LTV的正确认知及算法

我们曾经提到Netflix在最危机时刻，制定了一个关键的北极星指标：

LTV（用户终生价值）> CAC（用户获取成本）。

之后全公司的所有战略、产品和服务等等都以这个北极星指标作为目标。

关于这个LTV【Life Time Value】生命周期总价值

我们在带教很多企业创始团队时，意识到很多常见的问题点：

1. LTV？CLV？一样吗？
2. 似乎是一个很简单的概念，望文生义，一看就懂。
3. 似乎大家完全没在意这个指标到底该怎么算，以及为什么会这么算或者自己设计了一个算法
4. 对于这个指标的使用基本停留在数据展示，或者判断客户质量。

概念

根据Wiki的表述，我们姑且可以将LTV，CLV，CLTV，LCV认为是同一个概念，虽然国内很多企业对于CLV在实际应用中加以深化，与原来的LTV出现了一些领域上的差异。

这一指标概念最近几年很是热门，在各类互联网增长，流量，运营，产品，商业相关内容里反复提及，甚至是大段说明的核心部分。谁曾想到这一概念最早出现在1988年一本叫《Database Marketing》的书里，惊不惊喜，意不意外，当然这本书也是相当有名。

不过1988年，估计现在很多互联网从业人员都还没出生，毕竟90年出生的很多都已经有5年从业经验了。

既然得知这玩意已经存在30多年后，大家可以很有信心的知道这是一个财务指标，而且最早使用的领域是市场营销和财务投资方向，毕竟当年还不存在线上业务，更别提什么流量概念了。

应用在投资和企业经营通过计算一个客户整个生命周期挣得钱，与获取一个客户的成本间的倍数关系，来判断企业是否可以活下去。

比如：

• LTV/CAC >3X = 有希望
• LTV/CAC >1x & <3x = 不舒服的“楔子”
• LTV/CAC <1x = 无盈利死角

比如针对一家SAAS公司，投资方会要求你的LTV是CAC的三倍，成本回收需要在12个月内，要不就会判断你无法很好的发展。

算法

注意几个关键点，LTV这一指标是个针对客户群体的预测指标，在计算方法上丰富多样。使用的数据从早期单一的财务，业务数据到大量的客户属性及行为数据。算法从简单的加减乘除，积分求和到现在的机器学习算法，深度学习可谓是百花齐放。

介绍两个极端的算法类型

1、DWYER方法

DWYER方法是由美国人DWYER（杜瓦尔）先生在1989年率先提出的一种CLV的计算模型。它首先依据客户的属性（如收入、年龄、性别、职业、地理区域等），采用一定的分组策略进行分组，然后针对一组客户分别统计这组客户在各年的销售额、成本费用，得到企业从这组客户获得的利润。

由于利润是各年的累计，基于资金的时间价值，再考虑贴现率，计算出这组客户每年净现值及累计净现值，即可得到这组客户的生命周期价值。为对营销决策提供更好的数据支持，年销售额中考虑了客户数、客户保持率、客户平均每月交易次数、客户平均每次交易金额；成本及费用则分为可变成本、营销费用和客户获得费用。

这个算是一个很早期且具有代表性的，财务端应用的计算方法，在我看来优秀的点在于基于用户属性的预先分组计算。想清楚这是1989年，作为一个财务端的客户群体指标，都做到了“精细化”分组计算，反观现在很多企业增长的指标，仍旧还是一刀切。

具体指标算法：

顾客保留率（retention rate，RR）= 本年度的顾客总数 / 上年度的顾客总数；

顾客消费率（spending rate，SR）= 顾客总消费额 / 顾客总数；

变动成本（variable cost，VC）= 产品成本 + 服务管理费用 + 信用卡成本等；

获得成本（acquisition cost，AC）= 本年度广告、促销费用 / 本年度顾客总数；

净利润（gross profit，GP）= 总收入 – 总成本；

贴现率（discount rate，DR）= [1 +（风险系数×银行利率）]n ；

利润净现值（net present value profit，NPV）= GP / DR ；

累积NPV = 特定时间内每年NPV 的总和；

顾客终身价值（LTV）= 累积NPV / 顾客总数。

这种算法看看就行，不用深究。理解概念，掌握精髓即可，现在互联网企业不会这么去算，毕竟不是用来指导财务投资的。

更为流行的算法是这个

LTV = LT × ARPU

LT为用户的平均生命周期

ARPU(Average Revenue Per User) 为用户在平均生命周期中的平均收入

似乎这个是线上游戏行业用的比较多，对于LT和ARPU的算法，也比较多样。有直接按统计结果，算个平均的，也有按留存率积分求和的。但无论怎样算差距不会很大，而且基本使用的都是统计的基本方法。

2、机器学习预测算法

这种方法针对的是每一个客户，可以将历史的客户创利或者GMV作为目标值进行预测，也可以预测客户的关键动作的发生，并向每个动作分摊营收和成本，从而对每个客户建立一个详细的动作价值和客户总价值的变化趋势。

使用的数据就不是简单的留存，或者营收统计数据了。每个客户都是一个记录，会用到属性数据，行为数据，详细的业务数据，甚至会考虑时间序列的问题等等。

最终输出的LTV更像是一个指数，并且会附带输出每个用户的行为动作价值（很大程度上与GMV挂钩）。

比如：

“如果这个用户的活跃提高1%，最终LTV能提高1.2%，但对于当前这个用户的LTV提升最大的动作应该是绑定微信公众号。”

这种模式是不是有点数据驱动的味道了，基于利润或者营收为导向，直接输出用户当下提升最大的价值行为，这可能是很多企业希望的样子。

这类做法是另一个极端，的确是线上用户增长的良药，和LTV的商业财务属性已经几乎没什么关系了，但仍然借用着这个名称。

其实在这二个极端的中间还存在一些统计分析方法，比如营销组合建模 Marketing mix modeling（MMM），BG/NBD 模型等等。

总结

概念似乎很容易被忽略，大家更在意怎么算，拿来就用。实际这种指标性质的东西，尤其又是一个预测指标，怎么用才是关键。怎么用决定了你用什么方法和数据来算。

就怕明明是为了增长，却使用了财务目的的算法。这就有点本末倒置了，毕竟在成功案例中这都是优秀的增长方法论，可到了某些团队手里，也许就是数据dashboard上的一个值而已，也太可惜啦。