如何通过有效执行同期群组分析来优化LTV

sea_bug

GameRes专稿，译者/陈老板的乖女，转载请注明出处。


　　Christian Henschel，是Adjust（前身是Adeven，一家移动应用分析公司）的联合创始人兼CEO，有着数字营销的背景，现在专注于移动应用分析和表现评估。

　　在竞争高度 激烈的移动游戏行业中，了解用户的LTV是一项非常艰巨的任务。

　　但是当你拿下它了，你就能先人一步知道哪个推广渠道值得你花钱去投了。

　　简而言之，用户的LTV就是他们的终身盈利收益，减去你获取他们的成本。

　　然而，这并不是静态数字。因为LTV会随着玩家的生命周期变化和增长，为了知道玩家的行为表现，数字分析是非常必要的。

　　特别重要的是，只关心平均变动或者尝试用不断变化的用户来衡量过去的营收来描绘LTV，只能得到滞后的数据。这样你只能得到滞后的反馈。

　　这些有时候会隐藏掉一些不是你想要的数据真相。如果你想公平的比较数据，真正测量推广渠道的营收，那么同期组群和正确的生命周期分析是非常关键的。

正确的优化

　　有2种方式可以表现LTV，一种是基于特定事件之后的数据建模（适用于当你的数据组有限的时候），另一种是基于在特定的时间点捕获初步数据。

　　不管是哪种方式，你都可以利用LTV来鉴别哪些推广渠道ROI比最高，然后投入更多的时间和预算在这些渠道里。

　　让我们来假设你有一款F2P游戏。你的LTV一直在变化，因此你可能有一个核心指标。你片面的感觉产品销量在上涨，所以努力提高现有用户的LTV值，然后片面的获取你看起来在游戏中非常活跃的用户。

　　最简单也让最直观的找出这些的方法就是根据你的用户相当长的一段时间表现来计算平均LTV，观察这项指标作为单个直接的KPI。也许它向上移动，很好，或者向下移动，不好。这种方式直截了当。

　　对于我们的一些游戏玩家，根据平均LTV这个指标走势出来的图形可能是这样的：

　　平均LTV看起来不错哟亲。

　　乍一看，是不是心花怒放啊。你可以看到有一段时间LTV有强有力的上升趋势，作为成功的优化结果，曲线达到了一个较为平稳的走势。

　　让我们看看这个指标，我们好像是优化了LTV，然后可以把注意力转移到别的地方了。

　　但是，我们可以看到如果与此同时我们放入另一个指标（14天ARPU值），那么貌似就不是那么一回事儿了。

　　这真是坑爹呀！！！

　　这个图表展示了平均LTV与同期群组14天每用户平均收益（ARPU）的对比。我们可以观察到一些差别之处，从虚线开始前面的LTV（ARPU值）是最大平均LTV（ARPU值）的2.5倍——之后就开始下降的十分厉害了。

　　蓝色那段平缓的曲线并不是LTV被优化了。新导入的用户收益早就缩水了，意味着新的同期群组已经戏剧化的有一个比之前最先下载注册的用户还要低的LTV值。

　　这个残酷的信息被第一次分析的时候那个有残缺的KPI所彻底掩盖了。

　　这就是一个有效执行的同期群组分析帮助你在早期计算LTV得到更快而又残酷的优化反馈，也让你意识到，一个标准的回顾平均LTV是有可能在负面程度上影响你的分析。

herosone

只要你能留住用户，迟早你会得到好处。
麻花疼花了10年让用户花第一笔钱。