1. LTV 分析概述

用户生命周期价值（Life Time Value，LTV），即用户在生命周期中贡献的商业价值。LTV 分析是一种分析用户商业价值的分析模型，可分析特定日期访问的用户群体，在一定时长内所贡献的人均价值。

LTV 分析可以帮助回答以下问题：

  • 哪个渠道来的用户带来的人均价值更高？用户贡献的价值是否高于用户获取的成本？

  • 运营活动是否带来了显著的收益？用户的人均价值是否有所提升？运营活动到底是好还是坏？

  • 游戏产品是否能够带来足够的人均消费来覆盖开发成本？玩家价值会在多久之后趋于稳定？

  • 哪个用户群体是我们产品的高价值人群？这些客户有怎样的特征？

典型案例：9月10日注册的新用户，在 30 天的人均充值金额（LTV 30）是多少？

计算过程：

  1. 通过初始时间（9月10日）和事件（注册）来锁定新用户的用户群体；
  2. 计算用户群体从初始时间（9月10日）起 LTV 时长（30 天）内的累计充值金额；
  3. 用累计充值金额除以初始人数（9月10日注册的用户数）得到 LTV 30。

2. LTV 分析界面功能简介

2.1. 选择初始事件或初始时间

LTV 分析中，支持按事件的发生时间或用户属性锁定初始用户的群体。点击“切换”按钮，可以在事件和用户属性之间切换。

选择事件锚定初始用户群体时，可以筛选添加筛选条件，以查看更细分的维度。比如，我们想分析北京地区用户注册后的情况，那么可以定义初始事件是“注册”，同时添加筛选条件“城市等于北京”。

2.2. 选择营收事件

在营收事件中添加营收事件，可以分析营收事件对应的 LTV。在 LTV 分析中，支持添加多个营收事件，并分析其在总营收中的占比。例如，某个游戏有“会员充值“和”虚拟道具“购买两类营收事件，可以在营收事件下，添加这两个营收事件，并选择其对应的收入金额属性。在结果表格中，会展示两者在总营收中的占比。

2.2.1. 筛选营收事件

有时需要分析部分营收事件所贡献的收取情况，如购买虚拟道具中，某个新开发的虚拟皮肤所贡献的收入。LTV 分析中，可以通过添加筛选条件，来过滤出所对应的营收事件。例如，添加筛选条件“虚拟道具等于xx皮肤”，即可查看此皮肤的销售所贡献的人均价值。

2.2.2. 设置营收事件的利润比例

在某些情况下渠道商会从电子支付中抽成，如 iOS 中做游戏充值，可能会被苹果抽取 30% 的利润。这时客户充值的金额不全是用户对企业贡献的人均价值。为准确计算渠道抽成情况下的 LTV，LTV 分析中支持设置营收事件的利润比例。示例中，将 iOS 端游戏充值的利润比例设置为 70%，即可更准确的计算 iOS 用户游戏充值的 LTV。

2.3. 按属性分组查看

LTV 支持按照初始事件属性、用户属性、用户分群或标签进行分组查看，支持同时添加多个分组。如选择用户属性按注册渠道进行分组，我们则可以看到不同注册渠道的 LTV 情况。

如果这里选择的是数字或时间类型的属性，可以自定义分组区间。如果没有设置，查询引擎会动态计算分组区间。此设置仅在当前查询生效，将查询保存为书签后，也会在书签中生效。

2.4. 设置用户筛选条件

可以添加全局的用户筛选条件，来分析特定用户群体的 LTV 情况。比如，添加“性别等于女”，来分析女性用户的 LTV 情况。

2.5. 趋势视图

LTV 分析中，支持以两种视图来查看 LTV 分析的结果，趋势视图和对比视图。趋势视图中，可以查看 LTV 随留存时长的增长趋势；对比视图中，可以对比 LTV 随初始日期的变化情况。

2.5.1. 趋势图表

在趋势图表中，可以查看 LTV 随留存时长的增长趋势。

趋势图表的展示分为两种情况：按总体查看时，可以查看各营收指标和总营收的 LTV 随留存时长的增长趋势；按属性分组查看时，在图表中可以查看各分组所对应的总营收的增长趋势。

2.5.2. 趋势表格

在趋势表格中，可以查看详细的 LTV 指标数值。同时，多指标时能显示总营收和各指标在总营收中的占比。

表格中，

  1. 按分组查看时，分组列默认会按初始人数由大到小排序。可以按照分组名、初始人数和各分组的总营收 LTV 值对分组重新排序。也可以用分组名对分组进行筛选。
  2. 指标列中，点击“展开”按钮，可以展开初始日期行，查看各初始日期下的 LTV 详情。
  3. 初始人数列展示时间段汇总去重后的初始用户数和各初始日期访问的初始用户数。点击用户数时，可以查看用户列表、创建用户分群。
  4. LTV 0-7、LTV 15、LTV 30、LTV 60、LTV 90 等列展示具体的 LTV 指标值，包括各初始日期对应的 LTV 和时间段内汇总的 LTV。其中，多指标时，汇总行会展示各指标在总营收中的占比。

2.5.2.1. 浏览用户详情

初始人数列中的数字是可以点击的。点击可以浏览这些用户的详细信息，并且进一步浏览其中单个用户的详细行为序列。

2.5.3. 自定义 LTV 时间周期

  • 支持展示LTV 7~ LTV 15和LTV 16~ LTV 30连续的LTV数据
  • 支持自定义LTV 周期，最大支持 LTV 365
  • 自定义的LTV 数据支持保存到概览

2.5.4.

2.5.5. LTV 预测

趋势图中支持切换为预测视图。

支持预测 30、60、90、180 天的 LTV，展示智能算法预测得到的预测值、预测的最大值和最小值。

2.5.5.1. LTV 预测注意事项

  • 单指标无分组、且选择时段的最早日期距今不少于 7 天时，才能够切换为预测视图。
  • 预测的是时间段内各日期 LTV 的汇总值。预测计算汇总时，会去掉数据不全的日期。因此 LTV 预测值可能大于趋势视图中的 LTV 汇总值。

2.6. 对比视图

在对比视图中，可以对比 LTV 随初始日期的变化情况。

2.6.1. 对比图表

和趋势图表一样，对比图的展示分为两种情况：按总体查看时，可以查看各营收指标和总营收的 LTV 随初始日期的变化情况；按属性分组查看时，在图表中可以查看各分组所对应的总营收 LTV 随初始日期的变化情况。

在图表的右上角会显示当前展示的 LTV 值，默认展示 LTV 7。用户可以在下拉列表中切换需要对比的 LTV 值，可以切换的 LTV 值包括 LTV 0-7、LTV 15、LTV 30、LTV 60 和 LTV 90。

2.6.2. 对比表格

和趋势表格一样，在对比表格中，也可以查看详细的 LTV 指标数值。同时，多指标时默认展示总营收，点击指标列的“展开”按钮，显示各指标的 LTV 数值及其在总营收中的占比。

表格中，按分组查看时，默认会按分组名正序排序各分组。支持对分组进行筛选，可以按照分组名和各分组的总营收 LTV 值对分组重新排序。

3. 更多问题

3.1. LTV 分析和留存分析中都能计算累计人均值，他们有什么区别？

LTV 分析计算的是累计人均值。留存分析中的同时显示功能，可以计算阶段累计人均值，也能用于计算 LTV。但两者在计算口径上是有区别的。共有三个差异点。

  1. 初始用户群体的不同点：留存分析中，只要用户发生了初始事件，就会计入到对应的初始日期中。LTV 分析中一个人有多次初始事件时，这个用户只会计入初始事件发生最早的那天。
  2. 留存用户群体的不同点：留存分析中计算的是留存用户的累计人均值。当留存分析中的后续事件不是营收事件时，计算的留存用户群体会和 LTV 分析不相同。 LTV 分析中计算的是初始用户中发生营收事件的用户。
  3. 首日事件发生的先后顺序：留存分析中，第 0 日/周/月的计算中，是不区分初始行为和后续行为的先后顺序的，因此当日内后续行为早于初始行为，也会计入留存用户群体。 LTV 分析中，只有营收事件不早于初始事件才会算进营收。