We read every piece of feedback, and take your input very seriously.
To see all available qualifiers, see our documentation.
Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.
By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.
Already on GitHub? Sign in to your account
转载大师 • 2020 年 7 月 20 日 pm4:25 • 网站运营 • 阅读 1885
编辑导读：LTV 和DAU是在运营工作中经常接触的词，在缺乏数据时，LTV 及 DAU 的预估方法就显得尤为重要。本文将从三个方面，围绕 LTV 及 DAU 的计算和预估方法进行分析，希望对你有帮助。
LTV 和 DAU 是运营中常常接触到的词，这 2 者的计算高频的发生在 “缺乏数据” 的时候，产品上线前要预估其 ROI 及回报周期，决定是否立项。上线后又需要根据 LTV 及 DAU，不断调整运营策略。
在缺乏数据的时，决策总让人头疼。本文将介绍在缺乏数据时 LTV 及 DAU 的预估方法，也会详细的介绍公式的推导思路，希望能为大家提供一些帮助。
以下为本文的目录：
LTV，全称是 Life Time Value，指用户生命周期的总价值。
通俗的说，是获客至流失所得的收益总和，它的作用在于辅助决策，如：计算回报周期、验证盈利模式等。在实际运营中，我们所着力于提升的点击、访问、关注等指标，最终都指向于 LTV。
根据 ROI，能够衡量用户质量。结合渠道来源，则能够衡量渠道质量。
在投放中上图的前 2 种情况较为简单，当遇见后 2 种情况，即 LTV、CAC 同低同高时，我们则应控制这两类渠道的占比，同低用于提升用户规模，同高则用于提升付费。
在 LTV 曲线剧烈抖动时，须迅速归因并调整运营策略。异常值可以使用变化率、距离、密度等指标设定阈值进行监控。理解了 LTV 的作用，在计算时会面临一个严峻的问题：没有数据怎么办？
根据定义，LTV 指的用户生命周期的总价值。但用户的生命周期到底有多长呢？不同产品阶段、特征的用户表现均为不相同的。但无论是产品上线前，亦或上线后，我们都不可能等待用户流失后再计算 LTV 和 ROI。决策往往是前置的，在数据较少甚至没有数据时，我们则需要根据已有的条件进行预估。
在网络上，有两个较为通识的方法，上图的左侧使用每日的留存率乘以每日的用户平均收入，右侧则是使用生命周期总长度乘以每用户平均收入。那么哪个是对的，又是怎么推导而来的呢？其实这两个公式是 1 个公式，右侧的公式是左侧的简化版本。
根据 LTV 的定义，LTV = 用户生命周期的总价值 = 周期内用户的总计付费金额除以用户总数。用户总数无需进行预估，那么问题则变成了：如何计算总计付费金额。
总计付费金额，可以使用每日活跃的用户数乘以当日活跃用户平均付费金额得出。将其代入公式，可得：
而每日活跃用户数除以用户总数，又等于每日留存率。至此，第 1 个公式就推导完成了。
而当 ARPU 等于常数，根据定义再次推导则可得 LTV=LT×ARPU。
花了比较多的篇幅在公式的推导，也是希望在计算时能够更加有底气，接下来正式进入 LTV 的预估和计算环节。根据 2-1 中的第 1 个公式，将目标拆解为留存率及 ARPU 的估算。
1）留存率的计算
单个的留存率计算较为简单，将留存人数除以新增人数即可。但在计算均值时，不应忽略权重，我们应将算术平均值转换为加权平均值。
算术平均值是将数值累加除以数量的计算方法，其很容易受极值的影响。根据权重进行计算，能够使数据更加稳定。
再举一个较为浅显的例子，帮助大家理解权重的作用。
在我们中考时，体育这门课程与其他的课程权重是不同的，即使体育考了满分也不一定会将总分拉高许多。
如果我们不考虑权重直接将分数求均值，均值会显得过大，而加权平均值则更加能反应综合水平。
上图是直接根据每日留存率所计算的数值，我们可以看到当 7 月 6 日因新增人数突然下跌，但留存率却恰好在比较高的水准，所以一下子将留存率的均值拉高了许多。
但经过加权计算后，异常日期的数据便不会造成太多的影响了。
上表则是两种不同计算方式中数据所带来的误差。
根据加权求和所计算的留存率，绘制散点图。并使用散点图设置趋势线获取计算公式。
在选择趋势线时选用拟合效果最好的一条即可，一般多使用对数或乘幂，上图是恰好笔者乱填的数据拟合的曲线更接近指数函数。
确认函数的选型后，通过 EXCEL 得到公式，代入须预估的天数计算其留存率。
2）ARPU 的计算
假设 ARPU 值并不随生命周期的变化而变化，其在一段时间内稳定，可以直接使用均值，并将其作为常量。
假设并不稳定，则应根据时间窗口的 ARPU 值设置分段函数。
3）LTV 的计算
留存率、ARPU 使用上文描述的方法进行计算的方法并不困难，在这里还应注意应根据预估的目标拟合不同的留存曲线。
不同的渠道、付费类型，用户的留存率、ARPU 值表现会有很大的差异，我们应将尽可能让分析的数据保留 1 个变量，减少干扰项。其次则是应不断的更新数据，使拟合的函数更加准确。
最后根据 LTV 的公式，将上文的留存率、ARPU 值代入即可，如下表所示：
上文所介绍的第 1 种方法，比较适用于 LTV 与留存率相关性强的产品，而第 2 种方法实际上会更为通用。
由于大多数情况 LTV 的增速是随着注册逐步递减的，所以可以根据经验使用注册天数和 LTV 进行拟合出对数函数或幂函数。
根据累加 LTV 拟合后可获得其图像，根据图像使用 EXCEL 获得函数，再根据函数预测后续天数的 LTV 即可。
这种方法的优点是其变量仅有注册天数，对比第 1 种方法的多个变量，预测的精度更高。缺点也因仅有 1 个变量，假设后续的 LTV 表现不符合函数表达式，结果的错误率会很高。
在 LTV 的公式估算法中，介绍了留存率预估的计算方式。当能够预估后续的留存率，DAU 也就能很轻易的计算出来了，其步骤如下：
根据预估 LTV 时所得留存率的拟合函数，将后续日期代入即可得第 8 日 - 第 15 日的预估留存率。
根据新增人数在合计人数中的权重，将日新增人数乘以其权重，从而计算其加权平均值。
7 月 1 日至 7 月 8 日的留存率使用真实数据，在第 8 日后的留存，均为根据留存率拟合的函数计算。7 月 8 日至 07 月 15 日的新增人数根据第 2 步的方法得出，并根据第 1 步中真实的留存率计算留存人数。最后一步则是按照列，对每日新增或留存的用户数进行汇总，就能够预估每日的 DAU 了。
这两个指标的计算，是想分享的是公式的推导、数据趋势预估的思路。不仅是 LTV、DAU，其实其他的指标也可以通过类似的方法得出，另一方面则是只有理解数据才能寻找更优的分析方法。
LTV 的计算还有许多更准确的方式，笔者也在持续学习，希望能分享更好的方式给大家。
感谢你看到这里，谢谢。
WISE，微信公众号：Becomewiser，人人都是产品经理专栏作家。腾讯产品经理，专注于精细化运营、用户数据体系建设等领域。
本文转载于微信公众号：Becomewiser，本文观点不代表爱运营立场，转载请联系原出处。如内容、图片有任何版权问题，请联系爱运营处理。 https://www.iyunying.org/yunying/217356.html
The text was updated successfully, but these errors were encountered:
No branches or pull requests
转载大师 • 2020 年 7 月 20 日 pm4:25 • 网站运营 • 阅读 1885
LTV 和 DAU 是运营中常常接触到的词，这 2 者的计算高频的发生在 “缺乏数据” 的时候，产品上线前要预估其 ROI 及回报周期，决定是否立项。上线后又需要根据 LTV 及 DAU，不断调整运营策略。
在缺乏数据的时，决策总让人头疼。本文将介绍在缺乏数据时 LTV 及 DAU 的预估方法，也会详细的介绍公式的推导思路，希望能为大家提供一些帮助。
以下为本文的目录：
一、LTV 的作用
LTV，全称是 Life Time Value，指用户生命周期的总价值。
通俗的说，是获客至流失所得的收益总和，它的作用在于辅助决策，如：计算回报周期、验证盈利模式等。在实际运营中，我们所着力于提升的点击、访问、关注等指标，最终都指向于 LTV。
根据 ROI，能够衡量用户质量。结合渠道来源，则能够衡量渠道质量。
在投放中上图的前 2 种情况较为简单，当遇见后 2 种情况，即 LTV、CAC 同低同高时，我们则应控制这两类渠道的占比，同低用于提升用户规模，同高则用于提升付费。
在 LTV 曲线剧烈抖动时，须迅速归因并调整运营策略。异常值可以使用变化率、距离、密度等指标设定阈值进行监控。理解了 LTV 的作用，在计算时会面临一个严峻的问题：没有数据怎么办？
根据定义，LTV 指的用户生命周期的总价值。但用户的生命周期到底有多长呢？不同产品阶段、特征的用户表现均为不相同的。但无论是产品上线前，亦或上线后，我们都不可能等待用户流失后再计算 LTV 和 ROI。决策往往是前置的，在数据较少甚至没有数据时，我们则需要根据已有的条件进行预估。
二、LTV 的预估方法
1. 公式的推导
在网络上，有两个较为通识的方法，上图的左侧使用每日的留存率乘以每日的用户平均收入，右侧则是使用生命周期总长度乘以每用户平均收入。那么哪个是对的，又是怎么推导而来的呢？其实这两个公式是 1 个公式，右侧的公式是左侧的简化版本。
根据 LTV 的定义，LTV = 用户生命周期的总价值 = 周期内用户的总计付费金额除以用户总数。用户总数无需进行预估，那么问题则变成了：如何计算总计付费金额。
总计付费金额，可以使用每日活跃的用户数乘以当日活跃用户平均付费金额得出。将其代入公式，可得：
而每日活跃用户数除以用户总数，又等于每日留存率。至此，第 1 个公式就推导完成了。
而当 ARPU 等于常数，根据定义再次推导则可得 LTV=LT×ARPU。
2. LTV 的公式估算方法
花了比较多的篇幅在公式的推导，也是希望在计算时能够更加有底气，接下来正式进入 LTV 的预估和计算环节。根据 2-1 中的第 1 个公式，将目标拆解为留存率及 ARPU 的估算。
1）留存率的计算
单个的留存率计算较为简单，将留存人数除以新增人数即可。但在计算均值时，不应忽略权重，我们应将算术平均值转换为加权平均值。
算术平均值是将数值累加除以数量的计算方法，其很容易受极值的影响。根据权重进行计算，能够使数据更加稳定。
再举一个较为浅显的例子，帮助大家理解权重的作用。
在我们中考时，体育这门课程与其他的课程权重是不同的，即使体育考了满分也不一定会将总分拉高许多。
如果我们不考虑权重直接将分数求均值，均值会显得过大，而加权平均值则更加能反应综合水平。
上图是直接根据每日留存率所计算的数值，我们可以看到当 7 月 6 日因新增人数突然下跌，但留存率却恰好在比较高的水准，所以一下子将留存率的均值拉高了许多。
但经过加权计算后，异常日期的数据便不会造成太多的影响了。
上表则是两种不同计算方式中数据所带来的误差。
根据加权求和所计算的留存率，绘制散点图。并使用散点图设置趋势线获取计算公式。
在选择趋势线时选用拟合效果最好的一条即可，一般多使用对数或乘幂，上图是恰好笔者乱填的数据拟合的曲线更接近指数函数。
确认函数的选型后，通过 EXCEL 得到公式，代入须预估的天数计算其留存率。
2）ARPU 的计算
假设 ARPU 值并不随生命周期的变化而变化，其在一段时间内稳定，可以直接使用均值，并将其作为常量。
假设并不稳定，则应根据时间窗口的 ARPU 值设置分段函数。
3）LTV 的计算
留存率、ARPU 使用上文描述的方法进行计算的方法并不困难，在这里还应注意应根据预估的目标拟合不同的留存曲线。
不同的渠道、付费类型，用户的留存率、ARPU 值表现会有很大的差异，我们应将尽可能让分析的数据保留 1 个变量，减少干扰项。其次则是应不断的更新数据，使拟合的函数更加准确。
最后根据 LTV 的公式，将上文的留存率、ARPU 值代入即可，如下表所示：
3. LTV 的曲线拟合估算方法
上文所介绍的第 1 种方法，比较适用于 LTV 与留存率相关性强的产品，而第 2 种方法实际上会更为通用。
由于大多数情况 LTV 的增速是随着注册逐步递减的，所以可以根据经验使用注册天数和 LTV 进行拟合出对数函数或幂函数。
根据累加 LTV 拟合后可获得其图像，根据图像使用 EXCEL 获得函数，再根据函数预测后续天数的 LTV 即可。
这种方法的优点是其变量仅有注册天数，对比第 1 种方法的多个变量，预测的精度更高。缺点也因仅有 1 个变量，假设后续的 LTV 表现不符合函数表达式，结果的错误率会很高。
三、DAU 的计算
在 LTV 的公式估算法中，介绍了留存率预估的计算方式。当能够预估后续的留存率，DAU 也就能很轻易的计算出来了，其步骤如下：
1. 计算预估日期留存率
根据预估 LTV 时所得留存率的拟合函数，将后续日期代入即可得第 8 日 - 第 15 日的预估留存率。
2. 计算日新增人数的加权平均值
根据新增人数在合计人数中的权重，将日新增人数乘以其权重，从而计算其加权平均值。
3. 计算每日 DAU 并汇总
7 月 1 日至 7 月 8 日的留存率使用真实数据，在第 8 日后的留存，均为根据留存率拟合的函数计算。7 月 8 日至 07 月 15 日的新增人数根据第 2 步的方法得出，并根据第 1 步中真实的留存率计算留存人数。最后一步则是按照列，对每日新增或留存的用户数进行汇总，就能够预估每日的 DAU 了。
四、写在最后
这两个指标的计算，是想分享的是公式的推导、数据趋势预估的思路。不仅是 LTV、DAU，其实其他的指标也可以通过类似的方法得出，另一方面则是只有理解数据才能寻找更优的分析方法。
LTV 的计算还有许多更准确的方式，笔者也在持续学习，希望能分享更好的方式给大家。
感谢你看到这里，谢谢。
#专栏作家#
WISE，微信公众号：Becomewiser，人人都是产品经理专栏作家。腾讯产品经理，专注于精细化运营、用户数据体系建设等领域。
去年今日运营文章
本文转载于微信公众号：Becomewiser，本文观点不代表爱运营立场，转载请联系原出处。如内容、图片有任何版权问题，请联系爱运营处理。
https://www.iyunying.org/yunying/217356.html
The text was updated successfully, but these errors were encountered: