GrowingIO客戶數據平臺新增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，幫助企業獲得戰略性的競爭優勢。

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建議和服務，均是在LTV預測基礎上制定的業務策略。

以Netflix為例，他們會收集用戶的觀影、搜索、評級、播放等歷史數據，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次迭代，Netflix甚至實現了根據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，然后據此開發新的影視項目，以獲得更高的LTV。

在知道有數百萬用戶喜歡凱文·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的推薦系統實現的，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，對大部分傳統公司而言，和第三方服務商合作是更優選。

作為數據分析服務商，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。為降低企業運營成本，近期分析云客戶數據平臺（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據進行學習，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，提高企業持續盈利能力

在客戶數據平臺（CDP）上構建“LTV預測標簽”簡便快捷，業務人員按照標簽規則設置好核心轉化/營收事件、用于訓練的數據周期，和希望預測的未來時間段，即可生成LTV預測標簽。其中，數據的歷史周期越長、數據越豐富，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據，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預測標簽的算法執行由數據云操作系統內核SimbaOS完成。SimbaOS封裝多引擎、多云、多源異構數據的復雜性，天然適合運行大量數據項目。從模型開發、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，開箱即用。

LTV預測標簽架構簡圖

如上圖所示，當用戶按照規則創建LTV預測標簽時，系統會同步自動創建數據查詢命令（Query）給到LTV預測模型，該模型會從分析云的UEI模型中拉取相應數據，再在SimbaOS上執行算法，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據整合在一個視圖里，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對原始數據進行特征加工，并在內置的多個模型中選擇效果穩定且表現最好的一個，然后針對最優模型不斷調參，調出最優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，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，數據加工程度更深，我們將開發更多基于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務人員，加速實現數據普惠。

標簽：