投放场景下的问题分析与用户价值预估

核心观点与关键数据

用户价值在用户增长中的作用
CLTV（客户生命周期价值）建模是用户增长的基础能力，通过准确预估不同用户状态的价值，指导增长策略制定。具体应用包括：

• 投放获客场景：预估渠道cohort粒度CLTV，优化出价策略和预算分配；通过用户粒度CLTV筛选媒体流量，提升买量效率。
• 生命周期运营场景：预估运营策略干预下的用户价值弹性，识别敏感人群，优化资源分配。

用户价值定义

• pCLTV（nLTV）：用户在生命周期某个session内的价值，是常用建模目标。
• CE（客户资产）：一组用户CLTV总和，最大化客户资产是部分场景（如生命周期运营）的优化目标。

行业相关工作

• CLTV建模主要解决数据稀疏、不平衡、多分布等问题。

投放场景问题分析

• 付费投放获客：多方博弈（广告主、媒体平台）下对公域流量的利用，存在渠道割裂和数据需求冲突。
• 提升ROI关键抓手：提升LTV（用户价值）比降低CAC（客户获取成本）更有效，核心在于媒体流量优选。

提升LTV的解决方案

• 内容选品：分析品类LTV差异优化投放。
• RTA（实时API）：个性化LTV表征，实时流量优选/分层出价。
• 回传LTV建模：平台深度出价能力结合浅层指标回传，实现质量建模与优选。

大禹投放平台实践

• 服务PCG内部十余业务，显著提升付费获客ROI。
• 多业务用户价值建模面临挑战：目标选择、数据稀疏、多成分多分布、多渠道数据复用。

投放场景CLTV建模目标选择

• 窗口期设置：LTV14（14天）是较优选择，平衡样本等待期和观察周期（如Pearson相关性0.7～0.8）。
• RTA流量优选需短期敏捷指标。

LTV建模效果评估方法

• 传统nMAE、nMAPE不适用，需关注样本Ranking（如AUC、Normalized Gini Coefficient）。
• 头部用户筛选场景需补充Precise-Recall等指标。
• ABTest前效果预测试：通过关系趋势表推算应用阈值，估算实际提升效果。

样本稀疏问题解决方案

• 投放场景样本规模远小于特征空间，引入预训练手段强化用户特质表达。

多成分多分布问题解决方案

• 增值付费场景零值膨胀：采用多成分模型解决极端分布问题。
• CLTV多分布：本质是多种分布叠加，需针对性建模。

多渠道问题解决方案

• 数据复用冲突：多渠道业务LTV建模时需避免直接累加数据。

未来工作展望

• 基于客户资产模型优化用户价值分层，通过渠道预算分配实现客户资产最大化。
• 持续迭代模型，从序准（排序准确）向值准（预测准确）优化，探索更精准的投放策略。