8-3 用户增长 LTV 模型 - 井冬萍（Sunny）快手-数据科学家

LTV（Lifetime Value）及其应用

什么是LTV

• 定义：LTV = LT（活跃天数）× ARPU（用户每次活跃产生的价值）
• 应用领域：用户增长、生命周期管理、潜在用户、回流用户、新增用户、活跃用户、流失用户

何时需要LTV预估

• 潜在用户：预测未激活用户的LTV价值
• 回流用户：预测用户本次生命周期内的LT和ARPU
• 新增用户：预测用户本次生命周期内的LT和ARPU
• 活跃用户：根据最近N天的特征预测用户本次生命周期内的LT和ARPU
• 流失用户：预测潜在的回流LTV价值

如何实现设备粒度LTV预估

• 颗粒度：包括大盘、Cohort、设备/用户
• 周期定义：根据公司发展阶段、宏观经济环境、历史数据积累、应用场景等因素确定
• 时效性：数据积累越快，预估越不准；但太慢则无法满足业务需求
• 准确性：评估LTV预估的准确性，包括设备粒度、Cohort、序列、分布等方面的准确性
• 模型选择：使用BG/NBD、Pareto/NBD、Gamma-Gamma等模型
• 特征工程：通过用户近N天的画像特征、行为特征、消费特征、生产特征等维度进行预估
• 技术实现：使用深度学习模型如MLP、Embedding Layer、Transformer Layer等

LTV的应用与价值

• 增长策略：帮助优化和衡量拉新、回流、活跃、补贴等策略的效率
• 回流策略：根据用户回流后的表现调整LTV预估，优化回流价值
• 活跃策略：根据用户表现调整LTV预估，优化活跃策略的价值
• 流失预警：在用户流失前进行预警，调整策略
• 买量优化：根据用户表现调整LTV预估，优化买量效果

数据基建与模型基建

数据基建

• 预测结果：根据真实值累积做矫正
• 维度：模型线上join的数据源、维度特征或偏实时的数据
• 特征：离线储存的训练/预测数据，决定特征的复杂性、模型的体量、更新频率

模型基建

• 模型框架：建立拓展性强、可服用性强的模型框架
• 内部工具：部署任务、管理机器资源
• 日常监控：预测异常监控、模型准确率监控、特征变化监控

多谢观看，Q&A时间。