總舵主教你打造數據模型,精準預測 LTV! (內附Excel模型)

上一期本舵主和大家講解了為什麼價值營銷才是新王道，強調了LTV（用戶終身價值）的重要性。立馬就有小夥伴跑來請教，說希望知道如何精準預測LTV，以便調整之後的營銷策略。

 

舵主我向來辦事靠譜，已經把教材都整理好了，這一期就會手把手教大家打造數據模型，對LTV進行精準預測，更會把當中用到的excel數據表和數據模型免費送給大家，傾囊相授、絕不藏私。

 

今天的課程乾貨滿滿，事不宜遲，我們趕緊開始吧！

累積初期數據，為預測LTV奠定基礎

不同的遊戲，LTV的時長和觀察單位都有所不同，我們根據遊戲的輕重度進行了簡單分類，方便大家參考。

 

 

無論是哪一類遊戲，我們都必須先獲得一定的LTV數據作為基礎，才能對後續的LTV進行預測。大家可以通過第三方後臺或自己的BI後臺獲得LTV數據，如果沒有這些後臺也不要緊。只要您接入了Facebook的SDK數據(即安裝了應用事件付費點)，在正確回傳相應的事件及價值的情況下，便能夠在Facebook Analytics的後臺通過lifetime value統計功能，了解每一周新獲取的玩家數量及累積的付費情況，最長可以查看過去90天的數據。

  

統計好相應的LTV數據後，可以設置較為合適的時間窗，跟著下圖所示的三個步驟，把數據導出來。

  

選取合適數據，打造模型

 

接下來就要利用導出的這些數據來預測LTV。預測LTV的方法有很多，今天我們要給大家介紹的，是某手遊海外推廣客戶在實踐中親證有效的方法，為方便大家理解，我們會使用一個模擬案例來進行說明。

 

首先要對導出的數據進行篩選，第一要確保獲得足夠的數據，其次則要確保數據在變化時的穩定性。

 

以上圖為例，最上面那一行的日期是以周為單位，第二行藍色的cohort size則是指這周獲取的新玩家數量；最左邊0到16那列綠色數字指的是新玩家進行遊戲的周數，旁邊第二列的黑色數字則指上面日期內獲取的新玩家在開始遊戲後相應周數的LTV。比如6月17日到22日有2280名新玩家，他們剛開始遊戲的付費值為1.19元/美元，到了第1周付費值則累積至2.56元/美元。

 

如圖所示，由於6月23日至29日以及6月30日至7月6日這兩周數據前面的跳躍幅度較大，累積增長情況不夠穩定，為免影響預測結果的精確度，我們決定不使用這兩周的數據。

 

選取好數據之後，如何把數據輸入到模版上去呢？

  

以上圖為例，在去掉不穩定數據後，我們一共獲得8組玩家的數據樣本，輸入到圖中標黃的位置，然後分別選取每組玩家前四周的付費數據（即在excel表格的Training中輸入4），用於預測第14周的pLTV（預測玩家終身價值）（即在excel的p of pLTV中輸入14）。 

 

由於我們提供的數據裡已經包括了第14周的真實LTV，可供參照，所以這個模型還可以計算預測結果和實際數據之間的誤差，並進行誤差修正，讓這個模型更為精確、智能。

 

由於第1到第8組是根據每周時間的推移不斷遞增的，在這個表格裡，第8組（cohort 8）的玩家是最新獲取的，因此我們需要把Latest Cohort設置為8，讓模型知道這組數據是最新的。為什麼要這麼做，我們下面就會講解到。

 

使用三種函數模型，找到最佳配對

 

我們可以使用三種不同的函數曲線（包括冪函數、對數函數和線性函數）來預測LTV，找到最搭配的函數建立LTV模型。這三種函數也包含在了我們提供的excel當中，方便大家使用。

 

上圖則是使用這三種模擬函數預測的LTV變化曲線和實際數據曲線的對比一覽圖 (此數據純屬虛構，旨在提供一個概念)。

為了對比三種模擬函數孰優孰劣，我們需要介紹兩個概念——誤差線和標準差。

  

誤差線：

由於我們是以8組玩家在前4周的數據為基礎對LTV進行預測，在這8組數據當中，每一種模擬函數預測的LTV和實際數據都存在誤差，將8組實際數據組和模擬函數的誤差值照時間順序排序之後，就可以連成一條線（如上圖右邊所示），這條線就是誤差線。

標準線：

把所有誤差值取絕對值後相加，就能夠得到標準差。標準差越小，說明這個模型越趨近於零誤差，能夠預測出來的LTV也就更加精確。

 

誤差線和標準差這兩個指標有助於我們選取一個相對更為精準的LTV預測模型。

  

 

以剛剛的三組函數模型為例，觀察下圖可發現，對比線性函數（Linear）、對數函數（Log）和冪函數（Power）三條函數曲線，對數函數的誤差線更為流暢平滑，加上對數函數的標準差也是最低的，說明對數函數模型是最佳選擇。當然在其他案例中，平滑的誤差線不一定同時完美具備最低的標準差，這時還是得參考以上的考量順序。

 

 

為LTV模型選擇最佳修正值

 

模型和實際數據之間難免會存在誤差，所以必須要對預測的數據進行修正。接下來，我們就要講解如何為LTV模型選擇最佳修正值。

 

 

在這個例子當中，由於對數函數主要是因為曲線明顯流暢平滑而獲選，所以我們使用了最新誤差(Latest Error) 來進行修正。

 

總結實踐步驟

 

最後我們再總結一下如何在實踐中使用今天分享的LTV模型，主要包括如下圖所示的四個方面。

 

選擇用於模擬的周數（在我們的例子當中即前4周），以及希望預測LTV的周數（即第14周）

輸入希望預測LTV的前幾周數據（即前4周的數據），然後套用三種函數模型對之後的LTV進行預測，便會得到圖中間下方pLTV那組數據，而圖中間上方則是三個函數的誤差表現，在我們的案例當中選擇的是曲線最為流暢平滑的對數函數（Log）。

選擇較為理想的修正值，在例子中使用的是最新誤差（Latest Error）。

最後便能得到修正後的預測付費值pLTV：以對數函數這組數據為例，第14周的pLTV在修正後，從原先的31.3變成了40.3，而下面的Optimistic和Pessimistic這兩行則分別代表了預測付費值pLTV的大致波動範圍，即最高可能會升到47.8，最低則可能跌至34.9。

根據pLTV，實時調整營銷策略

 

通過科學模型精準預測LTV，我們便能對玩家終身價值的變化趨勢有更為深刻的了解，從而更好地指導及調整營銷策略。

 

如果預測付費值pLTV 強勁: 表示用於獲取玩家的成本極可能會給您帶來更高的收益，因此可以拿出更多預算進行營銷，搶佔市場，包括：

 

如果預測付費值pLTV較弱: 證明營銷策略可能存在一定問題，要適當調整，包括：

立即掃描下方二維碼，下載文中案例所使用的數學模型的excel文件，供您參考，建立起最適合自己的LTV預測模型。