ltv预估可以分成两种类型的场景:
- IAA类型的广告收入:这时候采用LT*ARPU的方式来做预估。
LT通过留存率做幂函数拟合,获得留存率函数
ARPU采用一段时间内的平均ARPU
- 适用于较为稳定期的产品,但ARPU这个用均值还是有一些隐患。
- IAP类型的交易收入:周付费LT周付费ARPU
周付费LT可以用复购率做幂函数拟合获得复购率衰减函数,
周付费ARPU = 平均周客单价平均周购买次数
但这里需要注意的是还可以用统计模型来处理交易频率的预估。
我们假设交易概率是泊松分布的,假设退出率是几何分布的。
可以采用的统计模型为BG/NBD model
R:交易频率
F:复购天数
T:首次购买日期至今
用这几个特征来预估交易频率 (BetaGeoFitter(RFT)
交易金额的预估则采用gamma-gamma模型(GammaGamma Fitter)
统计模型的预估可以看出不同的交易频率和交易次数对存活率的影响。
另外可以考虑的是机器学习例如XGboost and lightgbin
特征:
customer_ID
lasttime
first_time
freq
freq_3m
用机器学习可以看出哪个特征的权重更大,比如说顾客后三个月的交易频率是比较重的特征。
但是机器学习对业务而言的可解释性较弱。