LTV留存分析在线视频

OK

前面讲了一个例子吧

就是告诉大家为什么

通过数据建模来进行营销

是有意义的

因为可以扩大你的投入产出比

然后我们下面会分成六个部分

来详细介绍一下

在阿里巴巴

我们使用了哪些模型

来对我们的消费者进行分析

以及通过这些模型

我们达成了一个什么样的效果

第一部分叫做LTV留存率分析

什么叫做LTV呢

LTV实际上是一个英文词的简写

叫Lifetime Value

什么意思呢

指的是一个用户在一生中

给某个商家带来的价值

这个怎么理解呢

比如说举个例子

那个比如说星巴克这家店

对吧

这家店它是有很多用户的

也有很多人不是他的用户

比如说我可能每个星期

会去一次星巴克的店

然后每次要买30块钱的咖啡

而有些同学可能一个星期去三次

每次买20块钱的咖啡

有些人可能从来没有去过对吧

那这LTV指什么意思呢

指是从现在

或者从我第一次成为

星巴克的用户开始到我死掉

这一辈子在星巴克这家店

买产品花掉的总的金额数 对吧

这个数可能是非常巨大的

就一次我可能只花30块钱

但是如果每个星期都去的话

那这样的话一年是1500吧

假设星巴克和我的关系

维持了十年

就是15000块钱

而有些人去的更频繁

所以他的这个LTV可以更高

而有些人可能是

他就不喜欢喝咖啡

所以他这LTV可能是零

更重要的有些客户

有些人他可能现在不是你的客户

但是有可能通过某种方式

使他转化成你的客户

从而给你带来价值

那所以LTV

这里就是一个简单的公式

叫做创造的价值减去营销成本

什么意思呢

就是创造价值

就刚刚我说那个15000块钱

营销成本是什么呢

就是它在让我成为

由一个不是星巴克的用户

成为一个星巴克用户

中间花的营销的代价

比如说我从来不去星巴克

但是有一天

它给我发了一个马克杯 对吧

这个杯子是100块钱

然后我看了

我觉得它还挺有诚意的

我就去试一下

结果试了一下发现还挺好喝的

所以从此以后

我就成为了星巴克的用户

所以大家看一下

这100块钱的马克杯贵不贵

想起来是挺贵的 对吧

你看因为我去一次只花30块钱

当然30块钱是销售额

它成本可能比如说20块钱

所以只赚

再减去它的那人工费用

可能只赚了三块钱

但它花一百块钱

给我一个马克杯

看起来好像是我要去30次

才能够去把这个马克杯的钱

赚回来

但是长期来看它是赚钱的

因为我本来不是他的用户

我对它来说LTV是零

但他现在花了一百块钱

让我对它的LTV

成为了15000块钱

所以它实际上是赚了14900块钱

所以这个LTV就等于14900块钱

总体来说它是赚钱的

那么这样的一个拉新

它的创造的价值

是远远大于他的成本的

因此是一个good deal

是一个好的一个生意

但是这里面这个一生

好像有点长

这个没准星巴克

三年之后就倒闭了 对吧

或者我三年之后

我就转头另外一个

什么咖啡品牌了

在这个互联网电商环境下

一般来说我们用一个

比较长的一个时间周期

来代替一生

比如说一年的时间

这里指的是

首次成为客户之后一年

如果说我们营销需要一个指标

一个终极的指标

来衡量我们营销的结果

来帮助我们做营销的判断的话

这个指标应该是LTV

什么意思呢

我举两个场景

一个叫做拉新 一个叫做维旧

拉新是什么意思呢

就是我刚才那个行为

就叫被拉新

就是我原来不是一个星巴克客户

现在成为一个星巴克的客户

那么这件事情

这个营销的动作称之为拉新

什么叫做维旧呢

维旧指的是

比如说我已经

是个星巴克的客户了

但是我每天的 不是

每个星期只花30块钱

我希望通过某种方式

来保持这种客户关系

甚至是提升我消费的金额

对吧

比如说给我发一些优惠券

让我更频繁的到星巴克去消费

或者是比如说有一些loyalty program

就是一些积分这样的事情对吧

他可以用这些积分

然后在其它的店铺

来兑换一些产品

所以拉新针对的是

没有成为你的客户之前

让你成为你的客户

而维旧指的是

当他成为你的客户之后

来提高客户的忠诚度

来提高客户的价值

那我们从这两个场景来看

其实LTV会帮助我们做一些决策

比如说这个人要不要拉他

要不要让他成为你的客户对吧

我们可以衡量一下

就是如果我们预测

他在比如一年之内创造的价值

要大于他这次我们push他

那个拉新他的成本的话

我们就应该去做这件事情

如果不行

那比如说如果我们通过预测

这个人就是

天生就不喜欢喝咖啡

一辈子可能不会超过十杯咖啡

对吧

那我们花100块钱的马克杯

去吸引他

这件事情是得不偿失的

第二件事情

就是当拉新预算比较有限的时候

应当优先吸引那些

LTV比较高的客户

什么意思呢

就是这个图里面

比如说这个图告诉我们

说我们要印30万份传单

到五道口去发

但是现在最近经费比较有限

我可能只能印10万份传单

那么这10万份传单

应该优先发给什么人呢

我这表里面可以很清楚的告诉我

应该发给前10层的人 对吧

因为这些人这是一个贪婪问题

对吧

计算机都知道

应该优先发给那些

ROI较高的人

这样的话可以保证

我的总的投入产出比是最高的

同时在维旧里面

也可以使用LTV来做预测

比如说当提升一个老客户的

忠诚度的成本

低于他的忠诚度提高后

带来的营销价值的这个增量

就应该去提升这个客户

比如说我已经是星巴克客户了

他给我再发了一个

100块钱的马克杯

然后让我每个星期

来星巴克的次数

由一次变成了两次

那么这件事情对于商家来说

应该也是那个好算的吧

因为我的一生中

可以给他带来的价值

实际上是远远超过

再加一个马克杯的价值

同时如果当挽留一个

老客户的成本

高于客户能够继续创造的价值

应当放任自流

就是这件事情

可能很多对于所谓的

有些人会说客户是上帝对吧

你是不会让上帝离开你的

但是很多时候

是要作出这个痛苦的决定的

比如说如果你是一个

卖婴幼儿产品的一个商家对吧

如果这个家里的人

他小孩子已经过了那个年纪

他不再需要这个新的这个

比如说尿布或者是奶瓶

那这个时候你再去对他做营销

做广告投放

实际上是没有意义的

因为他人生阶段

已经过了这样一个

需要你的产品的一个阶段

所以应该让他走吧

否则你应该挽留

但是LTV

以LTV作为指标有一个困难

就是LTV是定义成

一个用户一生

给某个商家带来的价值

这一生太长久了

一年也太长久

就很难预测

用户长期的一个购买的行为

即便是做短期预测

甚至是一个

或者三个月的时间

也需要大量的数据

才能够做出

统计上来说比如说

对一半的人来说

是比较有意义这样的预测

那怎么去解决这个模型呢

这里面给大家讲一个花絮

大家阿里巴巴

有一个大数据竞赛

我不知道多少同学听说过没有

叫阿里巴巴大数据竞赛

这个竞赛实际上是每年都有

他跟那个Kaggle比赛差不多

也是有一个是一个

算是一个数学比赛吧

就是会告诉你一堆数据

这些数据主要是

我们淘宝平台上的

一些用户的成交的一些数据

以及这些用户

一些比较基础的一些属性

然后需要你预测一下

比如说给你三个月的数据

需要你预测一下

未来的第四个月

有哪些人会去购买

然后我们会有一个

真实的一个数据的样本

来给你做对比

里面有一个叫

F1分值的一个东西

就是你能把这个分值做的越高

那么你的这个团队就越牛逼

大概是有五千多支队伍参加了

好像是有世界上好多国家

都有人参加

然后最后好像奖金

是100万人民币吧 对

第一名好像是100万人民币

所以这个问题本身是很难的

然后也需要很多

数学的建模的工作

那回到这里

怎么去解决这样一个

LTV难以预测的问题呢

一般来说

我们会用一些比较简化的模型

同时使用多个模型同时预测

来降低这样一个预测的误差

这里给大家举几个

比较容易理解的简单的模型

比如说极简模型

这个什么意思呢

就是每星期的平均收益乘以50

就50指的是一年的

因为我用的是一年的时间周期

50是一年中的那个星期的数目

这个其实就是我刚才说的

我自己那个模型

就是我每个星期花30块钱

喝星巴克的咖啡

然后一年的时间是要乘以50

就是1500块钱

这是第一个模型

第二个模型可以稍微复杂一点

就是我这里涉及到

一个流失率的一个概念

流失率什么意思呢

就是比如说

我第一星期我花了30块钱

但是第二个星期

有可能我会流失掉

因为有些原因吧

比如说我对这个品牌失去了兴趣

或者是有新的品牌吸引我

可能会转化

统计来说我们会统计

比如说100万人里面

平均每个星期会有多少人流失

然后这个模型

就是说我们会把

第一个星期的平均数一除以

1减去每个星期的流失率

大家可以看到

如果流失率越高的话

那实际上这个

不对 这应该是1加

不好意思

如果流失率越高的话

那实际上我的这个分母越大

所以那个我最终的收益

应该是越低的

如果我的流失率是零

什么意思呢

就是这个分母的话就是1

这个公式好像有问题

这个很简单一个公式

就是这个第一个星期的收益率

乘以1加上流失率

再加上流失率的平方

再加上流失率的 不对

1减去流失率

再加上1减流失率的平方

1减安全流失率的二次方三次方

可以计算一下

另外还有更复杂的模型

就是这里假设

每个星期的流失率是一个常数

那它实际上应该不是一个常数

我们发现这个流失率

实际上是有变化的

随着它这个时间的推移

它的流失率有可能是在下降的

这里就是我们

实际上我们在产品里

用到的这个流失率的模型

或者叫一个LTV的模型

叫shifted beta-geometric model

如果大家感兴趣的话

可以搜索一下

就是这是现在工业界用的比较

效果比较好的一个模型

核心的一点就是我们会

我们要预估这个用户

什么时候离开

因为在电商平台上

和一些基于合同的

一些销售不太一样

比如说如果你卖合同的话

是以一年为期的 对吧

你卖出去之后

知道他一年之内

肯定是不会离开的

比如说如果是你的那个

电信的这样一个合同

或者以一个星期

或者以一个月为单位的

但是在很多时候在淘宝平台上

你是没有合同的 对吧

他买了就是买了

他不会说我这一个月都会买

一年都会买

而是说我这次买了就是买了

下次我不知道

所以核心点就在于

预测用户什么时候会死亡

什么时候会

不是说真的死亡

而是说从这个商家这个地方

去彻底的流失掉

具体的这个数学的东西

我就不多说了

大家感兴趣的话

可以去搜索一下

或者我们用更简单的方法

就是当你有很多的数据的时候

你其实不需要建特别复杂的模型

你只要统计一下就好了

对吧 非常简单

就是我们统计了大概3.5亿人

然后这是其中某一个商家的数据

我不能说哪一个商家

但是大家可以看一下

就是根据购买次数的提升

它的这个LTV

实际上在增长的

就是买了一次的时候

我认为LTV是1 假设是1的话

1倍的话

到了2就是一个

比2次稍微多一些

3就比3次稍微多一些

3倍稍微多一些

然后这不是一个线性的关系

就是并不是说买了一次

买了3次就是三分之一的关系

而是说随着你购买的次数的增加

它是有一点指数上升的关系

什么意思呢

就是你买的次数越多的时候

他的客户是越忠诚的

他越不容易离开你的这个商品

然后我们基于这样一个关系

我们发现在这一个商家而言

如果他购买次数

小于等于4的情况下

它是 基本上是一个线性的关系

而大于4的时候

它就产生一个

指数的这样一个跃进的关系

所以我们用4次购买

作为一个分界

当小于等于4的时候

我们认为它是一个新客

这个时候是需要做很多

维系的工作

比如说我们要努力的让他

从一次购买变成二次购买

从二次购买变成三次购买

从三次到四次

而当他购买次数大于等于4的时候

他就成为一个老客

这个时候就不需要

再做更多的这种营销的工作

因为他自己已经对这个品牌

对这样一个产品

有非常好的一个认识

所以它可以自我驱动的

去增长这样一个购买次数

还有这张图就是我刚才说的

为什么说留存率不是一个常数

它是一个变化的量

其实购买次数的增加

它的留存率实际上也是在上升的

这个留存率的话我重新定义一下

就叫做购买

继续购买的概率 什么意思呢

比如说一次购买的留存率

这里是25%

指的是完成一次购买之后的客户

有25%的人继续进行了

第二次购买

换句话说是有75%

四分之三的人

买了一次就离开了

就再也没有购买第二次

这个流失率还是

这个留存率是比较低的

同时这个流失率是蛮高的

但是到了二次之后

一旦发生了第二次购买

他的这个留存率

就提升到了35%

也就是说发生过二次购买的人

继续进行第三次购买的概率

由原来的25%提升到35%

提升了10个百分点

而流失的人由75%降低到了65%

降低了10个百分点

随着购买的次数增加

我发现这个留存率

也是在逐步提升的

等它到这个比如说六次的时候

就提升到了55%

就超过了一半人

会继续购买第七次 第八次

对

这个图的

这个曲线的话

肯定不是无限上升的 对吧

是有一个上限的

它不可能达到110% 对吧

因为他买了之后

最多继续买下去

不会变成1.1个人

这里给出的一个

留存率和LTV的关系

就是留存率这个概念

其实如果大家是做商业的话

会非常关心这样一个概念

就是你的用户

比如说一个月之后

成为你的客户一个月之后

他仍然继续留在你的这个

产品里的这个概率有多大

我们是要努力提升留存率

因为留存率和它的长期的收益

是这样一个

非常强的一个相关的关系

比如说它留存率是25%的时候

它的这个长期的收益是一倍的话

那么到了35%

留存率仅仅提高了10个百分点

但是它的长期的收益就翻了一番

所以说如果你能够让你的客户的

这种忠实度更高一些

高10%的点的话

那么你的这个一年之内的

这个收入可能会提高100%

所以这个曲线是非常惊人的

大家可以发现

特别是到后面的时候

就是非常陡的一个曲线

所以有50%是一个转折点

所以如果大家是将来

比如说搞创业

或者是开自己的

做自己的生意的话

要把这个图记下来

因为可以看到你要努力提高

你客户的留存

因为这可以让你赚更多的钱

同时我们也研究了一下品牌

和留存率和LTV的关系

就是什么叫做

什么叫做品牌的影响力呢

就是比如 比如像对吧

可口快乐

是一个品牌影响力非常大的

这样一个品牌

然后那个王老吉

可能就稍微差一些

而我老家的一个

不知名的一个饮料

比如说露露

可能品牌影响力

当然也很知名了

品牌影响力比较低

我们发现品牌影响力越大

它的留存率越高

这是我们通过研究淘宝的数据

发现留存率越高

留存率越高大家从刚才的图看到

就是LTV是越大的

单个用户的收益也越大 对吧

就是品牌影响力提高10%

留存率提高10%

单个用户的收益就可以提高100%

所以这个影响力很重要的

而品牌影响力大

我们发现另外一个

很有意思的一点

就是商家在单个用户身上

付出的营销成本反而降低

什么意思呢

就是前面的这个图

或者是这个图吧

这个图

就是说当你的购买次数越高

你的品牌知名度越高的情况下

其实你只要付出很小的成本

不需要再去花很大的预算

去维系这样一个客户

就是我们算了一下

大概可能是三分之一

到七分之一的样子

比如同时留住一个老客

和拉一个新客

他的成本可能是一比三

或者一比七这样一个差距

所以大家可以发现品牌影响力

品牌影响力不是一个

可以迅速改变的一个指标对吧

比如说一个品牌

它可能要长期的时间

才能把自己的品牌的知名度提高

同时它也不会迅速的衰减

比如说昨天它是知名的品牌

然后今天又变的默默无闻了

对吧

除非你做了一些疯狂的事情

比如说掺了一些三聚氰氨什么的

你可能第二天

你就把自己的品牌给砸掉了

所以结论就是应当重视品牌建设

这是一个长期的工作

但是它的收益是非常丰厚的

就这个

这样的一个结论

其实很多做营销的人应该都有

就是一个common sense

但是我们是第一次通过我们数据

来发现这样一个规律

而且我们能够告诉你

说你应该花多少钱

通过什么样的手段

去来做你的这种品牌的宣传

然后未来可能产生的收益

是什么样子的

就是我们通过LTV和留存率

这样的模型

达到了这样一个效果

就是在营销里面

永远有两个悖论叫做品和效

什么叫做品

品就是品牌 对吧

你要追求长期的利润

追求长期的影响力

不要只看眼前的东西

而效只是效果

你是所谓效果

就是我要短平快的

去取得一些收益 对吧

这个品和效是一个悖论

但同时我认为

品和效是一个伪命题

品和效其实是一体的

品活效都是效

效是短期的效

而品质是长期的效果

在一个企业发展的不同阶段

其实对品和效的追求是不一样的

所以最开始的阶段

他追求的是效果

因为要生存下去

他用有限的预算 有限的投入

获得尽可能多的产出

这样他的那个企业才能扩大

才能成长

但是当一个企业

真正达到一个规模的时候

处于一个瓶颈的时候

他应该追求他的品牌影响力

然后让他的这个

品牌的影响力更高的情况下

他可以

其实是可以用更低的营销成本

来获得更多的用户

同时它的单个用户身上

能够产生的收益也是可以最大的