– 本文根据难易程度和繁简程度简单介绍三种计算LTV的方式，简易模型，升级模型和加强模型；
– 介绍一下优秀的LTV模型的几个特性；
– 适用公司形式：采用类似按照月度/季度/半年度/年度等向用户收取费用的公司；
– 文中所采用数据皆为模拟数据，非实际数据，仅供分析参考；
几乎每个创业公司都会关心用户生命周期价值（Custome Life Time Value: CLV or LTV), 包括一直烧钱，想和用户烧出爱情的公司。
LTV之所以如此获得关注不仅仅是因为大家从LTV里看到了“LV”，更多的其实可以用来权衡公司营销部门不同渠道可以承受多少的获客成本（Customer Acquistiion Cost：CAC)，让售后服务部门也认识到他们工作的重要性，减少用户流失就相当于给公司在赚钱。
尤其当一个公司规模还很小的时候，所有的人员都应该深刻理解LTV和CAC等对公司的意义，以及能够影响到他们自身的工作中去。在介绍具体的几个LTV计算模型之前，个人觉得一个值得信赖的LTV应该包含如下几个特点：
优秀LTV的四大特性
LTV应该是动态预测的
一个优秀的LTV不是静态的，他应该是动态预测的，能够快速反应最新用户的价值变化情况的，这样可以让公司从LTV的动态变化过程中，及时的了解业务发展的健康程度。
LTV应该基于可靠数据
一个可信赖的LTV一定是基于足够的历史数据的模拟来预测的，没有历史数据支撑的LTV都是耍流氓式分析。一个看重数据分析的公司必然会从公司运营开始就尽可能的搜集和存储一切必要的用于理解用户和自身商业情况的数据。
LTV应该可细化颗粒度
比如我们公司 Cambly，由于我们的用户遍布全球，而且：
- 每个国家和市场的定价和折扣策略有些差异
- 不同国家的主要获客方式和渠道也有所差异
- 不同市场用户习惯不一样，用户对购买套餐的使用率不一样
- 不同市场学习习惯不一样，购买的用户套餐比例机构不一样
- 即使同一个学习套餐，在不同国家的价格/折扣/利用率也不一样
LTV应该有合理时间
理论上来说，LTV不应该设置一个时间期限，每个用户使用多久就应该计算多久。如果在一个用户成为付费用户的时候，就能够精准预测该用户会留存多久，从而获得相应的LTV，那是最完美不过。实际情况下，很难预估用户何时会流失，用户会在平台停留多久。一个比较好的方式是采用一个时间范围，能够囊括大多数（比如80%，85%或者90%）用户的生命周期。本文中的所有模型都采用最长18个月作为用户生命周期的长度标准，计算一个用户18个月内的利润贡献和其他参数变化。
根据难易和繁简程度，我们可以采用三种模型来预估一个特定用户的LTV：
一：简易版LTV模型
LTV = cash flow lag estimator * total spend * estimated margin
LTV= 现金流延迟系数*总花费*预估利润率
分析案例一：一个中国用户在Cambly平台上花费1,000美元购买了12个月的年度套餐，第二天我们就希望能够预测这个用户总共将给Cambly带来多少价值？总费用：这个很直观，用户本次在Cambly花费了1,000美元。
预估利润率：这是我们预期的从这个用户身上获得的利润率，一个好的参考指标是过去3个月（或者5/6/8月, 看实际情况）所有同类型12个月套餐用户的平均利润率是多少，比如说基于过去3个月的历史数据，我们假定利润率是15%。
现金流延迟系数：这个会复杂一点，不过仔细看应该也能够理解。因为我们模型推演是基于用户生命周期是18个月的，而用户目前只是购买了12个月的套餐，我们如何预估他在购买后未来18个月的花费呢？有些用户可能中途退费，有些可能变更套餐，有些可能到期续费同样套餐或者更改成1月或者3月的套餐。
一个思路是，我们同样可以统计所有购买同类型12个月年度套餐的所有用户，他们从购买日起后18个月花费是多少？然后得出第一次购买12个月的花费是这些用户此后在Cambly上总花销的占比是多少？比如我们根据历史数据统计获得此类用户第一次购买的花销比例是他们总花费比例的85%，所以这个现金流延迟系数就是1/0.85=1.176
因此本案例的情况就是LTV=1.176*$1,000*15%=$176.4. 即这个12个月套餐用户的预期LTV为176.4美元。
用同样的方式，我们可以将当月所有的用户（1/3/6/12月）的LTV进行预估，然后加权平均之后可以预估在当月的用户总体用户的平均预期LTV是多少，以及不同类型（1/3/6/12月）的LTV是多少。
二：升级版LTV模型
LTV =(old revenue – old costs) + (cash flow lag estimator * last purchase amount * estimated margin)LTV=（过去收入-过去成本）+ （现金流延迟系数*总花费*预估利润率）
分析案例二：一个中国用户本月在Cambly平台上花费1,000美元购买了12个月的年度套餐，然后查看历史，发现这个用户去年的时候曾经花费200美元购买过3个月的套餐，第二天我们希望能够预测这个用户总共将给Cambly带来多少价值？
简易版LTV模型的计算方式，我们对用户的最近这笔花销为基准基于同类产品的数据来预测该用户从本次购买之后会带来多少收益。但实际情况下，用户可能几个月前甚至一年前就已经购买过产品，而且过去可能买的是不同的套餐，比如1个月或者3个月。
对于用户过去的购买和使用，我们是可以相对精准的测算相应的利润的，因为我们知道过去用户支付了多少金额，以及提供对应服务的成本是多少。因此升级版LTV不会把用户的所有花销一视同仁，而是将用户的LTV分为过去实际产生的利润+当月购买套餐对应的预期利润。
假设其他条件和简易版LTV模型一致，而去年的收入是200美元，而从历史实际数据我们也计算出提供对应3个月服务的成本为150美元，因此过去的毛利润为50美元。
因此LTV=（200-150）+ 1.1765*1000*15%= 226.475美元
用同样的方式，我们可以针对在相同月份注册的所有转化用户进行计算他们各自的LTV，并计算平均值。
需要注意的是，我们需要：
- 本模型用户注册月份作为统计的标准，是为了更好的呼应对应月份的预期获客成本（CAC），从而可以在同一时间维度对比LTV/CAC的关系。
- 针对不同的套餐（1/3/6/12)月份，我们基于足够的历史数据给与不同的现金流延迟系数来推算。
- 升级版LTV模型与简易版LTV模型的主要区别是：我们将预测部分只限定于当下活跃的套餐，而对于过去已经购买和使用的套餐，因为我们有足够的实际数据可以计算出实际利润或者损失。
三，加强版LTV模型
LTV =(old revenue – old costs)+ cashflow lag estimator * (current plan revenue to date – current plan costs to date)+ cashflow lag estimator * (future accrued revenue – potential remaining minutes cost * estimated utilization)
LTV=（过去收入-过去成本）+ 现金流延迟系数*（本套餐已确认收入-本套餐已产生成本）+现金流延迟系数*（预期确认收入-潜在剩余课时数总成本*预期套餐利用率）
分析案例三：一个中国用户本月在Cambly平台上花费1,000美元购买了12个月的年度套餐，然后查看历史，发现这个用户去去年的时候曾经花费200美元购买过3个月的套餐，1个月之后我们希望能够预测这个用户总共将给Cambly带来多少价值？
升级版LTV模型虽然对于过去实际已经发生的费用和目前活跃套餐利润预测进行了拆分，从而提高了预测的准确性。但是对于用户现有套餐利润预测部分依然还是有所缺陷，比如模型将本次购买的12个月总金额占据未来18个月总花销的比例采用现金流延迟系数的方式，将一个用户12个月的行为数据平均化和实际情况会有较大的出入。比如有些用户可能前1个月用的比较勤快后面比较松散等，因此如果能够进一步将12个月套餐状态进行拆分，分为该套餐已经使用部分+该套餐剩余部分，将进一步提高LTV模型的准确性，因为对于本次套餐已经使用部分，我们也是可以相对准确的计算已经实现的利润部分，而仅需对未使用部分进行预测即可。
对于将12个月的花销部分继续拆分为已使用发生和未使用发生部分，应该比较好理解。对于本次购买套餐的已经实际上课和使用部分，实际的成本也已经发生，比较容易计算以及产生的利润。而对于用户账户中还剩余的时间，即我们未来需要交付的潜在上课时间，我们需要为潜在的这些课时支付成本，而这些成本的高低也取决于套餐的预期利用率。
由于用户已经使用了一个月，因此我们本次套餐的确认收入（current plan revenue to date)为1000/12=83美元，然后提供这些课时的总体成本(current plan costs to date)为70美元。而未来可确认收入1,000-83=917美元。假设如果用户100%使用完对应套餐剩余课时的成本为900美元（这个数据因为套餐对应课时数不同而会有所差异），而套餐的预期使用率为80%。假设预期的套餐使用率基于历史上中国所有购买该套餐用户的平均使用率作为参考指标。
LTV =(200 -150) + 1.1765 * (83 – 70) + 1.1765* (917 – 900*80%)=297美元
用同样方式，我们可以针对不同套餐的用户进行计算评估
- 不同套餐的现金流延迟系数是不同的，1/3/6/12个月分别统计获得；
- 不同套餐的潜在课时剩余总成本不同，而且预期套餐利用率也不同；
- 套餐的利用率是基于历史上所有同类型的的平均套餐利用率；
终极版LTV模型
加强版LTV模型在一定程度上已经非常好的预测了不同类型的用户的LTV，用同样的方式，如果我们将模型中的各类数据更加精准对应不同的渠道来源的用户，比如朋友推荐，KOL推荐，信息流广告以及其他的获客渠道，不同渠道的用户的付费意愿，购买行为以及现金流延迟系数和套餐使用率可能都会有所差异。如果不同渠道的各类参数差异较大，或许根据不同渠道的对应参数来优化LTV模型，可以更精准的了解不同渠道的用户LTV，从而判断不同营销渠道可以各自承受多少的获客成本CAC。LTV高的渠道，可以花费更高的CAC去获取用户，而LTV较低的渠道则应更严苛的控制CAC。
LTV和CAC是所有创业公司和营销人员都应该深刻理解和掌握的概念，不管你在何种行业，如果你能够相对深刻的理解公司的LTV和CAC的计算方式和背后的逻辑，或许你也会对业务有更深入的理解，以及对于公司的一些决策和政策调整会有更深入的理解。
这也是为什么绝大部分创业公司都特别喜欢数据分析能力好的成员。数据分析也不应该仅仅是公司的数据科学家的责任，公司的任何团队成员都应该充分学会用数据洞察来指导和优化自己的工作。
