2021/8/12
獲客環節的核心能力: 精准拿量能力. 擴大新增用戶規模, 同時保證新用戶質量
獲客環節的關鍵問題:
- 目標用戶
- 用戶值多少錢(LTV), 成本(CPA, CAC), 多長時間回本
- 渠道質量, 資源分配
- 如何觸達用戶
- 產品和服務的推廣方式
針對上述問題2: 單位經濟(UE)模型, 從單用戶視角出發, 拆解成本和收入
成本
很多人不理解CPA與CAC有什么區別，常把他們混淆，或者都叫新用戶成本。實際上他們是完全不同的指標。
- CPA是指獲取一個流量的所花費的成本。
- CAC則是指獲取一個客戶所花的成本。（一般指付費用戶）
流量不一定會成為客戶，他們中間差着一個付費轉化率CR。
付費轉化率CR = CPA / CAC (=獲取付費用戶數 / 獲取流量數)，付費轉化率越高，獲取一個付費客戶的成本CAC越低。這是通過CPA和轉化率推導CAC的方式，其實CAC本身是有更准確的計算方式的。
收入
LTV詳解見本文后半部分.
UE模型的應用價值：
- 用戶生命周期價值及增長趨勢，並可預估未來價值。
- 各項成本支出及回收周期，可以判斷成本控制范圍，能否收回。
- 單用戶在整個生命周期內貢獻的凈價值。
個人理解:
- 在該分析模型中, 考慮指標的 價值維度(衡量用戶價值大小) 時間維度(成本回收周期), 考慮付費前后的user-base metrics
- 在商業上, 補充考慮了獲客成本控制(例如成本 < 1/5*LTV), 渠道質量評估和資源分配, 以及每個用戶的成本回收期
source: 生命周期價值LTV預測 (qq.com)
1. LTV定義: 在獲得新用戶后的一段時間內, 沒以為用戶的平均利潤凈現值
2. LTV指標定位:公司級大帳, 帶預測屬性. 同為大帳的還有獲客成本, ROI=LTV / 獲客成本.
3. LTV使用場景: 應用於市場營銷領域, 判定企業是否能獲取高利潤的重要參考. 最初多應用於游戲行業
3.1 計算ROI
獲客成本可分為: CPM, CPC, CPD, CPA
3.2 預估成本回收期
得到獲客成本, 並且計算出n日用戶LTV后, 可評估出在第k日時回收成本
若回收期過長, 則需要改造產品功能和商業邏輯
3.3 判定渠道質量
渠道評估: 分渠道, 注冊日期, 人群等多維度進行LTV對比
成本控制: 在已知LTV的前提下, 可評估最大買量成本
投放配比: 依據渠道用戶LTV, 進行高低質量用戶策略配比, 保證游戲氛圍活躍又有一定充值用戶
3.4 支持產品運營
產品功能調整 功能變化前后的LTV對比
運營策略方向 如電商不同品類的LTV對比
LTV計算邏輯
趨勢接近冪函數
LTV預測方法
方法1: LT * 活躍ARPU
1.1 預測邏輯:
LT基於留存率衰減趨勢( $\sum_{n=1}^N n日留存率$), 其中N日留存率為0.
單用戶活躍天內ARPU: 趨勢不穩定難以預估, 一般使用一段時期內的均值
1.2 優點: 簡單, 適合產品功能穩定后預測
1.3 缺點: 留存率擬合存在誤差, 忽視了不同時期的用戶ARPU是動態變化的
方法2: 依據交易預測 付費LT*付費ARPU
新客預測: 付費LT * 付費ARPU
全量用戶預測: 付費LT * 付費APRU * 新付費轉化率
2.1 預測邏輯:
預測用戶付費生命周期: 冪函數擬合各周付費率衰減趨勢
假定不同階段用戶周付費ARPU不變
如需預測全部用戶, 需加入付費轉化率
2.2 優點：簡單粗暴、常用、模型化
2.3 缺點：需要預測3個變量增大預測偏差
①付費率擬合存在誤差
②不同付費周期用戶ARPU是動態變化的，用戶貢獻價值是不同的。
③付費轉化率受產品調整及運營活動影響較大
方法3: 實際LTV數據擬合預測
3.1 預測邏輯:
冪函數曲線擬合歷史LTV數據
3.2 優點: 依據真實歷史LTV預測
3.3 缺點: 對數據量和質量要求較高, 數據量少時需人工修正預測結果