觀念、淺談LTV.
（內容轉至網絡）
LTV(life time value)生命周期總價值，意為客戶終生價值，通常被應用於市場營銷領域，用於衡量企業客戶對企業所產生的價值，被定為企業是否能夠取得高利潤的重要參考指標。（資料來自百度百科）
在游戲數據分析中，LTV是一個公式，用於衡量一個新玩家的價值，新玩家能給你的產品帶來的收益，經常將LTV拿來跟新玩家導入成本CP*進行比較。
玩家導入成本CP*一般有這幾種情況，CPI（每安裝成本）/CPC（每點擊成本）/CPA（每激活成本）。
一般我們認為當用戶的LTV>新玩家導入成本CP*時，這樣的渠道投放才有價值。對於一個手機游戲公司，我們依靠廣告渠道投放從而導入新玩家進入游戲，這次便產生了新玩家導入成本CP*。通過計算LTV提供的玩家總價值，跟新玩家導入成本CP*作比較，一旦新玩家導入成本CP*超過了玩家總價值LTV，這樣對於游戲公司來講，是無利可圖的。
LTV是用於跟新玩家導入成本作比較的指標，那LTV的意義包含了什么呢？一般情況下，存在着三個方面來描述LTV：玩家收入，留存，玩家擴散。
首先，LTV教科書式的計算方法，LTV=LT*ARPU。根據talkingdata的方法，LT=R1+R2+…+RN，（R1表示第一天的留存率，R2表示第二天的留存率，RN表示第N天的留存率）ARPU=充值金額/活躍玩家數=ARRPU*付費率。
另一方面，LTV的價值在於與CP*的比較，從而優化游戲渠道配置，玩家擴散行為是降低導入成本CP*的好方法。
玩家收入：玩家在游戲中產生的價值，這包括ARPPU(每付費用戶平均收入)和ARPU(每用戶平均收入)。
玩家留存：玩家的游戲粘度情況，這一方面一定情況上反映了玩家的游戲生命周期的表現。
玩家擴散（自傳播）：玩家擴散一般我們采用K病毒因子來形容，K-Factor=i邀請數*con%轉化率，i邀請數是指玩家發起游戲體驗邀請的數量，con%轉化率是指通過邀請轉化成玩家的比例。玩家的邀請擴散是一種免費導入新玩家，也是提高玩家游戲生命周期的好途徑，通過玩家的邀請擴散，不需要額外的成本區獲取新玩家，降低了導入成本。
無數的游戲產品給我們展示了LTV在游戲產品運營過程中起到的決策作用。產品的成功在於產品的LTV>CP*，通過計算每個渠道的LTV及CP*，我們可以進一步的優化渠道配置，篩選出優質渠道和劣質渠道。關注玩家擴散（自傳播行為）可以讓我們的產品在玩家群體中得到口碑，然后源源不斷的免費獲得新玩家，進而降低CP*。
LTV概念和用法
概念
用戶終身價值(life time value)
（高山）每日付費金額/每日注冊人數
解釋
LTV是在一定時間內，某一客戶可能為企業帶來的利潤額. 顧客終身價值是指企業在獲得新顧客后的一段時間內，每一位顧客的平均利潤凈現值。（該解釋取自百度百科）
作用
1、對比各日（或各批次）新注冊用戶的質量，為日后導人做決策依據（所有會影響導入用戶質量的因素（如導人時間、渠道、地域等），都可以通過LTV評估）。
2、通過曲線異常分析游戲問題並解決，各批次玩家的曲線大體趨勢應一致。
3、觀測及預估用戶的成本回收情況，如難以收回成本則考慮回爐大改或放棄。
4、作為控制用戶導入成本的依據（我覺得這是扯淡：這批導入用戶的LTV值低，所以下次降低單人導入成本？那么下次的用戶質量會比這批更低，繼而導致LTV更低。如果降低導入成本，而LTV值能保持不變的話，確實會提高盈利，但是這是不可能的。另外，導入成本因導入渠道、地域等眾多條件而異，這些條件都會導致其LTV不同。因此LTV不能作為控制用戶導入成本的依據）
異同
ROI和LTV都可以觀測用戶質量和成本回收情況。
但一般ROI是以整個服務器或整個游戲的玩家為集合，
而LTV一般是以單個服務器各日的新增玩家為集合，可以詳細對比各日（或各批次）新用戶的質量差距。
算法
某日新注冊用戶N人，他們在第M天的LTV值，即這N個人在這M天中的總充值額/N。（每天都分開算）
（
算法不唯一，也有如下算法：
某日起M天內共新注冊X人，他們在第M天的LTV值，即這N個人在這M天中的總充值額/X。（幾天一起算）
LTV = 全體用戶平均游戲天數*全體用戶平均單日付費數。
N日LTV=(N日充值金額/N日總登錄人數/N日)*N日內所有用戶平均登錄天數。
）
舉例
連續8天導入用戶。
第一天，早晨通過A渠道導入北美用戶。
第二天，晚上通過A渠道導入北美用戶。
第三天，早晨通過B渠道導入北美用戶。
第四天，晚上通過B渠道導入北美用戶。
第五天，早晨通過A渠道導入歐洲用戶。
第六天，晚上通過A渠道導入歐洲用戶。
第七天，早晨通過B渠道導入歐洲用戶。
第八天，晚上通過B渠道導入歐洲用戶。
這樣通過對比，就能知道各時間、各渠道、各地域的用戶質量高低了（當然還有更多條件，不勝枚舉）。
圖示
（非真實數據，每天為一批次）
下載附件 (127.14 KB)
LTV模型