# LTV分析 >[warning] 如需使用该功能，请联系您的客户经理开通权限 # 一、LTV 概述 ## 1、LTV **LTV（lifetime value）**，用户生命周期价值，是企业在与用户的互动过程中所获取的经济收益（收入或利润）的总和，是一个常用的分析指标。 LTV 关注的是用户在其整个生命周期中为企业创造的商业价值，是一个以收入/利润为导向的数据指标，通常用于进行用户成本-收益分析、回本周期估算，也用以辅助业务分析人员寻求高价值用户群体，挖掘可以提升用户价值的线索，或者帮助分析人员确定用户生命周期阶段的划分标准，从而对不同阶段、不同价值分层的用户施加不同的运营策略，提升总体用户价值。 在统计口径层面，测量一个产品的 LTV 时，通常计算的是所有用户或者某个指定人群的 **人均生命周期价值**，一般不会单独去看某个用户的生命周期价值。 ## 2、Llifetime 一个用户的完整生命周期，包括了其从成为新用户到最终流失的整个过程。 如果严格从定义出发，基于用户完整生命周期，进行价值测量，需要待到用户生命周期结束以后（用户流失以后）方可获取完整数据。这种统计方法被称为完整生命周期统计法。 采用这种统计方式得到的数据，虽然是精确、完整的，但却是以数据滞后过时、以损失时效性为代价的，而且这样计算得出的 LTV，反映的是已流失部分用户的 LTV，无法对当前仍留存和活跃的用户价值及其价值变动趋势进行评估。 因此，在日常经营分析时，考虑数据的时效性，一般对用户引入后一段时间（比如30天、60天、90天）内累计创造的价值进行统计，并观察这段时间内用户价值的增长趋势即可，因此这种方法也称之为区间统计法。例如可以去统计用户注册成功后N天内累积贡献的价值，同时还可以看到从第1天到第N天用户价值的增长趋势。易观方舟 LTV 分析，即是以“区间统计法”来计算LTV的。 ## 3、Value 企业在与用户的互动过程中所获取的经济收益（收入或利润），通常会选择以 充值金额、购买付费金额 等**营收性指标**来度量用户的Value，可以选择以毛收入来计算，也可以选择统计净利润。 # 二、 LTV 算法逻辑 ## 1、关键变量 方舟智能分析即支持以区间统计方法进行LTV计算，**在 LTV 分析模型中，有几个关键的变量（模型参数）需要确定：** * ### **初始时间** 即用户生命周期的起点，也是进行LTV计算的起点时间。在方舟中，可以选择指定某一事件，比如“注册”、“首购”，将事件的触发时间作为**初始时间**，也可以指定某一个日期（通过用户属性上报的时间型字段）作为**初始时间**。 * ### **营收指标** 可以选择某个或者某几个事件作为营收事件，并指定有多大的比例可被计为营收，比如可以定义将充值金额 的 70% 计为营收。 * ### **LT** 生命周期时长，在方舟中可以选择LTV 7、LTV 15、LTV 30、LTV 60、LTV 90几个时间节点，计算起始时间点当天以及之后的第1-7天、15天、30天、60天、90天的LTV。 根据上述变量，圈定要计算的人群后，去统计该部分人群，在指定生命周期时长内，累积贡献总价值的人均值，得到LTV\_n。 ## 2、计算过程 >[info] #### 以 LTV 7 为例说明生命周期价值的计算过程 * #### **Step 1：根据选定的初始时间，圈定初始用户群体** 指定某事件，将事件的触发时间作为 **初始时间**（如果在查询时间范围内用户多次触发该事件，则以第一次事件的触发时间作为初始时间），或者指定某个日期型用户属性作为 **初始时间。** 当 **初始时间** 在查询时间范围内时，即可以将相应的用户记为初始用户。 例如，查询时间范围为 20210101-20210102， 如果初始事件选择 “注册成功”事件，那么注册成功事件的发生时间在 20210101-20210102 区间的用户则为 初始用户群体； 如果初始时间选择了用户属性字段：“用户注册时间”，则注册时间在 20210101-20210102 区间的用户为 初始用户群体。 * #### **Step 2：根据选定的营收指标和LTV长度（LTV 7），计算该初始用户群体累计贡献的总价值** 对初始群体中的每个用户在指定LTV长度（LTV 7）上累计贡献的价值进行统计，并对所有用户的价值进行加和 * #### **Step 3：用初始用户群体累计贡献的价值 除以 初始用户数，得到人均** **LTV** 用初始用户群体的总累计价值，除以对应的初始用户数，得到相应LTV长度上的人均 LTV ，即为 LTV 7的结果值。 # 三、功能说明 >[warning] 如需使用该功能，请联系您的客户经理开通权限  根据您的分析需求，设定模型条件，点击查询即可 其中 **初始事件/初始时间、营收事件、LTV n 为必选项，是模型条件中的关键参数**，详细原因和解释见上文“LTV算法逻辑“介绍部分 其他条件请根据需求设置 ## **1 初始事件/初始时间（必选）** ### **1）初始事件** 一般，初始事件是标识用户生命周期开始的事件，初始事件的触发时间即为 初始时间，例如可以选择 注册成功事件 作为初始事件 如果统计范围内，用户触发了多次 指定事件，则以第一次触发的时间为初始时间 支持指定 任一事件（元事件/虚拟事件） 作为初始事件 支持 +条件 过滤 ###  ### **2）初始时间** 点击“切换用户属性“，即可选择 用户属性字段（**仅日期型字段**） 作为初始时间  ## **2、营收事件（必选）** **指定事件**+**事件属性**（数值型属性）+**营收占比**（可选） ，共同构成营收指标  ### **1）事件** 通常会选择 “支付“、“充值“ 等有经济行为相关的事件 作为营收性事件，例如充值、提交订单等与“钱“交易行为相关的事件 可指定任一个或多个事件（元事件/虚拟事件）作为营收事件 支持 针对事件属性添加条件 进行事件过滤 ### **2）事件属性** **必须选择 数值型 属性，才能构成有意义的营收指标** 例如 “支付金额“ ### **3）营收占比** 针对只有 一定比例收入 才计为营收的情况， 可以设置 相应的百分比 （非必填，默认100%）  ## **3、LTV\_n（必选）** 方舟支持选择以下备选项：LTV 7、LTV 15、LTV 30、LTV 60、LTV 90 暂不支持自定义 n 的取值  ### **4、查询时间范围（必选）** 初始事件/初始时间 在指定时间范围内的人群 才会纳入计算  ***** ### **5、细分维度** 指对 初始事件/初始时间进行细分 * **选择 初始事件时，细分维度 仅可选择 事件属性** * **选择 用户属性时，细分维度 仅可选择 用户属性** 支持 多维交叉 >[info] 【注意】： > 多维度和多人群对比互斥，如果选了多维度就不能多人群，如果不选维度可以多人群 ### **6、公共过滤条件** 仅支持筛选 用户属性 > 【说明】： > LTV 分析，以“用户”为主要分析维度，看的是 “用户”对企业贡献的价值，通过用户属性进行过滤的场景 更常用 > 比如，可能需要看 iOS平台用户 或者 看某一地区用户 贡献的价值，因为IOS平台用户可能 也在跨平台设备上使用过产品贡献过营收，"北京地区"用户的行为也可能在多地发生过 > 如果需要对营收事件属性过滤，比如看用户对某一商品品类 贡献的营收，可以用营收事件筛选来实现的 > 故，公共过滤条件仅支持筛选用户属性 ### **7、用户群** 默认选择“所有用户“ 您可以切换其他分群，也可以在多个分群之间进行对比 通过对不同群组用户 LTV 的对比，或许可以帮助您寻找高价值用户，挖掘和分析能够促进低价值用户向高价值用户的转化的线索；进而通过产品和运营手段，引导和刺激用户转化为高价值用户、提升用户生命周期价值。 *****