经验讨论 LTV预测或许可以这样来做

手中游发展中有一个不不尽人意这一事实：难以仅仅靠提供专业的服务让用户很多免费下载一款优异的商品。

APP 销售市场商品应有尽有，每一个出版商都是在竭尽所能来吸引用户的目光。

这样一来，促使手游游戏的用户获得成本费越来越高。

绝大部分的开发人员都面临着获得用户资金有限问题。

他需要在购买用户的花销上获得一个正的投资回报比(ROI)。

在预估 ROI 时，一般跟两个关键点自变量有关：1、单独组装成本费(CPI)—— 获得一个用户下载游戏的耗费2、用户生命周期价值(LTV)—— 一个用户在游戏里面产生收入一般，ROI 能用 LTV 减掉 CPI 进行计算一个粗略地值。

其实就是用玩家在游戏里面的在线充值减掉获得玩家成本进行计算。

当然你也可以把广告收益和病毒经济效益考虑在内。

文中为了能简化模型，将忽视这部分内容。

CPI 是通过 APP 广告市场的供求来决定的，而 LTV 则是由产品价值确定。

APP的商业化的做出来的怎样，游戏里面所提供的付钱游戏道具有哪些类型，及其用户的用户粘性怎样等都取决于新产品的 LTV。

在用户还没放弃手机游戏以前，都是没有办法清晰地了解玩家的 LTV 的。

能做的就是可能一个大致的 LTV 值，那也是文中讲的黄金曲线图存在的价值。

想应用一种会让大家都可以形象化了解的方法去做，而不是靠这些繁杂理解不了的方式。

我渐渐搜集数据并探寻方式。

在预估LTV上有一个重要的问题就是给你玩家多久来呈现他的使用价值。

游戏里面玩家的质量是以日为基准来积累下来的。

对一些小企业而言，这么做会特别有问题。

但是如果仅用几个星期做为 LTV 的计算周期得话，那样测算出来的 LTV 会极低，那么低 LTV 都难以劝服你来导进新用户。

一般折中的方案是选择180天计算周期。

因而，我有兴趣的是玩家在180天总计游戏里面耗费。

宣布说法是，用户180天 LTV。

应用用户群做样本分析当导进新用户时，选购的并不是单独用户，反而是一群用户。

一般通过定价的方式为广告网络上选购某一我国某类机器的用户总流量。

LTV 最好依据一群用户的均值去进行预计。

单独用户的180天 LTV 能用人群的总180天 LTV 除于总数来获得。

该用户群这是所有开始游戏用户的一个子集合。

当然你也可以把用户根据国家，广告主，游戏装备去进行分类，随后可以看一下每一个人群的 LTV。

从路上，能够非常明显的看得出，伴随着玩家打游戏的时长提高，这个群体的付钱越来越少。

这是因为保留用户的降低，时间推移提升，这个群体中来玩游戏的人很少，因此这个群体的提高的总计付钱越来越少。

曲线图拟合的圈套曾用过 EXCEL 的图表展示数据来帮助自己了解吗?如果使用过得话，你一定碰到试过移动平均线来拟合数据。

这是一个非常好的作用，能让调节自变量来拟合你数据。

早已证实过如果你已经有180天数据，那非常容易找一个很好的拟合曲线图，但问题都是很明显的。

图1中的绿线要用幂函数来拟合真实数据。

底线是仅用7天数据来拟合出的曲线图。

这个案例中，底线的仿真模拟线比具体情况太低了大约三分之一前后，这样的结果不太好。

自然，还可以用曲线图拟合别的指标，比如用户粘性。

用曲线图拟合的 LTV 为9美金，而事实上的LTV仅有2.5美金。

这说明了什么?常规曲线图拟合用户粘性或付钱状况可能造成很严重的错误判断。

一点改善因此，好像还得继续努力的去寻找更为可信赖的预计方式。

我做的第一件事情是提升拟合的精度。

EXCEL 的曲线图拟合，可以用2个主要参数。

在使用线性函数拟合时，LTV=a b*x。

x 是日数。

还可以用代数式去进行拟合，但是同时，也可能会致使过多拟合，进而产生更荒诞得到的结果。

现阶段比较好的拟合函数是幂函数或是对数函数。

因而，我需要一个程序流程能够使用更多主要参数和一些不一样函数的组成来拟合结论。

很庆幸的是，有许多完全免费的一种手段能够帮助你再用繁杂的函数公式拟合数据。

一般，必须在简单函数和过多拟合立即探寻均衡。

所使用的函数公式越繁杂，对数据的拟合也越好。

比如用三种函数公式组合在一起，或是用大量主要参数，或是高级代数式都能够促使你函数公式更加复杂。

但是，也代表着，在样版以外数据上，你函数公式很有可能表现得更差些。

这里有一个事例，可以看 Hal Varian 近期的文章内容，第六页。

(我建议大家阅读一下一整片文章内容)黄金曲线图用更多数据做实体模型，那预测模型也就能获得更高精度。

在我们的示例中，所使用的玩家周期时间越久，在预测分析 LTV 的效果也是越好。

应用90天值拟合的曲线图在预测分析180的 LTV 要比应用7天效果值要好一些。

以我的经验来说，等用户的网络游戏个人行为已经达到了30天之后，再做预测分析是可用的。

其实就是得到30天数据之后再进行预计个人行为。

也应当保证你的样版足够大，最少每一个样版要上百个用户。

在使用多个函数公式拟合了好几款手游后，我黄金曲线图最后列入一个有三个参数对数函数。

迄今为止，这一函数公式在仅有有限的资源几日数据的情形下，预计后边非常长一段时间得到的结果都十分的非常好。

你是不是在从这一曲线图上真真正正得到黄金?

假如你有一款好的商品，当然是的。

但我上边表达的只是一个估计LTV直观地便于接受的方式。

能够帮你在跟朋友叙述时很容易的说服另一方。

可是，成本便是精度。

应用真正意义上的数据科学模型会获得更高精度，还可以让你一直在跟产品团队解释情况下更为坚定的信念。

可是，小一点开发人员会发现获得数据科学模型是非常难的。

在任何时候，采用各种方式做都是非常必要的。

我一般爱用三角预测法。

就是通过三种不同类型的方式预测分析并比照他的结论。

倘若三者的差别特别大，那我能觉得三种方法都不对。

但如果差别不大，那然后就每日任务靠谱。

对预测分析LTV，另外一种最简单的方法是试算表方式。

因而三角预测分析比照可以做了：真正意义上的数据科学模型得到的结果，试算表的办法过程和结果黄金曲线的结论。

倘若，你手里并没有数据科学合理参考模型，那能问一下你同行业，他的 LTV 大概是多少。

将其作为参照。

CPI 也不能和 LTV 相距特殊的大。

我明白一定有更为迅速或是更为直观地 LTV 预测方法。

我们一起讨论一下，你是怎么做的?你黄金曲线图是怎样的?