[譯] 一文教你預測 app 未來的變現情況

PTHFLY發表於2019-03-04
APP

一文教你預測 app 未來的變現情況

預測分析法介紹以及使用者生命週期價值計算

我們都想要一個魔幻水晶球，可以揭示我們的 app 在未來的表現：會吸引多少使用者以及會產生多少收入。遺憾的是，並不存在這種水晶球。但是好訊息是，我們有技術手段可以使你有效的洞察你的APP未來的表現，同時幫助你建立一個合理有效的收入策略。

這是我關於探尋生命週期價值( LTV, lifetime value )兩篇文章中的第一篇。在這篇文章中，我將會介紹預測分析法，指出一個計算 LTV 的簡單公式，並闡述如何獲得一個可用作計劃的數值。

在下一篇博文中，我將會探尋這個公式如何應用於五個時下流行的 app 的變現策略中，同時也會提供一些從開發者那得來的關於如何優化這些變現策略的見解。

預測分析法

如果你想了解你的 APP 的未來走勢，你可以通過觀察從使用者那裡收集來的資料進行預測。應用各種統計學技術，從這些資料中提取資訊，是預測分析法的主要內容。

預測模型被應用到了許多商業領域中，它們可以幫忙解答許多關鍵性的商業管理問題：明年我們將有多少付費使用者？明年的期望交易數額是多少？使用者什麼時候會從我們的服務中流失？

這些模型線上下被廣泛研究。感謝數字革命，在改良的收集、整合和歸類使用者資料的能力的推動下，我們得以見證它們正在變得越來越普及。

在移動應用的世界，遊戲開發者是這些技術的高階使用者，他們的使用對他們應用的變現有著積極的影響。

從經驗主義到數學模型的方法

預測會有多少使用者以及在未來他們的付費情況的方法會非常不同。其中最特別的兩種是：

  • 基於專業經驗或者標杆管理的簡單模型。例如一個公司僱傭了外部顧問，根據顧問的市場和行業知識，向他諮詢和預測下一年銷售情況。
  • 複雜數學模型，像是 Pareto/NBD 模型（可以看 David C. Schmittlein，Donald G. Morrison，和 Richard Colombo 的 Counting Your Customers: Who Are They and What Will They Do Next?）。這些模型將多重變數納入考慮範圍，包括近因（最近購買）以及給定時間內的頻次或者訂單數量，來計算客戶復購的可能性。

對於數學建模方法，有一些網上資源可以幫助計算，例如這個由 Bruce G. S. Hardie 在 Implementing the BG/NBD Model for Customer Base Analysis in Excel中描述的方法。

分析所需的資料和工具

預測分析技術發展的主要驅動力之一是分析工具使用量的增加。強大的分析工具可以使我們更加高效地收集、整理和整合資料，同時迅速地將它與關鍵的利益相關者和決策者分享。

一些最重要的 app 特徵資料：Some of the most important app metrics are:

  • 使用者獲得資料: 安裝數量，解除安裝數量和來量渠道。
  • 留存資料: 使用者留存（下載後第1、7、28、90、180和365天）。
  • 變現資料: 付費使用者數量，最近購買，交易頻次，購買總量，流失率以及新的重複購買使用者。

這些變數的重要性依託於其計算權重和以下這些因素：

  • 應用環境: 不同種類的 app 的啟用和使用情況會有巨大的不同。
  • 商業模式: 根據不同的商業模式選擇，某個關鍵資料會有巨大的影響。比如訂閱商業模式通常十分關心訂閱者的續期時刻。
  • 使用手段: 一些方法將會要求某些資料來建立未來預測。例如使用 BG/NBD 要求頻次和最近購買資料。

需重點強調的是，一個強大的分析工具，如用於應用內分析的 Google Analytics for Firebase 或是用於變現的 Google Play Console ，不僅需要能夠準確及時地收集這些資訊，同時也要能夠快速處理和分享這些資訊。這是在如數字生態系統這樣的動態環境中迅速做出反應的關鍵。

背景

預測分析法嚴重依賴於使用者和購買者的歷史資料。雖然這是一個好的起點，但是不要忽視可能影響未來預測的外部資訊。這可能包括公司發展階段，科技趨勢和巨集觀經濟環境。

尤其是當分析 app 的生命週期價值的時候，根據環境因素，如交易環境和合同責任調整某些關鍵點，調整一些關鍵點是很有用的。例如，一個零售 app 可能需要在啟用一個月內的購買者和一年內的購買者之間做選擇。

有一些不同的框架可以幫助識別這些背景因素。在這之中，我發現 Peter S. Fader and Bruce G. S. Hardie 的文章 Probability Models for Customer-Base Analysis 中指出的一個框架很有用。

Fader 和 Hardie 的模型根據使用者是否與公司締結合同以及交易是連續還是離散的來將使用者行為做了區分。來看一個關於這個模型的例子：

[譯] 一文教你預測 app 未來的變現情況

左上角的是沒有與使用者締結契約關係來形成持續交易流的公司。一個實際的例子是電商應用，消費者反覆交易但是又可以隨時離開和流失。

在右下方是個剛好相反的例子：公司與使用者締結合約，交易只在特定時間發生。一個實際例子是消費者往往在某個特定的時間點（比如他們找到第一份工作的時候）購買人壽保險單，這份保險單將在保險費的持續時間內保持有效。

生命週期價值

最後歡迎的預測分析法標誌之一是使用者生命週期價值（ LTV ），是最受歡迎的預測分析指標之一，它是使用者在一生中對其商業領域經濟價值的估算。這個指標線上下十分知名，被廣泛應用到了 app 和遊戲產業中。

因為提供了每個使用者帶來的潛在收益估計，LTV 十分有用，因為它可以提供對每個客戶潛在收益的解讀。相應的，這也可以幫助決定使用者獲取費用，分析哪個渠道、平臺、使用者分佈是最划算的。

然而，在討論計算問題之前，有一些常見的 LTV 陷阱需要規避。因此，請不要：

  • 將 LTV 作為目標使用並且花費資源來優化和放大它。僅僅把 LTV 當做一個工具，它會隨著其他指標（如契約、留存和變現）的增長而提高。
  • 創造過於樂觀的 LTV。例如，一個初創公司可能過高地估計了每個使用者的收入，結果導致 LTV 膨脹，從而可能要在獲取使用者上花費更高的成本。
  • 允許使用者獲取成本（CAC，the Cost of acquiring a customer）超過 LTV。儘管要考慮的因素（公司的階段：初創或是成熟；關係型別：是否締結合約）很多，但一個工業領域的經驗法則告訴我們：使用者獲取成本不能夠超過應用的淨 LTV。然而許多公司規定 LTV 與 CAC 的比為3：1（CAC 將永遠不會超過淨 LTV 的33%）。
  • 將高 LTV 看作是一個競爭優勢。在快速變化的行業，比如科技行業，很容易找到一個變現能力很強，LTV 很高但是快速失去市場份額的例子，因為技術被淘汰，使用者轉移到更新、更有吸引力的應用上去了。

計算 LTV

有幾種方法可以計算應用和遊戲的 LTV。這些方法根據商業模式的複雜度，可用資料以及精確度要求的不同而不同。

在一開始，讓我們使用下面簡單的公式：

LTV (給定階段的) = 生命週期 x ARPU（每個使用者平均收益）

現在，讓我們仔細檢查下個變數：

a. LTV 時間長度

大多數開發者以 180 天，一年，二年或者五年計算 LTV。決定 LTV 時間長度的因素可能包括平均使用者生命週期或者基於商業模式的選擇。

例如，想象一個使用內購模式的開發者，平均一個使用者使用週期是15個月。在這種情況下，兩年的 LTV 會比一年的更高。然而，一年的 LTV 是更保守的選擇因為平均生命週期（15個月）比選擇的週期更長（12個月）。

選擇 LTV 時間長度需要考慮：

  • 商業環境， 例如，對於某些變現模型（尤其是訂閱類）來說，收益可能會更高，而且，如果對變現的激勵得當，將在很長的一段時間內持續增長，這一點可以為長期 LTV 正名。舉例來講，電信公司一直遵循傳統，在使用者獲取方面大量投資，甚至會對硬體方面進行補貼，以期待較長的生命週期。
  • 商業模式， 例如，對於某些變現模式（尤其是訂閱）收益可能會更高並且會長期增長如果變現激勵很恰當（流失為負），使用長期 LTV 是有道理的。比如電信公司在使用者獲取上傳統地會投資巨大，甚至會補貼硬體，需要超長生命週期。
  • 公司階段， 比如早期對比成熟期。因為依靠技術進步或者沒有歷史資料，早期公司會經常選擇更長更樂觀的時期來計算 LTV。另一方面，一個技術落伍的成熟公司可能想選擇更短的 LTV 計算時間。

b. 生命週期

生命週期與啟用和留存直接相關。相應的，這兩個概念會幫助增加使用者留存，增加他們促進變現的可能性。應用開發者通常根據應用留存計算生命週期。

我們可以用一個簡單的方法來估算使用者滯留，我們把使用者在過去的一個月內沒有開啟過應用的情況稱為一個使用者在應用內的“流失”時刻。這樣，從使用者停止使用 APP 起至少一個月的平均流失時長就可以計算出來了。

一個更精準計算生命週期的方法是使用生存曲線模型：一個根據歷史使用資料（每個使用者或使用者群一條曲線）的下降方程。每個部分的整體或者平均留存就可以被計算了，某個時期的方程也可以被解出。

看下面的例子，在計算所有使用者的集合之後，一個使用者在180天后保持活躍的概率僅僅是 23%。因此，每180使用者平均生命週期會是 180 x 23%，將近 41 天。

[譯] 一文教你預測 app 未來的變現情況

這裡有個重點需要提示，生命週期總是和 LTV 時間段使用同一單位。例如 180 天的 LTV 會基於 41 天的期望生命週期，而不是月或是年。

c. ARPU 或者 每個使用者的平均收益

計算 ARPU 的難度會根據商業模式的不同而不同。一個 SaaS 模式會更簡單而一個混合模式會更復雜（混合不同的商業模式，比如訂閱和廣告）。

一個計算 ARPU 的方法將會是將一段時間內的總體收益根據那段時間活躍使用者進行分割。例如，平均每日收益 10000 美金被 25000 日活使用者分割，ARPU 會是 0.4 美金/天。

我現在可以為這個應用計算 LTV 了。180天內的生命週期為 41 天（ 23% ）並且 ARPU 0.4 美金/天。因此：

180 天的 LTV = 41 天 x 0.4 美金/天 = 16.4 美金/每使用者

優化 LTV 計算

有幾種技術可以與這個簡單的 LTV 方程結合，以提升可用性，它們包括：

  • Discount Revenue cash flows。當生命週期超過一年，通過將通貨膨脹速率（r）或者資金成本（比如計算平均資本成本率 —— 衡量平均資本成本）納入考慮範圍來考慮給未來資訊流打折。例如，假設生命週期是 n 年，折扣公式表現為下面方式：

LTV = Revs Year 1 + Revs Year 2 x 1/ (1+ r) + … + Revs Year n x 1 / (1+ r )^(n-1)

  • 計算淨 LTV. 通過計算每個使用者的平均可變利潤(VC)並在公式中替換 ARPU，淨利潤能夠被計算出來。為了估計 VC，需要從總收入中扣除總可變成本。可變成本在每個新使用者加入 app 時產生（例如分配到每個使用者頭上的市場費用）。新的公式會像下面這樣：

淨 LTV = 生命週期 x VC

據此:

VC = 一段時間內的(總收入 — 總可變成本) / 一段時間內的平均使用者

還有一件重要的事情是：精明的開發者會通常根據 VC 水平區分使用者，並且為不同使用者群計算 LTV。 在許多商業活動中通常就是這樣，應用開發者會觀察到一小群使用者會帶來最多的收入和利潤。

因為可變成本傾向於降低佔收入的比例，在使用者生命週期中 VC 會經常變化。舉個例子，拿一個最近訂購了一個軟體服務並在使用期間需要更多客服的新使用者與一個有經驗、不再需要支援客戶作比較。

結論

預測分析法提供了一個可操作的方法來預測你的應用未來表現：它的使用者和收入。在這些預測分析的方法中，生命週期價值（ LTV ）可能是最近在 APP 開發者中大受歡迎的一個指標了。它非常簡單並且提供了一個可以應用於獲客規劃的有用方法。

現在你對 LTV 已經有了一些瞭解，在第二篇博文中我將會檢驗 LTV 公式如何使用於五個流行應用的變現策略。同時，我也會提供一些從開發者那得來的，關於如何優化這些變現策略的見解。

你怎麼想?

你有關於關於預測分析法和 LTV 的問題或者想法嗎？在下面評論區繼續討論或者通過井號標籤 #AskPlayDev 通知我們，我們會在 @GooglePlayDev （我們會定期分享在上面就如何在Google Play成功的話題分享新聞和小貼士）上回復。

掘金翻譯計劃 是一個翻譯優質網際網路技術文章的社群，文章來源為 掘金 上的英文分享文章。內容覆蓋 Android、iOS、前端、後端、區塊鏈、產品、設計、人工智慧等領域，想要檢視更多優質譯文請持續關注 掘金翻譯計劃、官方微博、知乎專欄。

相關文章