低），都是白嫖黨，給平台帶來不了任何收入，那這種用戶并不是平台要關注的最優用戶，我們産品提供服務最終都是需要商業化收入的。

同樣，如果廣告投放隻關注短期ROI，可能很高，但是用戶消費一次就走了（即上面價值曲線圖中的橫軸很短），難以在平台實現複購、多次轉化，從長期來看，這次投放效果就是失敗的；相反，如果短期内的ROI比較低，但是獲取的用戶長期價值貢獻很高，如果單純看短期ROI，很容易就忽略了這種潛在價值，喪失機會抓取。

因此，用戶生命周期價值模型将留存和價值兩個維度結合在一起，從長期角度評估某個用戶、某群用戶、某個渠道用戶的質量水平，這種評估方法更加科學與全面，會幫助企業從更加長期的角度發展業務與開展用戶增長運營。

二、邏輯細節闡述

上面我們了解了LTV的背景、相關定義以及解決的問題，下面我們看看具體LTV的一些細節。這裡我總結了一下，和各位朋友一起探讨，有助于對于生命價值周期模型的深入理解。

1. LTV是基于單人量綱的模型

首先，大家講的LTV其實從人群上區分，可以分為兩類：單個人的，和一群人的。都是可以計算LTV。

• 針對單個人：我們可以回看一下上文中的生命價值周期曲線圖。把這張圖當做一個具體用戶的價值變化，陰影面積則是這個人的LTV。
• 針對一群人：上文的曲線圖橫軸還是生命周期，這個維持不變可以理解，那縱軸的價值貢獻是這群人的總貢獻還是平均貢獻呢？我們注意一下，當一群人衡量LTV的時候，取得是這群人的平均價值貢獻。

因此，無論是單人還是多人，生命周期價值模型算下來都是平均單人的價值。

這個其實好理解。如果是總價值貢獻，那麼人群數量将成為影響因素，生命周期價值就很難在同一維度下做對比分析了。

2. LTV是基于曆史預測未來的模型

其次，無論是那種LTV或者CLV的計算方法，本質上都是預測算法。這是生命周期價值模型的特征決定的。

我們上面講過，LTV模型是衡量長期價值的模型，一般都是幾個月、年度起，不适用短期價值評估。

我們舉個場景，業務人員做了一次廣告營銷投放，想評估這次投放的ROI，這個好說，最多等上10來天，用戶的購買數據出來了，做做歸因分析（關于歸因分析可參考《歸因分析詳解》）就能得出結果。但是要評估投放帶來用戶的LTV呢？需要等上一年？互聯網變化日新月異，等上一年可能團隊都換了一撥人了。

因此，在實踐過程中，為了保證業務使用時效性，LTV的數據肯定是需要進行預測的，我們下文中闡述的所有的LTV的計算方法，本質上也都是預測的算法或者邏輯。了解算法的朋友們都清楚，做預測是非常難的。因此這也是計算、應用LTV最大的挑戰。

也正是因為是預測模型，所以才有了不同的計算方法。如果是統計曆史的邏輯，也沒啥好說的，直接按照定義統計時間範圍内用戶的價值貢獻總額就好了嘛！

三、幾種計算方法

上面關于一些大的邏輯已經介紹的八九不離十了，下面我們詳細看看有哪些LTV的計算方法以及公式的推演。

1. 基于整體計算

根據上文中我們闡述的LTV的定義，是平均單個用戶的價值貢獻。因此，根據這個定義，我們可以有整體的計算邏輯：

LTV=SUM（某批用戶付費總額）/總用戶數 其中用戶數我們是可以明确知道的，但是這批用戶的總付費金額需要進行預測了。具體的預測方法有很多，比如可以基于用戶的曆史行為（比如點擊、浏覽、加購等）進行預測未來一段時間（例如一年）的價值貢獻。我們這裡就不展開了，後續進行算法相關的分享的時候可以詳細聊聊。

總之，基于這個最基礎的公式，我們可以計算（預測）某群用戶的LTV數值。

2. 基于分階段計算

基于整體進行LTV的計算，邏輯比較清晰明了。但問題是，直接預測整體的付費金額是比較難的一件事。

為了解決這類難題，我們将整體的付費金額按照生命周期的階段進行劃分拆解。于是有了：

LTV=sum（階段1用戶付費總額 階段2用戶付費總額 ……）/總用戶數 =sum（階段1用戶數×階段1用戶ARPU 階段2用戶數×階段2用戶ARPU ……）/總用戶數 我們把上面公式中分母移入每一個分子項目中。有以下式子：

LTV=階段1用戶ARPU×階段1用戶數/總用戶數 階段2用戶ARPU×階段2用戶數/總用戶數 …… 變形後，出現了【階段1用戶數/總用戶數】的數據項。如果熟悉用戶留存分析的朋友，應該會比較清楚這其實就是【階段1留存率】指标。因此，上面的公式最終變為：

LTV=階段1用戶ARPU×階段1留存率 階段2用戶ARPU×階段2留存率 …… 總體的推導公式如下：

關于ARPU值得解釋下文詳述。

3. 基于LT和ARPU計算

這個計算邏輯開頭部分就提出來了，也是目前行業裡大家計算LTV比較流行的方法。

LTV = LT × ARPU

LT：即Life Time，代表群體用戶的平均生命周期長短。

ARPU：即Average Revenue Per User，代表每個用戶在某個周期内的平均收入。

注意，ARPU值的單位是某個周期内的用戶平均收入，比如一年内的平均收入、3個月平均收入。相應的LT的單位也需要是年、月。隻有這樣，才能保證LT和ARPU兩個數值相乘，得到的結果的單位是金額（收入、貢獻）。

這個公式是怎麼得出來的呢？其實本質是做了多層的假設，所以簡化了計算模型。下面我們沿着計算方法2繼續推導一下，R（t）是留存率，如下圖：

這裡的核心假設就是：ARPU值在不同階段是常數。另外用到了各階段留存率之和等于生命周期，這裡就不推導了，感興趣的朋友自己演算一下。

四、相關應用落地

最後，我們聊聊關于LTV的一些應用落地。

1. 京東GOAL模型

之前我們分享過京東GOAL模型（參見文章《GOAL模型》），其中模型的第三個環節：A環節就是基于CLV進行的價值提升。

通過對高價值CLV的用戶進行分析彙總，對高價值用戶進行營銷投放，提升精準化營銷的效率和效果。

上圖是樂高綜合定義高生命周期價值用戶，進行CLV相關的提升的案例。

2. 營銷投放效果分析

在上文的背景部分，我們已經提到過，LTV模型可以從長期衡量營銷投放的效果，彌補ROI隻關注短期效果的缺點。

我們可以參考神策系統中關于LTV相關的分析能力。

這裡的産品功能呢，總體還是比較完備的。但是關于LTV的周期，這裡支持的都比較短，最長也就365天，我覺得應該是出于數據計算層面的壓力設計的，因為這裡都是基于統計值的。

另外，這裡也提供了LTV的預測模型，我覺得還是有些意思的。

關于用戶生命周期價值模型，今天我們分享這些内容，不知道各位朋友是否有了一個比較基礎的了解？

希望本文對大家有所幫助。

#專欄作家#

NK冬至，公衆号：首席數據科學家，人人都是産品經理專欄作家。在金融領域、電商領域有豐富數據及産品經驗。擅長數據分析、數據産品等相關内容。

本文原創發布于人人都是産品經理。未經許可，禁止轉載。

題圖來自Unsplash，基于CC0協議。

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部