神策分析 v3.0.1 以上版本支持以下全部功能，神策分析 v3.0.0 及以下版本文档可见 v 2.5 版本 LTV 分析 帮助手册

1. LTV 分析概述

LTV 是 Life Time Value 缩写，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：

• 广告投放的效果：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？

• 市场营销活动的效果：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？

• 产品迭代和功能优化：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？

• 用户细分：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. LTV 模型

2.1.1. ARPU（阶段累计人均值）

概念：

• ARPU (Average Revenue Per User)，即平均每用户营收，指的是用户首次行为发生后的 n 天内，所有初始用户所产生的总营收除以初始用户人数的平均值，这个指标反映了公司从每位用户那里获得的平均收入。计算公式：ARPU = 总营收 / 初始用户人数。
• 该计算口径可以更好的理解用户价值，优化资源分配，并制定更加精准的商业策略。

计算公式：

• ARPU = ARPU = 总营收 / 初始用户人数。
• 累计总营收：用户在 n 天内产生的所有营收总和
• 初始用户数：产生初始(事件)行为的用户总数

应用场景：

• 市场推广效果评估：可以通过计算推广活动后的累计人均价值来评估活动的成效，了解每个新用户的获取成本与他们带来的收益之间的关系。
• 运营决策支持：可以根据累计人均价值的分析结果调整运营策略，比如增加对高价值用户的营销投入或改进产品功能以满足用户需求。

2.1.1.1. 开启预测分析

仅累计人均价值计算口径支持开启预测分析。

开启预测分析后：仅支持配置一个营收事件指标，且不支持添加分组。

2.1.2. 总营收（阶段累计总和）

目的：用户营收追踪

概念：

• 总营收是指用户首次行为发生后的 n 天内，所有初始用户产生的总收入总额（ n 天的累计值）。
• 该计算口径可以全面评估用户在特定时间段内对业务的贡献。

计算公式：

• 用户在观测窗口期 n 天内产生的所有营收的总和。累计总营收=∑(用户营收事件)。

应用场景：

• 渠道贡献度分析：比较不同销售渠道用户的累计总营收，以优化渠道策略和资源分配
• 产品发布分析：在新产品或服务发布后，可以通过监测用户在初始行为后的 n 天内的累计总营收，来评估产品市场的接受度和用户的购买潜力。

2.1.3. 日营收（单日营收汇总）

概念：

• 日营收是指在初始行为后的第 n 日，用户当天发生的所有营收事件的总价值（第 n 日）。
• 该计算口径可以深入了解用户在完成初始(事件)行为的商业价值，帮助我们衡量单一时间点的用户贡献，对于评估市场策略和用户忠诚度至关重要。

计算公式：

• 总营收=第 n 日用户营收事件汇总

2.1.4. 日营收人数

目的：用户营收参与度分析

概念：

• 日营收人数是指在初始行为后的第 n 日，所有进行了营收行为的用户的总数（第 n 日）。
• 该计算口径可以通过识别用户行为的模式，观测在不同的时间节点上，用户群体的参与度和活跃度，并据此调整市场策略和产品发展路线图。

计算公式：

• 营收人数：第 n 天发生营收(事件)行为的用户数量进行汇总，以得出该日的营收人数。

应用场景：

• 用户留存策略：通过分析用户在初始(事件)行为后的营收参与度，识别哪些用户群体更有可能成为长期客户，并制定策略以提高用户留存率。
• 个性化营销：根据用户在第 n 天的营收行为，创建个性化的营销信息或提供定制化的产品和服务，以增加用户参与度。

2.1.5. ARPPU阶段人均营收贡献）

目的：用户平均营收贡献分析

概念：

• ARPPU(Average Revenue Per Paying User)，即平均付费用户营收，指的用户首次行为发生后的 n 天内，仅针对那些实际产生了营收的用户，总营收除以这些付费用户人数所得的平均值。这个指标反映了付费用户的平均消费水平。公式：ARPPU = 总营收 / 发生营收行为的用户人数
• 该计算口径可以观测产生营收贡献的用户在关键时间段内的平均经济贡献。

计算公式：

• 累计营收人均价值 = 累计总营收 / 累计营收人数
• 累计总营收：用户在观测窗口期 n 天内产生的所有营收的总和
• 累计营收人数：在观测窗口期 n 天内至少发生一次营收(事件)行为的用户总数

2.1.6. 日新增营收人数

目的：用户营收激活分析

概念：

• 日新增营收人数是指在初始行为后的 n 天内，那些 0 到 n-1 日中未产生过营收，但在第 n 日首次进行消费的用户总数（第 n 日）。例如：2024年1月1日 LTV 3 的新增营收人数指标的计算逻辑为：用户在LTV 0、LTV 1、LTV 2 窗口内都没有发生营收行为，在 LTV 3 窗口内首次产生了营收行为，所以记为 LTV 3 的新增营收人数。
• 该计算口径可供了一个关键的激活指标，显示了用户在特定时间点的参与度。

计算公式：

• 例如：对于2024年1月1日的分析，我们将在 LTV 0 至 LTV 2 期间未进行任何营收行为的用户进行筛选，并将其中在 LTV 3 窗口内首次发生营收行为的用户计入 LTV 3 的新增营收人数。

应用场景：

• 渠道和合作伙伴效果评估：评估不同渠道和合作伙伴在推动用户首次营收方面的效果。
• 客户细分和个性化策：识别不同用户细分群体的首次营收行为，实施个性化的营销和沟通策略。

2.2. 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，可以根据具体需求添加筛选条件，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”。

2.3. 选择营收事件

在营收事件中添加的营收事件即为预期观测的营收指标，用户可以分析查看该指标 LTV n 的数据情况。LTV 分析支持添加多个营收事件。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。

2.3.1. 筛选营收事件

有些业务场景需要分析部分营收事件所贡献的收取情况。例如：购买虚拟道具中，某个新开发的虚拟皮肤所贡献的收入。

那么在 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。

2.3.2. 添加营收系数（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。

为了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。将示例中 iOS 端游戏充值的利润比例设置为 0.7，即可更准确的计算 iOS 用户游戏充值的 LTV n 的数据结果。

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. 分组选择

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。

2.6. 窗口期

窗口期：提供「查看全部窗口期」和「仅查看关键窗口」两种模式，支持自定义窗口期适应不同业务需求。

• 「查看全部窗口期」：支持选中的窗口期逐日显示。例如用户窗口期自定义为 LTV 9 ，那么查询结果表将显示 LTV 当天、LTV1、LTV 2、LTV 3、LTV 4、LTV 5、LTV 6、LTV 7、LTV 8、LTV 9 计算结果列
• 「仅查看关键窗口」：支持自定义窗口期，用户可按业务场景自定义想展示的关键窗口期的时间点。例如用户配置了 3、9、12 三个窗口，那么查询结果表将显示 LTV 3、LTV9、LTV12 三个指定窗口的 LTV 结果列查询结果

2.7. 时间选择

支持按天粒度查看 LTV 的数据结果。

这里选择的时间范围，是初始事件行为发生的时间范围。如下图选择窗口期“ LTV 7 ”、时间范围 “ 2024-06-01 至 2024-06-07 ”，营收事件发生时间范围的截止日期会被延展到 2024年 6 月 14 日（ 2024 年 6 月 7 日向后延展 7 天）。

3. 数据结果

3.1. 趋势分析

趋势视图中，可以查看 LTV 随留存时长的增长趋势；

3.1.1. 趋势图

在趋势图表中，可以查看 LTV 随留存时长的趋势。

趋势图表的展示分为两种情况：

• 无分组时：可以查看各营收指标和总营收的 LTV 随留存时长的趋势；
• 有分组时：
  • 只有一个营收指标：在图表中可以查看各分组所对应的小计结果的趋势，支持切换分组查看。
  • 存在多个营收指标：在图表中可以查看各分组所对应的小计结果的趋势，支持切换指标、切换分组查看。

3.1.2. 趋势表格

在趋势表格中，可以查看详细的 LTV 指标数值。

3.1.2.1. 指标展示

可根据分析需求配置展示的指标显隐。可配置范围：初始人数、累计营收人数、营收事件指标（至少选中一个）。

3.1.2.2. 显示分组汇总

勾选「显示分组汇总」，会展示明细数据及下图中的小计、总计数据，取消后则仅展示明细数据。

3.1.3. 指标信息提示

点击初始人数、累计营收人数等用户数相关指标时，可以查看用户列表、添加用户分群、查看用户画像。

在用户列表支持进一步浏览其中单个用户的详细行为序列。

3.2. 对比分析

在对比视图中，可以对比 LTV 随初始日期的变化情况。

3.2.1. 对比图

和趋势图表一样，对比图的展示分为两种情况：

• 无分组时：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
• 有分组时：
  • 只有一个营收指标：在图表中可以查看各分组所对应的小计结果LTV 随初始日期的变化情况，支持切换分组查看。
  • 存在多个营收指标：在图表中可以查看各分组所对应的小计结果LTV 随初始日期的变化情况，支持切换指标、切换分组查看。

在图表的左上角会显示当前展示的 LTV 值，默认展示配置的有效窗口期内第一个 LTV 窗口 。用户可以在下拉列表中切换需要对比的 LTV 值。

3.2.2. 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。同时可通过「指标展示」配置表格中指标列的显隐。

3.3. 预测分析

3.3.1. 预测分析开关

可以通过预测开关，开启预测分析视图

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。

3.3.2. 预测分析注意事项

• 分析配置限制：

  • 营收事件指标限制：仅支持预测单个营收事件指标。当分析配置中存在多个营收事件时，仅保留第一个指标进行预测，其他指标自动清除
  • 添加分组限制：不支持按分组预测。当分析配置中存在多个分组时，开启预测，全部分组自动清除
  • 时间范围限制：所选时间范围距今需大于7日
• 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。

3.3.3. 预测图表

切换为「预测分析」视图

根据用户配置的指定预测窗口期，展示智能算法预测得到的预测值、预测的最大值和最小值。

4. LTV 计算逻辑

用户行为序列定义：A - 注册、B - 充值（金额数值）、C - 购买会员（金额数值）、D - 访问活动页

用户行为记录表：

注：表格中的金额数值表示用户对应行为涉及的金额。

统计逻辑说明：

假设条件

• 初始事件：A
• 营收事件：B
• 时间范围：2024-01-01 至 2024-01-02
• 窗口期：LTV当日到LTV7

计算以下指标：初始人数、累计营收人数、LTV i ( sa 2.5、sa3.0 累计人均价值模型计算过程示例)

1、初始人数 & 累计营收人数

• 初始人数：筛选出在初始日期发生事件A的用户，这些用户构成了我们的初始用户基础。
• 累计营收人数：在初始用户基础上，统计在随后日期触发事件B的用户总数（去重）

示例计算

2、 LTV i 的 ARPU( sa 2.5、sa3.0 ARPU计算过程示例)

• ARPU：衡量在特定阶段内，用户因触发事件B而产生的平均营收贡献。
• 计算步骤：
  1. 确定初始用户数：统计初始日期发生事件A的用户总数。
  2. 计算B事件阶段累计总和：累加指定阶段内所有用户因事件B产生的总金额。
  3. 计算B事件人均累计值：将B事件的累计总和除以初始用户数，得出人均平均贡献。
• 公式示例：​

示例计算

5. FAQ

5.1. 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。