GrowingIO客戶數(shù)據(jù)平臺新增LTV預測標簽：輕松點擊，識別未來高價值用戶

2023-08-16 12:08:51來源：中關村在線

LTV（用戶生命周期價值）通常指用戶在生命周期內的購買轉化總金額。企業(yè)通過對不同生命周期和不同營收貢獻能力的用戶進行分析，可以預測他們在未來某一時期的價值走向，從而有針對性地管理用戶，確定最佳營銷預算和營銷策略，幫助企業(yè)獲得戰(zhàn)略性的競爭優(yōu)勢。

比如在日常營銷上，通過細分用戶群體，可以針對高價值用戶提供VIP專屬服務、會員積分兌換、更低的折扣價等策略，提高用戶忠誠度；針對低價值用戶可以定期推送大促信息，提供更優(yōu)質的產品，將其向高價值用戶轉化。

(資料圖片僅供參考)

流媒體平臺Netflix針對不同用戶推出的個性化推薦、定制化優(yōu)惠、會員特權等運營方式，以及職場社交平臺LinkedIn為用戶提供的個性化職業(yè)建議和服務，均是在LTV預測基礎上制定的業(yè)務策略。

以Netflix為例，他們會收集用戶的觀影、搜索、評級、播放等歷史數(shù)據(jù)，搭建算法模型，計算每個用戶的LTV并進行預測，從而對他們進行個性化電影推薦，以提高用戶觀影頻率和觀看時長，即提高用戶留存率，最終提高LTV，獲得更多訂閱收入。

經過對算法模型的數(shù)次迭代，Netflix甚至實現(xiàn)了根據(jù)特定會員過去看的劇和背景信息，來預測該會員想看的下一部劇可能是什么，然后據(jù)此開發(fā)新的影視項目，以獲得更高的LTV。

在知道有數(shù)百萬用戶喜歡凱文·史派西和《白宮風云》后， Netflix投資1億美元制作了由凱文·史派西主演的原創(chuàng)政治類劇集《紙牌屋》。

借助于這部劇的熱播，Netflix當季新增用戶數(shù)305萬人，第一季度用戶觀看的視頻總時長超過40億小時。

如今，Netflix上80%的播放時間都是通過Netflix的推薦系統(tǒng)實現(xiàn)的，已在全球獲得了超過2億會員，是全球最大的流媒體服務商。

當然，并非所有公司在進行LTV預測時都具備Netflix的技術實力，對大部分傳統(tǒng)公司而言，和第三方服務商合作是更優(yōu)選。

作為數(shù)據(jù)分析服務商，GrowingIO分析云此前已上線LTV分析模型，并長期提供相關咨詢服務。為降低企業(yè)運營成本，近期分析云客戶數(shù)據(jù)平臺（CDP）在標簽管理模塊新增了“LTV預測標簽”，即通過AI算法，基于用戶歷史行為數(shù)據(jù)進行學習，從而預測用戶未來一段時間的購買轉化值。

該功能開箱即用，一線人員可輕松搭建算法模型。分析師只需選擇用戶表、時間表和設置LTV預測目標，即可運行算法模型全鏈路，生成用戶價值預測結果，用于運營人群分層和價值分析。

增長價值：提升用戶留存率，提高企業(yè)持續(xù)盈利能力

在客戶數(shù)據(jù)平臺（CDP）上構建“LTV預測標簽”簡便快捷，業(yè)務人員按照標簽規(guī)則設置好核心轉化/營收事件、用于訓練的數(shù)據(jù)周期，和希望預測的未來時間段，即可生成LTV預測標簽。其中，數(shù)據(jù)的歷史周期越長、數(shù)據(jù)越豐富，結果預測準確率越高。

LTV預測標簽構建示例

標簽構建好后，業(yè)務人員可結合實際轉化事件查看不同預測價值等級的實際轉化情況，也可以查看他們在其他標簽的分布，以便在后續(xù)運營中針對不同等級的用戶，做精準營銷觸達。

以上圖為例，構建LTV預測標簽后，運營人員可在增長分析（UBA）上搭建預測1個月LTV和對應月份用戶實際價值貢獻的對比分析看板，查看不同等級的人群在預測月份的實際價值，方便進行個性化營銷，提高用戶留存率。

Netflix按照訂閱價值將用戶細分為非付費到高訂閱若干等級，面向高價值訂閱用戶，Netflix推出了“Netflix空間音頻”和“更多設備支持”兩項權益，以便用戶能夠隨時隨地在任何設備上高質量觀看Netflix的內容，提高用戶忠誠度。

面向非付費用戶，Netflix則推出了低價訂閱服務，并開放了少量免費內容，用戶無需付費或只需付極少費用再觀看廣告，即可完整觀看影視內容（此前非付費用戶無法完整觀看任何內容），由此促進非付費用戶向付費用戶再向高訂閱用戶的轉化。

LTV預測對企業(yè)最重要的意義在于獲取消費者的未來價值，以“預言家”角色指導日常運營。借助LTV預測標簽，企業(yè)在與增長分析（UBA）等其他產品配合使用后，可以獲取更充分的數(shù)據(jù)，提高決策準確率和運營效率，避免拍腦袋決策。

技術支持：算法賦能，預測更科學

技術層面，分析云LTV預測標簽的算法執(zhí)行由數(shù)據(jù)云操作系統(tǒng)內核SimbaOS完成。SimbaOS封裝多引擎、多云、多源異構數(shù)據(jù)的復雜性，天然適合運行大量數(shù)據(jù)項目。從模型開發(fā)、模型訓練到模型部署，可一站式完成算法應用場景，并內置預測、推薦、人群聚類等多種模型，無需開發(fā)，開箱即用。

LTV預測標簽架構簡圖

如上圖所示，當用戶按照規(guī)則創(chuàng)建LTV預測標簽時，系統(tǒng)會同步自動創(chuàng)建數(shù)據(jù)查詢命令（Query）給到LTV預測模型，該模型會從分析云的UEI模型中拉取相應數(shù)據(jù)，再在SimbaOS上執(zhí)行算法，跑出標準的算法模型。

UEI模型基于分析云存儲引擎ClickHouse構建，具備高性能、高實時、易伸縮等特點，能夠將所有的用戶行為、用戶屬性和商品、門店等不同維度的數(shù)據(jù)整合在一個視圖里，為上層分析應用提供有力支持。

為提高預測準確率，LTV算法模型可基于一套自學習的算法流程進行自動化建模：SimbaOS對原始數(shù)據(jù)進行特征加工，并在內置的多個模型中選擇效果穩(wěn)定且表現(xiàn)最好的一個，然后針對最優(yōu)模型不斷調參，調出最優(yōu)結果后再生成標簽反哺給UEI模型，支撐上層分析應用。

經過實踐，基于算法模型預測的未來用戶等級中，高價值用戶的預測準確率為51%，中等價值用戶為63%，低價值用戶為69%，而人工預測的高價值—低價值的準確率分別為15%、7%、4%。

經過多次調優(yōu)，LTV預測標簽的實際應用成效顯著，較為準確，可指導日常銷售以及大促期間的資源安排，例如流量分布、庫存供應等。

隨著大模型的普及，AI使用門檻未來將極大降低，數(shù)據(jù)加工程度更深，我們將開發(fā)更多基于AI算法的上層分析功能和應用，用更低門檻的產品服務更多一線業(yè)務人員，加速實現(xiàn)數(shù)據(jù)普惠。

標簽：