LTV（用户生命周期价值）通常指用户在生命周期内的购买转化总金额。企业通过对不同生命周期和不同营收贡献能力的用户进行分析，可以预测他们在未来某一时期的价值走向，从而有针对性地管理用户，确定最佳营销预算和营销策略，帮助企业获得战略性的竞争优势。

比如在日常营销上，通过细分用户群体，可以针对高价值用户提供VIP专属服务、会员积分兑换、更低的折扣价等策略，提高用户忠诚度；针对低价值用户可以定期推送大促信息，提供更优质的产品，将其向高价值用户转化。

流媒体平台Netflix针对不同用户推出的个性化推荐、定制化优惠、会员特权等运营方式，以及职场社交平台LinkedIn为用户提供的个性化职业建议和服务，均是在LTV预测基础上制定的业务策略。

(资料图片)

以Netflix为例，他们会收集用户的观影、搜索、评级、播放等历史数据，搭建算法模型，计算每个用户的LTV并进行预测，从而对他们进行个性化电影推荐，以提高用户观影频率和观看时长，即提高用户留存率，最终提高LTV，获得更多订阅收入。

经过对算法模型的数次迭代，Netflix甚至实现了根据特定会员过去看的剧和背景信息，来预测该会员想看的下一部剧可能是什么，然后据此开发新的影视项目，以获得更高的LTV。

在知道有数百万用户喜欢凯文·史派西和《白宫风云》后， Netflix投资1亿美元制作了由凯文·史派西主演的原创政治类剧集《纸牌屋》。

借助于这部剧的热播，Netflix当季新增用户数305万人，第一季度用户观看的视频总时长超过40亿小时。

如今，Netflix上80%的播放时间都是通过Netflix的推荐系统实现的，已在全球获得了超过2亿会员，是全球最大的流媒体服务商。

当然，并非所有公司在进行LTV预测时都具备Netflix的技术实力，对大部分传统公司而言，和第三方服务商合作是更优选。

作为数据分析服务商，GrowingIO分析云此前已上线LTV分析模型，并长期提供相关咨询服务。为降低企业运营成本，近期分析云客户数据平台（CDP）在标签管理模块新增了“LTV预测标签”，即通过AI算法，基于用户历史行为数据进行学习，从而预测用户未来一段时间的购买转化值。

该功能开箱即用，一线人员可轻松搭建算法模型。分析师只需选择用户表、时间表和设置LTV预测目标，即可运行算法模型全链路，生成用户价值预测结果，用于运营人群分层和价值分析。

增长价值：提升用户留存率，提高企业持续盈利能力

在客户数据平台（CDP）上构建“LTV预测标签”简便快捷，业务人员按照标签规则设置好核心转化/营收事件、用于训练的数据周期，和希望预测的未来时间段，即可生成LTV预测标签。其中，数据的历史周期越长、数据越丰富，结果预测准确率越高。

LTV预测标签构建示例

标签构建好后，业务人员可结合实际转化事件查看不同预测价值等级的实际转化情况，也可以查看他们在其他标签的分布，以便在后续运营中针对不同等级的用户，做精准营销触达。

以上图为例，构建LTV预测标签后，运营人员可在增长分析（UBA）上搭建预测1个月LTV和对应月份用户实际价值贡献的对比分析看板，查看不同等级的人群在预测月份的实际价值，方便进行个性化营销，提高用户留存率。

Netflix按照订阅价值将用户细分为非付费到高订阅若干等级，面向高价值订阅用户，Netflix推出了“Netflix空间音频”和“更多设备支持”两项权益，以便用户能够随时随地在任何设备上高质量观看Netflix的内容，提高用户忠诚度。

面向非付费用户，Netflix则推出了低价订阅服务，并开放了少量免费内容，用户无需付费或只需付极少费用再观看广告，即可完整观看影视内容（此前非付费用户无法完整观看任何内容），由此促进非付费用户向付费用户再向高订阅用户的转化。

LTV预测对企业最重要的意义在于获取消费者的未来价值，以“预言家”角色指导日常运营。借助LTV预测标签，企业在与增长分析（UBA）等其他产品配合使用后，可以获取更充分的数据，提高决策准确率和运营效率，避免拍脑袋决策。

技术支持：算法赋能，预测更科学

技术层面，分析云LTV预测标签的算法执行由数据云操作系统内核SimbaOS完成。SimbaOS封装多引擎、多云、多源异构数据的复杂性，天然适合运行大量数据项目。从模型开发、模型训练到模型部署，可一站式完成算法应用场景，并内置预测、推荐、人群聚类等多种模型，无需开发，开箱即用。

LTV预测标签架构简图

如上图所示，当用户按照规则创建LTV预测标签时，系统会同步自动创建数据查询命令（Query）给到LTV预测模型，该模型会从分析云的UEI模型中拉取相应数据，再在SimbaOS上执行算法，跑出标准的算法模型。

UEI模型基于分析云存储引擎ClickHouse构建，具备高性能、高实时、易伸缩等特点，能够将所有的用户行为、用户属性和商品、门店等不同维度的数据整合在一个视图里，为上层分析应用提供有力支持。

为提高预测准确率，LTV算法模型可基于一套自学习的算法流程进行自动化建模：SimbaOS对原始数据进行特征加工，并在内置的多个模型中选择效果稳定且表现最好的一个，然后针对最优模型不断调参，调出最优结果后再生成标签反哺给UEI模型，支撑上层分析应用。

经过实践，基于算法模型预测的未来用户等级中，高价值用户的预测准确率为51%，中等价值用户为63%，低价值用户为69%，而人工预测的高价值—低价值的准确率分别为15%、7%、4%。

经过多次调优，LTV预测标签的实际应用成效显著，较为准确，可指导日常销售以及大促期间的资源安排，例如流量分布、库存供应等。

随着大模型的普及，AI使用门槛未来将极大降低，数据加工程度更深，我们将开发更多基于AI算法的上层分析功能和应用，用更低门槛的产品服务更多一线业务人员，加速实现数据普惠。