Прогнозирование LTV

Приложение ТУТ!

Для кого

  • Для тех, кто использует стандартный Google Analytics, и видит данные только за 90 дней. (Если есть желание сделать реальный LTV, а не прогнозный за больший период – тут написан алгоритм).
  • Для молодого бизнеса, у которого мало данных по продукту, а уже руки чешутся прогнозировать и моделировать
  • Для углубленного анализа, когда хочется считать LTV по всяким разным когортам, но нет времени возится с данными

Методика

Прогнозирование LTV построено на примере из этой статьи. Там полное описание метода и ссылки на научные работы. А если вкратце, то на основании имеющихся данных за несколько периодов (причем периодом может быть день, неделя, месяц, что-то еще…) мы рассчитываем вероятность оттока пользователя для каждого нового периода. Условно говоря, пользователь в новом месяце (или другом таймфрейме) подбрасывает монетку и с вероятностью оттока он либо исчезает (больше не приносит транзакций), либо снова конвертируется и т.д… Вероятность оттока в каждом прогнозируемом периоде характеризуется бетта-распределением, которое идеально подходит под наши цели (оно гибкое и находится в диапазоне от  0 до 1, как и вероятности)

Пример использования

Кстати говоря, прогнозировать можно не только пожизненный чек пользователя, но и любые другие метрики, связанные с retention. Объясню на примере:

Допустим у нас имеется продукт с ежемесячной подпиской (10$ / мес.). Наш стартап успешно просуществовал 4 месяца и мы получили следующую статистику:

 

Статистика по подпискам

Мы собрали когорту тех, кто  подписался на сервис в первый месяц и проследили из в следующих трех месяцах (Month – месяц, Subs – сумма подписок в $). Как видно количество подписок падает (оно и понятно). Нам нужно посчитать вероятность удержания retention_rate, оно равно отношению любого месяца к нулевому. Так мы получим ряд чисел (нулевой месяц всегда единица, это 100%): 1, 0.7, 0.56, 0.5. Теперь останется воспользоваться приложением (оно тут). Сначала вводим количество периодов за которое будем считать LTV (по умолчанию 12, т.е. год в нашем случае). Потом заполняем известные периоды и нажимаем Predict…

Приложение для прогнозирования LTV

В итоге мы получаем график предсказанного LTV за нужный период и накопленную ценность (Cumulative LTV). В моем пример Cumulative LTV составил 5.66, это число нужно умножить на значение нулевого периода 5,66 * 1000 = 5660 – это ожидаемая сумма всех подписок от исследуемой когорты за год. Надеюсь было очевидно, что можно считать не только деньги, но и пользователей или еще что-то, главное уловить смысл.

Добавить комментарий

Ваш e-mail не будет опубликован.