版本 | 上线时间 | 更新时间 | 更新内容 |
V 1.0 | 2022.6.29 | 2022.6.29 | 预估广告LTV_7上线，支持游戏、工具、网赚游戏等IAA行业 |
V 2.0 | 2022.11.11 | 2022.11.14 | 预估广告LTV_0/ROI_0上线，支持小时级预估全天回收，支持全行业 |
用户的 LTV（生命周期价值）是从用户获取到流失所得到的全部收益总和。LTV 是大多数运营策略的最终衡量指标，也是一个用户的价值体现，被广泛应用于广告投放的决策行为中。
LTV 的定义为用户生命周期价值（Life Time Value），其值大小由两部分决定：① 生命周期，即 Lt 部分； ② 价值，即 V 部分；放到产品中，即单个用户在产品中存活的时间乘以用户在存活时间期间内单位时间所产生的收入，由于用户的存活行为是连续生成的，同时产生的收入行为也是伴随存活行为连续生成的，所以 LTV 是一个连续变化的积累值，用公式的表达就是：
LTV = 单用户存活 Days *ARPU（per Day）= 所有人在总存活期内总收入 / 所有人的人数
在广告投放领域，如何进行高质量的投放以达到用户持续性增长的目标，是行业的普遍痛点。在投放及运营人员根据产品历史 LTV 数据以及行业经验，对产品未来的发展性价值进行评估继而调整投放权重与力度，或调整运营策略。随着市场规模扩大、用户群体复杂化，依赖行业经验的人为决策难度越来越大，对游戏及用户群体的价值进行准确评估的可行性也愈来愈低。因此，对于依赖数学算法的、可信的、拥有相对稳定准确性的 LTV 预估方法的开发研究，在广告行业得到越来越多的重视。
以游戏为例： LTV 的发展趋势与幅值为参考指标，对游戏进行评级，可以帮助游戏广告投放人员合理地调整不同游戏的资源投放比例；以用户群 LTV 的发展趋势与幅值为参考指标，对用户群的价值评估，可以帮助游戏广告投放人员合理地调整用于不同用户渠道的资源投放比例。
产品在发布初期表现良好，之后在某一时间用户开始大量流失，收益增长停滞，迅速进入瓶颈期。这样的发展趋势在初期也许稍显端倪，却容易被表面的良好数据掩盖（如，初期具有较高的留存率，但已出现异常的衰减情况）。再针对此情况商讨、研究、开发相应的运营策略，往往难以及时降低用户流失风险。而用算法模型预测未来 LTV ，可以为运营方提供用户在未来某时间段的累积LTV，降低潜在停滞风险，帮助及时调整运营策略。
曲线1：预估值
| 曲线2：真实值
| 曲线3：历史较高水平（T0）
| 曲线4：行业较高水平（T0）
| 曲线5：行业较高水平（上周）
|
整体概览：核心指标分析（按应用）
| |
核心指标分析
|
|
我们在使用预估LTV的时候建议参考两条行业曲线，同时配合预估数据GAP可辅助判断是否可做对应的投放操作；比如GAP过高的时候，参考行业的趋势变化，可辅助判断预估数据的稳定性以及是否需要调整LTV预期 |
小时级-累计口径 | 小时级-分时段口径 |
不可以，模型算法预估依赖设备颗粒度数据，以及对应的各做用户行为特征信息，Api回传部分不能保证穿山甲DAU大盘一定有该用户信息
暂时不可以，聚合预估口径目前还在研发当中
不支持，参谋仅支持通过模型算法预估纯广告LTV，不支持内购以及其他收入类型预估
- 稳定性更高，可以过滤有更多大盘波动的信息
- 细粒度后验GAP更稳定，从单设备粒度预估后做聚合，过滤脏数据干扰，应用、账户、计划粒度后验GAP均维持在10%左右
- 时效性更高：不依赖应用大量经验数据累积，不仅适用于老产品，同样适用于新产品早投早知道，随小时级数据产出即可知道当日24h的ltv、roi
检查1：应用管理->接入分析->归因数据拼接率 是否>80% | 检查2：当前数据筛选维度，新增激活设备数是否>100 | 若前两个检查均满足条件，则是由于最近有数3天后验GAP>20%不予披露 |
进群/添加请备注穿山甲媒体/应用id
Contact us
Online Customer Service24/7 Online Customer Service BotManual customer service, weekdays 10~ 12 o'clock/14~ 19 o'clock
