案例練習(xí) | 數(shù)據(jù)_計(jì)算LTV和CAC

LTV,Life Time Value,用戶的終身價值,即用戶在產(chǎn)品內(nèi)貢獻(xiàn)的總的價值。

CAC,Customer Acquisition Cost,即單個用戶的獲取成本。

兩者都為均值。

一、LTV與CAC的關(guān)系

關(guān)系一:LTV>CAC

在新用戶的獲取上,要保證一個用戶在整個生命周期中給產(chǎn)品帶來的價值(LTV)大于獲取這個新用戶所耗費(fèi)的成本(CAC),否則獲取的用戶越多,虧損越嚴(yán)重。即LTV>CAC ,公式看似簡單,卻是用戶獲取的本質(zhì)約束。

很多風(fēng)險(xiǎn)投資機(jī)構(gòu)普遍認(rèn)為LTV>CAC的時候產(chǎn)品或者公司是有可能性的,LTV<CAC的時候模式是無意義的。

當(dāng)然,在一些特定的階段,會出現(xiàn)雖然LTV<CAC,但還是會大量燒錢獲取用戶的情況。比如在打車、外賣、共享單車這些行業(yè)早期的時候,先補(bǔ)貼獲取用戶,搶占市場份額,后面再想辦法賺錢。

關(guān)系二:\frac{LTV}{CAC} \ > 3

除了LTV需要大于CAC之外,兩者比值也是體現(xiàn)產(chǎn)品商業(yè)價值的指標(biāo)。在有競爭的環(huán)境下,即使LTV>CAC,但是如果LTV/CAC的比值小于其它競品公司,同樣會在競爭中很多被抬高的CAC壓垮。

因此投資機(jī)構(gòu)在投資時,還會關(guān)注LTV/CAC的比例,一般認(rèn)為LTV/CAC>3是有較大概率占據(jù)行業(yè)領(lǐng)先地位的。

Q1:那么LTV/CAC是不是越大越好呢?

A:并不一定,如果過大,很有可能說明在市場拓展中還太保守,沒有盡快的占領(lǐng)市場。因此,需要保持在大幅推廣的情況下,LTV/CAC在3左右,是一個比較好的狀態(tài)。

Q2:為什么是3這個數(shù)值呢?

A:這里我并不知道精確的答案,但隨意套用了下28法則,“一線希望”部分的面積的確占比20%。

二、計(jì)算CAC

計(jì)算方法:CAC = 市場總花費(fèi)  /  同時期新增用戶數(shù)

參數(shù)說明:市場總花費(fèi)一般包括推廣渠道花費(fèi),營銷和銷售的總費(fèi)用,甚至包括所有市場,運(yùn)營人員的人力成本,這里只要把我們付出的成本都算進(jìn)去就好。

三、計(jì)算LTV

計(jì)算方法:LTV=LT\times ARPU

參數(shù)說明:

1)ARPU,Average Revenue Per User,為每用戶平均收入。

ARPU=總收入/總用戶數(shù),一般這個總用戶數(shù)是按照DAU來計(jì)算的,為每用戶平均天收入。

這里取某階段的平均ARPU即可。

2)LT,Life Time,為用戶的平均生命周期。計(jì)算較為復(fù)雜,下面將分步進(jìn)行。

首先,假設(shè)新增一批用戶A,用戶在后面第n天的留存用戶數(shù)為A(n)

STEP1:計(jì)算這批用戶的生命周期之和

留存1天的?\rightarrow [A-A(1)]\times 1

留存2天的\rightarrow [A(1)-A(2)]\times 2

······

所以,這批用戶生命周期之和 = [A-A(1)]*1 + [A(1)-A(2)]*2 +… + [A(n-1)-A(n)]*n +[A(n)-0]*(n+1)

=A+A(1)+A(2)+… +A(n-1)+A(n)

STEP2:計(jì)算這批用戶的平均生命周期

平均生命周期 = LT = 生命周期之和 / 用戶數(shù)

 = [A+A(1)+A(2)+… +A(n-1)+A(n)]/A

=1+\frac{A(1)}{A} +...+\frac{A(n)}{A}

因?yàn)椋趎天的留存率 = R(n) = A(n) / A

所以,LT=1+\sum_{i=1}^n R(i)

由上式可知,用戶的平均生命周期 = 留存率之和。

STEP3:計(jì)算這批用戶的留存率之和

假設(shè),我們已經(jīng)知道部分留存數(shù)據(jù),比如,次留50%,7日留存30%,30日留存15%

留存率之和計(jì)算步驟如下:

① 利用Excel根據(jù)已有數(shù)據(jù)繪制散點(diǎn)圖

② 根據(jù)散點(diǎn)圖擬合回歸曲線,得出回歸方程

③ 根據(jù)回歸方程預(yù)算出更長時間的留存率(譬如120天,或者更長,但留存率要>=0)

④ 然后求和得出留存之和

下圖為①②步驟所得留存曲線和擬合方程式,本次采用對數(shù)函數(shù)進(jìn)行擬合:

下圖為③④步驟根據(jù)擬合方程 y = -0.103ln(x) + 0.5001 計(jì)算得到的留存之和:

STEP4:得出用戶的平均生命周期?LT

因?yàn)椋?img class="math-inline" src="https://math.jianshu.com/math?formula=LT%3D1%2B%5Csum_%7Bi%3D1%7D%5En%20R(i)" alt="LT=1+\sum_{i=1}^n R(i)" mathimg="1">

所以,LT=1+12.88=13.88

關(guān)于LT的補(bǔ)充:

LT我們還可以采用“全樣本統(tǒng)計(jì)”的方法進(jìn)行計(jì)算。

即用戶最后一次使用的日期,減去他注冊的日期,得出單個用戶的留存天數(shù)。把所有用戶的單用戶留存天數(shù)平均一下,我們可以把它視為用戶的LT。

這種方法的缺點(diǎn)是非常不靈敏。樣本需要足夠的大,時間跨度需要足夠的長,才能得出真實(shí)的數(shù)據(jù)。譬如,你的app上線時間少于一年,得出的數(shù)據(jù)則誤差很大,是沒有意義的。

以上根據(jù)LTV=LT\times ARPU即可完成LTV的計(jì)算。


聲明:本文為自己的“案例練習(xí)”模塊,并非全部為原創(chuàng),內(nèi)容參考于人人都是產(chǎn)品經(jīng)理的作者“南村小付”。

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
平臺聲明:文章內(nèi)容(如有圖片或視頻亦包括在內(nèi))由作者上傳并發(fā)布,文章內(nèi)容僅代表作者本人觀點(diǎn),簡書系信息發(fā)布平臺,僅提供信息存儲服務(wù)。
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 228,702評論 6 534
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 98,615評論 3 419
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人,你說我怎么就攤上這事。” “怎么了?”我有些...
    開封第一講書人閱讀 176,606評論 0 376
  • 文/不壞的土叔 我叫張陵,是天一觀的道長。 經(jīng)常有香客問我,道長,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 63,044評論 1 314
  • 正文 為了忘掉前任,我火速辦了婚禮,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 71,826評論 6 410
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 55,227評論 1 324
  • 那天,我揣著相機(jī)與錄音,去河邊找鬼。 笑死,一個胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 43,307評論 3 442
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 42,447評論 0 289
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 48,992評論 1 335
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 40,807評論 3 355
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 43,001評論 1 370
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情,我是刑警寧澤,帶...
    沈念sama閱讀 38,550評論 5 361
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 44,243評論 3 347
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 34,667評論 0 26
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 35,930評論 1 287
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個月前我還...
    沈念sama閱讀 51,709評論 3 393
  • 正文 我出身青樓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 47,996評論 2 374