8-3 用戶增長 LTV 模型.pdf

1、井冬萍（Sunny）快手-數據科學家用戶增長-LTV模型Content|目錄What什么是LTV（Lifetime Value）LTV可以解決什么樣的問題？WhyWhen什么時候需要什么樣的LTV預估？How如何實現設備粒度LTV預估？Whats nextLTV如何應用？如何撬動更大的價值？What什么是LTV（Lifetime Value）LTV可以解決什么樣的問題？WhyWhen什么時候需要什么樣的LTV預估？How如何實現設備粒度LTV預估？Whats nextLTV如何應用？如何撬動更大的價值？傳統的市場學中的LTV快手用快手用戶戶增增長長中的中的LTVLTV=LT（活躍天數）*ARP

2、U（用戶每次活躍產生的價值）What什么是LTV（Lifetime Value）LTV可以解決什么可以解決什么樣樣的的問題問題？WhyWhen什么時候需要什么樣的LTV預估？How如何實現設備粒度LTV預估？Whats nextLTV如何應用？如何撬動更大的價值？用戶增長中的生命周期潛在用戶回流用戶新增用戶活躍用戶流失用戶LTV應用于增長的生命周期管理潛在用戶對于未激活的用戶，根據站外數據預測該用戶潛在LTV價值回流用戶在用戶回流的前N天預測該用戶本次生命周期內的LT和ARPU在用戶成為新增用戶的前N天預測該用戶本次生命周期內的LT和ARPU新增用戶活躍用戶每天針對活躍的MAU根據最近N天的特

3、征預測該用戶本次生命周期內的LT和ARPU流失用戶對于已流失的用戶，預測潛在的回流LTV價值增長手段付費買量根據潛在用戶的LTV價值預估，相應調價隨著新增用戶成為一名活躍，我們可以根據用戶的近期表現，更新其LTV預估，衡量增長活躍策略的價值/效率在用戶流失之前，可以通過活躍設備的預估做到流失預警；在用戶流失之后，我們可以根據潛在回流用戶的LTV價值預估，相應調價新增用戶來到站內后，根據前N天表現，調整LTV預估，衡量整體買量價值/效率Task 1增長策略在生命周期的應用預估能夠覆蓋全生命周期的LTV，可以幫助所有的增長策略，包括拉新、回、活、補貼等策略，更好的衡量衡量和優優化化增長策略的效率T

4、ask 2Task 3在用戶回流之后，根據前N天的表現，調整LTV預估，衡量整體買回價值/效率Task 4What什么是LTV（Lifetime Value）LTV可以解決什么樣的問題？WhyWhen什么什么時時候需要什么候需要什么樣樣的的LTV預預估？估？How如何實現設備粒度LTV預估？Whats nextLTV如何應用？如何撬動更大的價值？顆粒度顆粒度指對LTV預估的粒度，包括：1.大盤2.Cohort3.設備/用戶顆粒度越細，建模難度越高，但太粗不能滿足業務需求周期定義對于LTV周期的定義，一個月？一年？10年？決定因素包括：1.公司的發展階段2.宏觀經濟環境3.歷史數據積累4.應用場

5、景時效性時效性指在不同生命周期階段做出的LTV預估需要等待多久時間的數據積累越快預估越不準，但太慢業務需求不能滿足準確性LTV預估中，尤其是對設備粒度的預估，可能存在幾個方面的準確性評估：1.預估設備粒度準2.Cohort準3.序準4.分布準BG/NBD or Pareto/NBD for活躍次數變量1.根據歷史數據擬合留存針對某一個cohort或者大盤，通過第x天的留存為y的歷史數據，用冪函數對y擬合，得出a和b，取曲線的下面積即為cohort的總LT。對于留存曲線的擬合既可以用同一cohort的數據，也可以用不同cohort在當天的留存情況，2.Probabilistic ModelLTV

6、LT活躍流失概率APRU1.一段時間內的活躍次數是poisson分布2.用戶之間的購買頻率的差異是gamma分布在任意一次活躍后都有可能流失，遵從beta分布用戶的單次消費會在消費均值周圍變化，但同一個用戶不會隨著時間改變消費習慣Gamma-Gamma for貨幣價值變量通過用戶近n天的畫像特征、行為特征、消費特征、生產特征等維度，對用戶本次生命周期的LT和ARPU分別進行預估，以新用戶為例：3.Machine LearningEmbedding LayerTransformer LayerMLPLT365ARPU365Wang,X.,Liu,T.,and Miao,J.(2019),A de

7、ep probabil-istic model for customer lifetime value prediction,Available from:https:/arxiv.org/abs/1912.07753.What什么是LTV（Lifetime Value）LTV可以解決什么樣的問題？WhyWhen什么時候需要什么樣的LTV預估？How如何如何實設備實設備粒度粒度LTV預預估？估？Whats nextLTV如何應用？如何撬動更大的價值？數據基建Result預測結果表，需要根據真實值的累積做一定的矯正Dimension模型線上join的數據源，一些維度向、或偏實時的數據Featur

8、es離線儲存的訓練/預測數據，決定特征的復雜性、模型的體量、更新頻率等等Cohort對于不同cohort的模型圈選人群，決定時效性DAU匯總DAU特征，實現模塊化管理，注意可拓展性模型基建1.建立一套拓展性強、可服用性強的模型框架，可以承接各類LTV模型的數據處理、訓練任務、數據探查、例行預測、線上evaluation、等常規任務2.內部工具可以部署任務、管理機器資源等3.日常監控系統，包括預測異常監控、模型準確率監控、特征變化監控What什么是LTV（Lifetime Value）LTV可以解決什么樣的問題？WhyWhen什么時候需要什么樣的LTV預估？How如何實現設備粒度LTV預估？Whats nextLTV如何如何應應用？如何撬用？如何撬動動更大的價更大的價值值？用戶增長中的生命周期潛在用戶1.拉新策略中實現根據用戶價值階梯式獲取回流用戶1.對回流用戶的LTV模型做特征分析，優化拉回承接策略2.監控回流用戶的長期價值預估，對用戶質量做及時預警1.對新增用戶的LTV模型做特征分析，優化承接策略2.畫像切片篩選高價值用戶做針對性的買量策略新增用戶活躍用戶1.通過對活躍用戶的LTV預估，評估日常促活策略的長期價值2.分析對于模型重要的特征指導產品策略3.通過預測變化起到生命周期變化預警流失用戶1.優化拉回策略，不僅渠道側還有內容側等。