ライフタイム値（別名LTV、顧客ライフタイム値、CLV）を計算する問題は、遅かれ早かれ、モバイル（だけでなく）アプリケーションの開発者に直面します。 多くの計算方法が考案されており、LTVのカウント方法について意見があるのと同じくらい多くの人々がいます。 この資料では、長所と短所を特定するために、最も一般的な方法を説明することにしました。 これらのメソッドは、主にf2pモデルの記述に適しています。
1.事後
この方法は、LTVをモデル化せず、予測もしませんが、実際のLTVを考慮するため、後続のすべての背景に対して際立っています。
この方法では、間違いなくプロジェクトを去ったユーザーのコホートを取得し、このコホート全体がどれだけのお金をもたらしたかを確認し、この金額をコホートのサイズで割る必要があります。 ユーザーはほぼ同じ時間（1か月、またはそれ以上、1日）に登録することが望ましいです。
実際には、コホートが登録されていない期間に関係なく、コホートから少なくとも1人の人物がまだアクティブであるため、この方法の適用は不十分です。 したがって、実際には、LTVは実際に計算されるのではなくシミュレートされます。 そして、その後のすべての方法は、将来のLTVを正確にモデル化し、過去を評価しません。
2.すべてを取り、共有、またはシャリコフの方法
最速だが最も粗い方法。 その期間のアプリケーションの収入全体を取得し、同じ期間のユーザーの総数で割ります。
このメソッドにはプラスが1つしかありません。文字通り1つのアクションで、非常に高速と見なされます。
マイナスは、このメソッドの明らかな不正確さです。これは、たとえば次の理由による可能性があります。
- すでにアクティブになっている（分母に当たる）ユーザーからの収益（分子にあるはずの）がまだ取り込まれていません。
- アプリケーションメトリックの寿命の最初からの値が考慮されます。 アプリケーションには独自のライフサイクルがあることを忘れないでください。また、原則として、ライフサイクルの最初の時点で、インジケーターはしばらく後よりも優れています（ GameAnalyticsのこの優れた研究について読んでください ）。 同じ方法で、アプリケーションライフのすべての段階が組み合わされます。
- また、この方法では、ユーザーセグメントごとにLTVを個別に計算することは困難です。このため、セグメントのサイズと、このセグメントのユーザーによってもたらされる金額を事前に知る必要があります。
3.シンプルな方法での寿命
ユーザーがアプリケーションで平均して何日生存し、1日の平均でどれだけのお金をもたらすかがわかれば、アプリケーションでの生涯にどれだけのお金をもたらすかを推定できます。 これが私たちのLTVです。 このメソッドの式は次のとおりです。
次の質問は、寿命を数える方法です。 2つの方法があり、最初の方法は簡単な方法での計算です（ヘッダーから気づいたかもしれませんが）：
1）特定の非アクティブ期間、つまりユーザーがアプリケーションに戻らない可能性が最も高い時間を決定します。 これは、保持値に基づいて、またはより頻繁に専門的に決定されます。 通常、この値は1週間または2週間に専門的に設定します。
2）毎日、特定の日に非アクティブな期間があるユーザーを調べます。
3）各ユーザーについて、最初の訪問から当日までの日数を計算します。
4）すべてのユーザーの平均値を計算します。 これは寿命です。
さて、ARPU（この場合はARPU = ARPDAU）は、毎日の収益をDAUで割って計算されます。 ライフタイムにARPUを掛けて、LTVを取得します。
この方法の利点 ：
- 計算のしやすさ。 この方法で寿命を計算することは難しくありません。ARPUを計算するのはさらに簡単です。 そして、どの学生も次々と乗算できます。
- 少なくとも毎日、LTVをカウントできます。
- LTVは、ユーザーセグメントごとに個別に計算できます。
短所は、不正確さにあります。この場合、これは次の理由によるものです。
- この値は、原則として専門的に設定された非アクティブ期間に大きく依存します。
- ライフタイムの平均値にARPUの平均値を掛けると、累積エラーが得られます。
- ライフタイムを計算するときは、すでにアプリケーションを離れたユーザーを調べます。 ARPUを計算するとき、今日のユーザーを調べます。 ライフタイムとARPUを形成する多くのユーザーが交差しないことがわかります。ライフタイムは過去のデータ、ARPU-現在の日付に従って計算されます。
- ARPUの不変性の強い仮定。 私たちはたった一日でARPUを摂取し、それに基づいて何日も前からLTVを予測しています。
4.困難なライフタイム、またはボトムアップ
このメソッドの2番目の名前は、 Woogaの資料から取られています。これは、 耳にする価値のあるソースです。 メソッドの式はまったく同じです。
しかし、ここでの寿命はもう少し複雑であると考えられ、はるかに正確になります。 保持グラフの外観を思い出してください。
事実は、寿命は保持グラフの下の図の領域、言い換えれば、保持時間の積分です。
ただし、積分をカウントする前に、関数自体を作成する必要があります。 方法：
1）原則として、数日間の保持値があります（たとえば、1日、7日、28日）。 他の日があり、さらに良い場合-より長い期間-これで問題ない場合、これにより計算がより正確になります。
2）既知の値に基づいて（たとえば、1、7、28日間）、保持曲線を作成する必要があります。 次の形式の曲線の方程式を探します。
ここで、tは最初の訪問からの日数、F（t）は将来の保持式、A、B、Cはモデル係数です。
3）既知の保持値を、それがいくらであっても方程式に代入し、係数A、B、Cの方程式系を取得します。
4）F（t）の実際の値とシミュレートされた値の間の偏差の差の二乗の合計を計算します。
5）合計偏差を最小化するようなA、B、Cの値を見つけます。 これは、たとえば、MS Excelのソルバーツール（ソリューション検索）を使用して完全に実行できます。
6）見つかったA、B、Cの値を方程式に代入し、必要な日数の間保持を評価できる関数を取得します。
それだけではありませんが、もうすぐです。 さらに、複雑な方法または単純な方法を選択することもできます。
複雑な方法は、保持関数の積分を見つけることです。
それを思い出してください
簡単な方法は、大まかではありますが、寿命の値に応じて保持曲線をセグメントに分割することです。 たとえば、1日おきに終了するユーザー、2〜7日間、8〜30日間、1〜3カ月、3カ月以上アプリケーションに住んでいたユーザーの場合。 セグメントが多いほど良い。 各セグメントについて、保持テーブルに従ってそれに関連するユーザーの割合（セグメントの重み）を計算し、すべてのセグメントの加重平均寿命を計算します。
しかし、どの方法を選択しても、LTVをどの時点まで考慮する必要があるかという問題に直面します（積分の場合、これは積分領域の右端になり、合計の場合、最後のセグメントの日数になります）。 そして、ここでも2つの解決方法があります：シンプルと複雑です。
簡単な方法は、右端を巧みに設定することです。 これは通常、次のように発生します。
-そして、6ヶ月かかりましょう！
-なんで？
-どうして？
-さて、半年やってみましょう。
洗練された方法は、割引を使用してWACCの割引率を見つけることです（この資料に金融数学が表示されるとは思わなかったことを認めますか？）。 事実は、現在千ドルと明日千ドルは異なる金額です。 今日の明日の千ドルは、割引率の選択に応じて、約900ドルになります。
式は次のとおりです。
ここで、 PV （現在価値）は将来のお金の現在価値であり、
CFi -iの期間を通じて受け取るお金、
WACC （加重平均資本コスト）は割引率です。
彼女を見つける方法は？ 通常、WACCは平均的な企業の実際の株主資本利益率と等しくなります。 また、これを希望する自己資本利益率、または代替プロジェクトの自己資本利益率と同等にすることもできます。 この段落を理解していない場合は、投資家に尋ねてください。彼らはおそらくあなたの会社のWACCを知っています。
したがって、WACCを知っていれば、将来のタイムストリームを割り引くことができるため、統合の右端として無限を選択できます。 実際には、WACCを追加すると、合計（または積分）から無限に減少するシーケンスが作成され、そこから合計を見つけることができます。
ライフタイムをカウントしたと仮定します。 ここで、ARPU（収益/ DAU）を考慮し、ARPUにライフタイムを掛けて、LTVを取得します。
この方法の利点 ：
- 精度。 寿命は非常に正確に計算され、その誤差は最小限です。
- この方法を計算する副作用は、ボーナスとして任意の日数の保持予測を取得することです。
- 各セグメントのLTVを個別に計算する機能。
メソッドの短所 ：
- 数えるのは難しいです（ただし、すべてのデータを使用した経験豊富なアナリストが5分でLTVを数えます）。
- 繰り返しますが、ARPUの経時的な不変性の仮定。 安全にプレイして、1日のARPUではなく、生涯の1日の平均ARPUを考慮すると、精度が向上します。
5.累積ARPU、またはトップダウン
メソッドの2番目の名前は、このメソッドに+10の信頼性を与えるWoogaマテリアルに由来しています。 写真は同じ素材から撮影されました。
説明しましょう。 新しいプレイヤーのグループがあなたのプロジェクトに来て、あなたがそれをフォローし始めたとしましょう。 このグループの平均的なプレーヤーが7日間、14、28などでどれだけのお金をあなたにもたらしたかを測定します。 つまり、実際には、N日で通常のARPUから累積的なARPUに切り替えています。
まあ、7、14、28などの累積ARPUを知っている 数日後、曲線の数学的モデルを再び構築し、任意の日数の累積ARPUの値を予測できます。 次の形式の曲線の方程式を探します。
ここで、tはユーザーの最初の訪問からの日数、F（t）は将来の方程式、AおよびBはモデル係数です。
平方偏差の合計を再度計算し、係数AおよびBの最適な値を選択することで最小化します。
より多くの累積ARPU値がある場合（たとえば、60日間および90日間）、式にC * tまたはD / tの形式の用語を追加できます。これにより、精度が向上します。 まあ、一般的に-最小偏差を保証する方程式はありません。 方程式の外観を試してください！
何度か繰り返した後でも、あなたに合った方程式が得られます。 ここで、この方程式で必要なtの値を代入すると、累積ARPU（t）が得られます。これは、本質的にLTVと等しくなります。
LTV計算のt値を選択する方法は？
- 第一に、あなたは一生かかることができます。
- 第二に、このtを再度巧妙に設定できます。
- 第三に、割引に戻り、結果の方程式に分母を追加できます
、この場合、遅かれ早かれ、漸近値がチャートに表示され始めます（上の写真のように、約3.7ドル、それ以上ではLTVはできません。この値を取ります）。
したがって、LTVを計算するための5つの方法を検討しました。これは、ご覧のとおり、最も正確性の低いものから最も正確なものの順に並べられています。 好みの方法を選択し、LTVを計算して、適切な決定を下してください。 そして今、 LTVの主なルール：ユーザーをセグメントに分割し、各セグメントのLTVを個別に読み取ります。 これにより、製品の正しい判断を下すためのより高い精度とより多くの理由が得られます。