LTV和DAU是运营中常常接触到的词，这2者的计算高频的发生在“缺乏数据”的时候，产品上线前要预估其ROI及回报周期，决定是否立项。上线后又需要根据LTV及DAU，不断调整运营策略。

在缺乏数据的时，决策总让人头疼。本文将介绍在缺乏数据时LTV及DAU的预估方法，也会详细的介绍公式的推导思路，希望能为大家提供一些帮助。

01 LTV的作用

LTV，全称是Life Time Value，指用户生命周期的总价值。通俗的说，是获客至流失所得的收益总和，它的作用在于辅助决策，如：计算回报周期、验证盈利模式等。

在实际运营中，我们所着力于提升的点击、访问、关注等指标，最终都指向于LTV。

根据ROI，能够衡量用户质量。结合渠道来源，则能够衡量渠道质量。

在投放中上图的前2种情况较为简单，当遇见后2种情况，即LTV、CAC同低同高时，我们则应控制这两类渠道的占比，同低用于提升用户规模，同高则用于提升付费。

在LTV曲线剧烈抖动时，须迅速归因并调整运营策略。异常值可以使用变化率、距离、密度等指标设定阈值进行监控。

理解了LTV的作用，在计算时会面临一个严峻的问题：没有数据怎么办？

根据定义，LTV指的用户生命周期的总价值。但用户的生命周期到底有多长呢？不同产品阶段、特征的用户表现均为不相同的。

但无论是产品上线前，亦或上线后，我们都不可能等待用户流失后再计算LTV和ROI。决策往往是前置的，在数据较少甚至没有数据时，我们则需要根据已有的条件进行预估。

02 LTV的预估方法

2-1、公式的推导

在网络上，有两个较为通识的方法，上图的左侧使用每日的留存率乘以每日的用户平均收入，右侧则是使用生命周期总长度乘以每用户平均收入。

那么哪个是对的，又是怎么推导而来的呢？其实这两个公式是1个公式，右侧的公式是左侧的简化版本。

根据LTV的定义，LTV=用户生命周期的总价值=周期内用户的总计付费金额除以用户总数。用户总数无需进行预估，那么问题则变成了：如何计算总计付费金额。

总计付费金额，可以使用每日活跃的用户数乘以当日活跃用户平均付费金额得出。将其代入公式，可得：

而每日活跃用户数除以用户总数，又等于每日留存率。至此，第1个公式就推导完成了。

而当ARPU等于常数，根据定义再次推导则可得LTV=LT×ARPU。

2-2、LTV的公式估算方法

花了比较多的篇幅在公式的推导，也是希望在计算时能够更加有底气，接下来正式进入LTV的预估和计算环节。

根据2-1中的第1个公式，将目标拆解为留存率及ARPU的估算。

1）留存率的计算

单个的留存率计算较为简单，将留存人数除以新增人数即可。但在计算均值时，不应忽略权重，我们应将算术平均值转换为加权平均值。

算术平均值是将数值累加除以数量的计算方法，其很容易受极值的影响。根据权重进行计算，能够使数据更加稳定。

再举一个较为浅显的例子，帮助大家理解权重的作用。

在我们中考时，体育这门课程与其他的课程权重是不同的，即使体育考了满分也不一定会将总分拉高许多。

如果我们不考虑权重直接将分数求均值，均值会显得过大，而加权平均值则更加能反应综合水平。

上图是直接根据每日留存率所计算的数值，我们可以看到当7月6日因新增人数突然下跌，但留存率却恰好在比较高的水准，所以一下子将留存率的均值拉高了许多。

但经过加权计算后，异常日期的数据便不会造成太多的影响了。

上表则是两种不同计算方式中数据所带来的误差。

根据加权求和所计算的留存率，绘制散点图。并使用散点图设置趋势线获取计算公式。

在选择趋势线时选用拟合效果最好的一条即可，一般多使用对数或乘幂。上图是恰好笔者乱填的数据拟合的曲线更接近指数函数。

确认函数的选型后，通过EXCEL得到公式，代入须预估的天数计算其留存率。

2）ARPU的计算

假设ARPU值并不随生命周期的变化而变化，其在一段时间内稳定，可以直接使用均值，并将其作为常量。

假设并不稳定，则应根据时间窗口的ARPU值设置分段函数。

3）LTV的计算

留存率、ARPU使用上文描述的方法进行计算的方法并不困难，在这里还应注意应根据预估的目标拟合不同的留存曲线。

不同的渠道、付费类型，用户的留存率、ARPU值表现会有很大的差异，我们应将尽可能让分析的数据保留1个变量，减少干扰项。其次则是应不断的更新数据，使拟合的函数更加准确。

最后根据LTV的公式，将上文的留存率、ARPU值代入即可，如下表所示：

2-3、LTV的曲线拟合估算方法

上文所介绍的第1种方法，比较适用于LTV与留存率相关性强的产品，而第2种方法实际上会更为通用。

由于大多数情况LTV的增速是随着注册逐步递减的，所以可以根据经验使用注册天数和LTV进行拟合出对数函数或幂函数。

根据累加LTV拟合后可获得其图像，根据图像使用EXCEL获得函数，再根据函数预测后续天数的LTV即可。

这种方法的优点是其变量仅有注册天数，对比第1种方法的多个变量，预测的精度更高。缺点也因仅有1个变量，假设后续的LTV表现不符合函数表达式，结果的错误率会很高。

03 DAU的计算

在LTV的公式估算法中，介绍了留存率预估的计算方式。当能够预估后续的留存率，DAU也就能很轻易的计算出来了，其步骤如下：

1）计算预估日期留存率

根据预估LTV时所得留存率的拟合函数，将后续日期代入即可得第8日-第15日的预估留存率。

2）计算日新增人数的加权平均值

根据新增人数在合计人数中的权重，将日新增人数乘以其权重，从而计算其加权平均值。

3）计算每日DAU并汇总

7月1日至7月8日的留存率使用真实数据，在第8日后的留存，均为根据留存率拟合的函数计算。

7月8日至07月15日的新增人数根据第2步的方法得出，并根据第1步中真实的留存率计算留存人数。

最后一步则是按照列，对每日新增或留存的用户数进行汇总，就能够预估每日的DAU了。

写在最后

这两个指标的计算，是想分享的是公式的推导、数据趋势预估的思路。不仅是LTV、DAU，其实其他的指标也可以通过类似的方法得出。另一方面则是只有理解数据才能寻找更优的分析方法。

LTV的计算还有许多更准确的方式，笔者也在持续学习，希望能分享更好的方式给大家。由于本文涉及到了比较多的公式和计算，也将本文的内容制作成了ppt和excel，回复数字“13”，即可获得资料下载方式。

免责声明：本文版权归原作者所有，文章系作者个人观点不代表蜗牛派立场，如若转载请联系原作者；本站仅提供信息存储空间服务，内容仅为传递更多信息之目的，如涉及作品内容、版权等其它问题都请联系kefu@woniupai.net反馈！

最近几年增长这个职位逐渐火爆，和互联网增速放缓和获客成本逐渐增加有一定的关系，市面上各种名词、手段也是层出不穷。但不少人理解的增长≈拉新，实际上拉新只是增长的一个环节，类比着来看，就好比产品也只是整个业务中的一环。

最近在整理之前做的一些笔记，感觉对增长这个词有了更深的理解，打算和大家一起探讨下。

常规的AARRR模型这里就不再赘述，感兴趣的可以自行了解更多。

素材来源于互联网

本文主要会围绕着3个观点展开：

1. 用户增长的基础是让更多用户更高频的使用产品的核心功能

2. 产品增长需要让用户持续使用的收益递增，或离开损失递增

3. 增长是基于用户生命全周期视角的持续性动作

下面开始正文部分。

1、用户增长的基础是让更多用户更高频的使用产品的核心功能

增长只是手段，我们的目的其实是为了创造更大的产品价值，或者说是为了创造更大的商业价值。

用户价值成立，才可能产生商业价值。

而用户价值取决于用户需求的迫切程度，以及产品满足需求的程度。用户价值的满足载体就是产品，更进一步说是使用产品。

是这个逻辑吧？

只有用户使用了你的产品，才能感受到你产品的价值，才可能产生持续使用、留存、付费这一系列后续的行为。

对于先付费再使用的模式也是类似的，只有用户持续使用，才可能持续感受到你产品的价值，进而不断的续费。

产品的价值建立在某个想要解决的具体问题上，为了解决这个具体的问题，用户需要完成一些核心的行为。

对于音乐产品，用户的核心行为就是听歌，对于电商类的产品，用户的核心行为就是下单购买，对于资讯类的产品，用户的核心行为就是看资讯。

为了支撑用户的这些核心行为，我们会提供一些核心的功能，这些功能构成了产品的基石。

除了DAU、MAU这些常规数据，我们还需要关注完成产品核心功能的用户占比、核心功能的表现这些数据。

比如对于音乐产品就是听歌的用户数、人均收听首数、收听时长，对于电商产品就是产生订单的用户数、客单价、复购率，对于资讯产品就是浏览资讯的用户数、人均浏览条数、使用时长。

这里也给我们提供了一个判断功能优先级的视角，即这个功能对于用户完成核心行为的作用是什么，是核心行为中的必须环节，还是支持环节，必须环节的优先级一般会大于支持环节。

结合着上面说的用户价值和商业价值成立的条件，我们要做的就是，想各种办法，尽可能多的让更多用户更高频的使用产品的核心功能，提升完成产品核心功能的用户占比，以及核心功能的表现数据。

假定用户现在已经开始高频的使用我们产品的核心功能了，那用户为什么愿意持续的使用？

下面这部分就是用户为什么要持续使用的答案。

2、产品增长需要让用户持续使用的收益递增，或离开损失递增

使用收益递增指的是用户使用产品越多，能够从产品中获得的好处也就越多，典型的比如个性化推荐、身份证明。

在你使用推荐类的产品的时候，你产生的行为、数据越多，结果也就越精确，越能反应你的喜好，让你感觉自己离不开这个产品。

比如网易云音乐的推荐、抖音的推荐、今日头条的各种资讯推荐，都是用的越多，推荐的越精准，你也就越离不开它们。

典型的身份证明比如等级体系、信用体系，当你在一个系统内等级越高，特权越多的时候，你就倾向于更多的使用它，比如花呗，芝麻信用。

离开损失递增指的是你使用产品越多，离开产品的时候损失就越大，典型的比如沉淀的数据、关系链。

比如你已经在印象笔记保存了N多自己的资料，这个时候即使有道笔记有很多更好的功能，价格也更便宜，你也不会立刻迁移过去，因为对你而言这些资料更重要，离开的直接损失太大了。

关系链也是，我们之所以用微信是因为我们的朋友们都在用微信，而且用的越久关系链就越多，放弃使用微信对我们的损失就越大。

产品能够同时有着使用收益递增和离开损失递增的特性肯定最好，再不济的话也要想办法增强其中的一种，不然用户离开的成本会很低。

匿名社交就属于这种类型，没有使用收益递增，也没有离开损失递增，当用户选择弃用的时候，没有任何压力，直接就弃用了，这是我个人一直不太看好这种模式的原因之一。

对于低频或者一次性的业务，并不一定适用，毕竟业务本身低频，这种情况下最好是能够占据用户决策链的上游，让用户在特定的场景下想起你来，或者只要去寻找对应的服务，目之所及，都是你。

比如招聘类的产品，每到特定的月份，就会在各个入口打广告。

3、增长是基于用户生命全周期视角的持续性动作

上文中提到过拉新其实只是增长的一个环节，其实增长应该是基于用户生命全周期视角的持续性动作。

这里面有2个关键词，用户生命全周期，持续性动作。

一个完整的用户周期包括以下部分：

每个用户都会经历这些环节：对产品感兴趣》产生行动》下载App，初次使用》觉得不错，持续使用或者觉得不行，流失》持续使用的用户也逐渐不再使用》流失。

我们需要做的就是在这些环节中，持续性的做一些动作，比如：

• 新手引导，尽可能快的让用户感受到产品的价值；
• 养成习惯，让用户持续使用；
• 持续迭代，让用户持续的感受到价值；
• 流失预警，避免用户流失；
• 流失召回，把已经不活跃的用户重新拉回来；
• 等等。

我们最终的目标，是为了达到Max（ALTV）。

LTV是用户生命周期总价值， ALTV是Aggregation LTV，也就是用户价值总量，而我们期望的是追求用户价值总量的最大化。

对应在数据指标上，提升LTV上就是提升首次付费率、持续付费率、ARPPU以及延长LT。

以付费为例，不是让用户付费就结束了，而是一系列持续的过程，比如：

• 付费前怎么能把不付费的用户转化，比如发优惠券，免费使用等手段；
• 付费中怎么提升ARPPU ，比如电商里面的商品组合推荐，订阅的连续包月等；
• 付费后怎么引导持续付费，比如续费提醒，付费后再引导用户回到产品主路径上来等。

其实就是需要设计一条成长路线，让用户从进入产品的第一天开始，能够感受到产品的价值，留下来，然后持续使用，进而不断提升用户的LTV。

具体来说，就是在用户的成长路线中，引导用户不断的去做HVA（High Value Action），也就是高价值的行为。

素材来源于互联网

上面这张图是杨瀚清老师在一次分享中的PPT，价值曲线1是常规的LTV曲线，价值曲线2是产生了HVA用户的LTV曲线。

基于Max（ALTV）的最终目标来看，价值曲线2的最终ALTV比价值曲线1大很多。

以几个案例来简单说一下。

前几年玩王者荣耀的时候，开始我是没有付费的，大概有半年多到一年的时间都没有付费过。后来在某次首充活动中购买了个6元首充礼包，当时感觉超值，然后在接下来的一周里消费了差不多500元。

在没有进行首充之前，我并没有产生什么付费行为，我贡献的LTV是0，但当我首充之后，我的价值曲线就产生了跃迁，已经贡献了差不多500元了，这个首充的行为就是一个HVA。

在电商里面也有类似的场景，给你发一些优惠券引导你去消费更高单价的物品。典型的比如拼多多的百亿补贴，成功的把我身边不少人从只买日用、食品拉升到了在拼多多买手机、电脑这些3C产品。

滴滴出行里面也有类似的场景，通过补偿你一些专车券、免费升舱的机会，让你来体验服务更好，也更贵的服务。

这些行为都属于HVA，一旦用户做了这样的行为，就可能改变后续的其他行为，进而跃迁到更高价值的LTV曲线上。

在用户数量、生命周期不变的情况下，相同数量的用户就能创造更多的LTV，也就是更多的收入。

增长虽好，但也不是万能的，我理解的增长是用户价值的放大器，也就是用户价值先要成立，然后才会有后面的各种增长。

最后简单总结下本文：

• 增长需要让更多的用户更高频的使用产品的核心功能；
• 在用户使用产品的过程中，要尽可能的让用户使用的收益递增，以及离开的损失递增；
• 基于用户全生命周期来持续性的做一些动作，通过引导用户产生HVA来实现用户价值跃迁，追求Max（ALTV）。

以上，就是本文的主要内容，欢迎斧正、指点、拍砖…

如果觉得文章引发了你的思考，或者觉得还不错，欢迎分享给你的朋友，我们下一篇文章见。

免责声明：本文版权归原作者所有，文章系作者个人观点不代表蜗牛派立场，如若转载请联系原作者；本站仅提供信息存储空间服务，内容仅为传递更多信息之目的，如涉及作品内容、版权等其它问题都请联系kefu@woniupai.net反馈！