GrowingIO客戶數(shù)據(jù)平臺(tái)新增LTV預(yù)測(cè)標(biāo)簽：輕松點(diǎn)擊，識(shí)別未來高價(jià)值用戶

2023-08-16 12:08:51來源：中關(guān)村在線  

LTV（用戶生命周期價(jià)值）通常指用戶在生命周期內(nèi)的購(gòu)買轉(zhuǎn)化總金額。企業(yè)通過對(duì)不同生命周期和不同營(yíng)收貢獻(xiàn)能力的用戶進(jìn)行分析，可以預(yù)測(cè)他們?cè)谖磥砟骋粫r(shí)期的價(jià)值走向，從而有針對(duì)性地管理用戶，確定最佳營(yíng)銷預(yù)算和營(yíng)銷策略，幫助企業(yè)獲得戰(zhàn)略性的競(jìng)爭(zhēng)優(yōu)勢(shì)。

比如在日常營(yíng)銷上，通過細(xì)分用戶群體，可以針對(duì)高價(jià)值用戶提供VIP專屬服務(wù)、會(huì)員積分兌換、更低的折扣價(jià)等策略，提高用戶忠誠(chéng)度；針對(duì)低價(jià)值用戶可以定期推送大促信息，提供更優(yōu)質(zhì)的產(chǎn)品，將其向高價(jià)值用戶轉(zhuǎn)化。


(資料圖片僅供參考)

流媒體平臺(tái)Netflix針對(duì)不同用戶推出的個(gè)性化推薦、定制化優(yōu)惠、會(huì)員特權(quán)等運(yùn)營(yíng)方式，以及職場(chǎng)社交平臺(tái)LinkedIn為用戶提供的個(gè)性化職業(yè)建議和服務(wù)，均是在LTV預(yù)測(cè)基礎(chǔ)上制定的業(yè)務(wù)策略。

以Netflix為例，他們會(huì)收集用戶的觀影、搜索、評(píng)級(jí)、播放等歷史數(shù)據(jù)，搭建算法模型，計(jì)算每個(gè)用戶的LTV并進(jìn)行預(yù)測(cè)，從而對(duì)他們進(jìn)行個(gè)性化電影推薦，以提高用戶觀影頻率和觀看時(shí)長(zhǎng)，即提高用戶留存率，最終提高LTV，獲得更多訂閱收入。

經(jīng)過對(duì)算法模型的數(shù)次迭代，Netflix甚至實(shí)現(xiàn)了根據(jù)特定會(huì)員過去看的劇和背景信息，來預(yù)測(cè)該會(huì)員想看的下一部劇可能是什么，然后據(jù)此開發(fā)新的影視項(xiàng)目，以獲得更高的LTV。

在知道有數(shù)百萬用戶喜歡凱文·史派西和《白宮風(fēng)云》后， Netflix投資1億美元制作了由凱文·史派西主演的原創(chuàng)政治類劇集《紙牌屋》。

借助于這部劇的熱播，Netflix當(dāng)季新增用戶數(shù)305萬人，第一季度用戶觀看的視頻總時(shí)長(zhǎng)超過40億小時(shí)。

如今，Netflix上80%的播放時(shí)間都是通過Netflix的推薦系統(tǒng)實(shí)現(xiàn)的，已在全球獲得了超過2億會(huì)員，是全球最大的流媒體服務(wù)商。

當(dāng)然，并非所有公司在進(jìn)行LTV預(yù)測(cè)時(shí)都具備Netflix的技術(shù)實(shí)力，對(duì)大部分傳統(tǒng)公司而言，和第三方服務(wù)商合作是更優(yōu)選。

作為數(shù)據(jù)分析服務(wù)商，GrowingIO分析云此前已上線LTV分析模型，并長(zhǎng)期提供相關(guān)咨詢服務(wù)。為降低企業(yè)運(yùn)營(yíng)成本，近期分析云客戶數(shù)據(jù)平臺(tái)（CDP）在標(biāo)簽管理模塊新增了“LTV預(yù)測(cè)標(biāo)簽”，即通過AI算法，基于用戶歷史行為數(shù)據(jù)進(jìn)行學(xué)習(xí)，從而預(yù)測(cè)用戶未來一段時(shí)間的購(gòu)買轉(zhuǎn)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(shí)間表和設(shè)置LTV預(yù)測(cè)目標(biāo)，即可運(yùn)行算法模型全鏈路，生成用戶價(jià)值預(yù)測(cè)結(jié)果，用于運(yùn)營(yíng)人群分層和價(jià)值分析。

增長(zhǎng)價(jià)值：提升用戶留存率，提高企業(yè)持續(xù)盈利能力

在客戶數(shù)據(jù)平臺(tái)（CDP）上構(gòu)建“LTV預(yù)測(cè)標(biāo)簽”簡(jiǎn)便快捷，業(yè)務(wù)人員按照標(biāo)簽規(guī)則設(shè)置好核心轉(zhuǎn)化/營(yíng)收事件、用于訓(xùn)練的數(shù)據(jù)周期，和希望預(yù)測(cè)的未來時(shí)間段，即可生成LTV預(yù)測(cè)標(biāo)簽。其中，數(shù)據(jù)的歷史周期越長(zhǎng)、數(shù)據(jù)越豐富，結(jié)果預(yù)測(cè)準(zhǔn)確率越高。

LTV預(yù)測(cè)標(biāo)簽構(gòu)建示例

標(biāo)簽構(gòu)建好后，業(yè)務(wù)人員可結(jié)合實(shí)際轉(zhuǎn)化事件查看不同預(yù)測(cè)價(jià)值等級(jí)的實(shí)際轉(zhuǎn)化情況，也可以查看他們?cè)谄渌麡?biāo)簽的分布，以便在后續(xù)運(yùn)營(yíng)中針對(duì)不同等級(jí)的用戶，做精準(zhǔn)營(yíng)銷觸達(dá)。

以上圖為例，構(gòu)建LTV預(yù)測(cè)標(biāo)簽后，運(yùn)營(yíng)人員可在增長(zhǎng)分析（UBA）上搭建預(yù)測(cè)1個(gè)月LTV和對(duì)應(yīng)月份用戶實(shí)際價(jià)值貢獻(xiàn)的對(duì)比分析看板，查看不同等級(jí)的人群在預(yù)測(cè)月份的實(shí)際價(jià)值，方便進(jìn)行個(gè)性化營(yíng)銷，提高用戶留存率。

Netflix按照訂閱價(jià)值將用戶細(xì)分為非付費(fèi)到高訂閱若干等級(jí)，面向高價(jià)值訂閱用戶，Netflix推出了“Netflix空間音頻”和“更多設(shè)備支持”兩項(xiàng)權(quán)益，以便用戶能夠隨時(shí)隨地在任何設(shè)備上高質(zhì)量觀看Netflix的內(nèi)容，提高用戶忠誠(chéng)度。

面向非付費(fèi)用戶，Netflix則推出了低價(jià)訂閱服務(wù)，并開放了少量免費(fèi)內(nèi)容，用戶無需付費(fèi)或只需付極少費(fèi)用再觀看廣告，即可完整觀看影視內(nèi)容（此前非付費(fèi)用戶無法完整觀看任何內(nèi)容），由此促進(jìn)非付費(fèi)用戶向付費(fèi)用戶再向高訂閱用戶的轉(zhuǎn)化。

LTV預(yù)測(cè)對(duì)企業(yè)最重要的意義在于獲取消費(fèi)者的未來價(jià)值，以“預(yù)言家”角色指導(dǎo)日常運(yùn)營(yíng)。借助LTV預(yù)測(cè)標(biāo)簽，企業(yè)在與增長(zhǎng)分析（UBA）等其他產(chǎn)品配合使用后，可以獲取更充分的數(shù)據(jù)，提高決策準(zhǔn)確率和運(yùn)營(yíng)效率，避免拍腦袋決策。

技術(shù)支持：算法賦能，預(yù)測(cè)更科學(xué)

技術(shù)層面，分析云LTV預(yù)測(cè)標(biāo)簽的算法執(zhí)行由數(shù)據(jù)云操作系統(tǒng)內(nèi)核SimbaOS完成。SimbaOS封裝多引擎、多云、多源異構(gòu)數(shù)據(jù)的復(fù)雜性，天然適合運(yùn)行大量數(shù)據(jù)項(xiàng)目。從模型開發(fā)、模型訓(xùn)練到模型部署，可一站式完成算法應(yīng)用場(chǎng)景，并內(nèi)置預(yù)測(cè)、推薦、人群聚類等多種模型，無需開發(fā)，開箱即用。 

LTV預(yù)測(cè)標(biāo)簽架構(gòu)簡(jiǎn)圖

如上圖所示，當(dāng)用戶按照規(guī)則創(chuàng)建LTV預(yù)測(cè)標(biāo)簽時(shí)，系統(tǒng)會(huì)同步自動(dòng)創(chuàng)建數(shù)據(jù)查詢命令（Query）給到LTV預(yù)測(cè)模型，該模型會(huì)從分析云的UEI模型中拉取相應(yīng)數(shù)據(jù)，再在SimbaOS上執(zhí)行算法，跑出標(biāo)準(zhǔn)的算法模型。

UEI模型基于分析云存儲(chǔ)引擎ClickHouse構(gòu)建，具備高性能、高實(shí)時(shí)、易伸縮等特點(diǎn)，能夠?qū)⑺械挠脩粜袨?、用戶屬性和商品、門店等不同維度的數(shù)據(jù)整合在一個(gè)視圖里，為上層分析應(yīng)用提供有力支持。

為提高預(yù)測(cè)準(zhǔn)確率，LTV算法模型可基于一套自學(xué)習(xí)的算法流程進(jìn)行自動(dòng)化建模：SimbaOS對(duì)原始數(shù)據(jù)進(jìn)行特征加工，并在內(nèi)置的多個(gè)模型中選擇效果穩(wěn)定且表現(xiàn)最好的一個(gè)，然后針對(duì)最優(yōu)模型不斷調(diào)參，調(diào)出最優(yōu)結(jié)果后再生成標(biāo)簽反哺給UEI模型，支撐上層分析應(yīng)用。

經(jīng)過實(shí)踐，基于算法模型預(yù)測(cè)的未來用戶等級(jí)中，高價(jià)值用戶的預(yù)測(cè)準(zhǔn)確率為51%，中等價(jià)值用戶為63%，低價(jià)值用戶為69%，而人工預(yù)測(cè)的高價(jià)值—低價(jià)值的準(zhǔn)確率分別為15%、7%、4%。

經(jīng)過多次調(diào)優(yōu)，LTV預(yù)測(cè)標(biāo)簽的實(shí)際應(yīng)用成效顯著，較為準(zhǔn)確，可指導(dǎo)日常銷售以及大促期間的資源安排，例如流量分布、庫(kù)存供應(yīng)等。

隨著大模型的普及，AI使用門檻未來將極大降低，數(shù)據(jù)加工程度更深，我們將開發(fā)更多基于AI算法的上層分析功能和應(yīng)用，用更低門檻的產(chǎn)品服務(wù)更多一線業(yè)務(wù)人員，加速實(shí)現(xiàn)數(shù)據(jù)普惠。

標(biāo)簽：

相關(guān)閱讀

精彩推薦

相關(guān)詞

推薦閱讀