商业变现永不眠（四）- 关于收入的几个关键指标以及如何提升

    所有人都想提升自己产品的收入，但是如何提升，关键指标是什么，指标之间的关联关系是什么，提升了其中一个指标，另外一个会随着下滑，例如提升了ARPU值，付费率会下滑，整体收入会下降，付费率和ARPU值提升了，但是用户留存直线下滑，LTV下降，从长期来说，整体收入也是下滑的。我们首先来看看决定收入的几个关键指标

• 收入的几个关键指标

一个产品的整体收入离不开付费和ARPU值，以及如何通过估算LTV，来决定用户增长成本，产品技术迭代方向以及运营活动以及费用。每个点如何定义，他们之间有什么关系，如何通过调整这些数据之间的关系来达到收入和用户体验的最优解，通过查阅线上成熟的分析文章以及我自己的一些理解，整理成如下内容，抛砖引玉。

1. ARPU(Average Revenue Per User)：平均每用户收入

计算公式为：ARPU 值=总收入 / 用户数

具体计算的时候，又会出现各种变种，主要是在分母“用户数”上做文章。下面以月ARPU值举例：

1. 月总收入 / 月活跃用户数
2. 月总收入 / 月付费用户数
3. 月总收入 / 累积用户总数
4. 月总收入 / 用户分层总数

对应计算方法解读：

1. 最传统的定义方法
2. 实际上就是ARPPU（Average Revenue Per Paying User)：平均每付费用户收入——这样计算会让ARPU值看起来很高，报表很好看。
3. 一般不会这么计算，因为存在大量已流失用户和沉默用户，将这部分用户纳入统计是没有意义的。但有时候怕ARPU值太高会有舆论或监管压力，会采用这种计算方法来混淆视听。
4. 做数据分析时使用，就是将用户分为不同的类型，总收入也是对应分层用户的总收入。例如可以将用户分为不同渠道来源、是否会员用户、通过使用频次划分等等。可以查看不同渠道来源的用户质量。

1. LTV（Life Time Value）：用户的终身价值或用户生命周期价值（这两种表述都可以）

含义上很好理解，就是平均每个用户可以带来多少价值。可以用来决策可以为每个用户付出多少获取成本。也可以用来计算ROI。
LTV经常会和CAC（Customer Acquisition Cost）“用户获取成本”、PBP（Payback Period）“回收期”一起来讲。
1. LTV/CAC值：在不同产品阶段，市场环境下要求可能不太一样，这个主要根据公司战略决策来制定，当然，用户获取的“质量” 也决定了LTV。有一种说法是这个值大于3是一个，不过对于国内现在用户获取环境来说，除非是特别优秀并且有护城河的产品，否则很难。
2. PBP值：特别短的产品（例如7天内），一般DAU不会太高，特别长的产品（例如1年以上），在商业化上一般有问题。

1. 关于LTV的预估，

网上看到很多LTV的预估方法，在DAUARPU值稳定的前提下，全生命周期的价值就等于用户的活跃天（LT）和每天价值（ARPUDAU）的乘积，如下图公式，

但是如果由于用户导入的原因或者产品功能不断调整等原因倒是DAUARPU值不稳，那比较直观和操作性强的应该是：LTV的曲线拟合估算方法，当然还有更加复杂的BG/NBD概率模型预测等，不适合普通运营，大家可以根据自己业务的具体情况，例如内购变现，广告变现，电商等等不同，总结自己的一套逻辑。

近似等于留存曲线上方扫过的面积。

1. 用Excel画出留存曲线图

1. 鼠标右击曲线，出现弹窗，选择“添加趋势线”

1. 在指数、线性、对数、多项式、幂、移动平均中选择一条跟留存曲线拟合最好的曲线（实际上是机器代替人进行了数学建模，机器会自动找出拟合最好函数）。这一步是为了对留存率做预测。

注意：这里要勾选上“显示公式”和“显示R平方值”，R² 代表拟合度，R² 越接近1说明拟合度越高。“前推周期”自己根据曲线走势填入一个数字，这里要多尝试几个，目的是让曲线趋近于0，这样计算出来的面积才准确。

1. 得出完整留存曲线走势图，我这里机器计算出来的函数是y = 0.5796e^-0.054x
   R² = 0.9953

1. 到这一步就八仙过海各显神通了，数学好的可以根据高数学的定积分计算函数的面积。还有就是根据函数，将函数写入到Excel表格中，拉一下，得出后续的留存率。注意：这里 x 代表的是第几天。

e=2.718281828459

1. 最后根据sum函数得出累积留存率，我这里得出的是1054%。

也就是说平均用户生命周期是10.54天，按10天计算的话，就去计算10天ARPU值，就是LTV了。

1. 关于付费率

付费率=付费UV/整体UV，或者说付费ID/整体ID。付费率是个大的概念，一般泛指活跃用户的付费情况，是百分比。比如今天我们游戏有100个用户在玩，有5个花钱充值了，那当前付费率就是5%。

这么看确实覆盖面太广，和越来越精益求精的运营方式不符，于是按照用户的类型做了一下区分，细化为以下几种：

1. 注册用户付费率

公式：注册用户付费率 = 总注册用户数/活跃付费用户数

从宏观角度看待项目的整体情况，一般为稳定的百分比，它不像每日/每月付费率这种随时间周期变化较大。

1. 平均在线付费率

平均在线付费率 =平均同时在线用户数/活跃付费用户数

1. 活跃用户付费率

最常见的就是活跃用户付费率，活跃用户付费率 = 当日活跃用户数/活跃付费用户数

1. 新老用户付费率

按照新老用户作为条件，用来分析新老用户分别对于付费行为的情况。

提升付费率，就是优化付费路径，未付费—→初次付费—→持续付费—→流失。

1. 未付费—→初次付费，用户为什么要付费，怎么提升付费的动力，降低付费的门槛，有什么方式能够让利给用户，让用户完成首次的付费转化；付费到最终决定要采取行动需要花多久，决策的复杂程度如何，这里面又受到很多因素的影响；比如产品本身的标准化程度、价格高低、试错成本的高低，以及决策的场景是怎样的。
2. 初次付费—→持续付费， 用户为什么要持续付费，增加额外付费的好处，以及不付费的惩罚；
3. 持续付费—→流失，用户为什么会流失，怎么拉长LT，怎么流失预警，流失了怎么能召回。

1. 付费率，ARPU值，LTV，以及之间的关系

说到这三个值之间的关系，就不得不说到用户质量这个因素，这可能是所有公司用户增长部门和产品部门开会吵架最集中的一个点：），同样新增100个用户，可能一段时间内带来的收入区别非常大，带来的用户是否是“高质量”用户，如果判断根据自己产品的设计情况，在活跃度，时长，付费情况（无购买，第一次购买，重复购买）等维度上做用户分层，积累大一些的公司，可以构建自己的用户画像，在买量的时候通过match流量侧的用户画像（不过说实话，按照现在国内（海外有GDPR的一样）对于数据以及流量侧的强势，这个做法很难）。

另外，做数据分层的时候，还有一个重要因素，就是风控，对于低质流量的判断，是很重要的一点，对于什么是“低质”用户，我觉得只要是“真实”的用户，都是有价值的，哪怕是留存很差，也有助于我们改进产品。我对低质，有两个判断，第一是“非人类流量”，这个好理解，第二是“被误导用户”，用户进入产品的行为是被诱导，误导等，我也认为是低质流量，

RFM分层

• 如何提升收入
  1. 直觉判断法：
     按照常规逻辑，三者之间的关系应该是这样的：付费率→LTV 正相关，ARPU值→LTV正相关，付费率→ARPU值 无关系。但是这里面有牵扯到很多更细的因子，例如付费率突然从3%变到30%，感觉应该是好事，但是这个升高的原因是我们运营做了打折活动，把本来价值100块的东西，10块钱就卖了，那到底短期和长期正相关还是负相关，就不好说了。DAUARPU值从10块钱突然上升到50块钱，看起来是好事，但是如何产品迭代了强制付费点或者误导消费点，用户体验很差，一些用户被割了韭菜，对于LTV短期/长期是好事还是坏事，也不好说了，直觉判断法需要负责商业变现的同学根据自己平时的经验，找到这个平衡值，直觉很多时候并不是不科学的，特别是对于游戏等创意产业。
  2. 模型预测法
     1. 做模型预测之前，要充分的数据打点
        1. 用户分层（非人类流量，分增长渠道，RFM分层等等，这个根据自己实际情况），
        2. 根据不同用户分层进行不同的付费率以及ARPU值的设定，保留相关数据，这个设定可以根据经验和竞品分析来制定。
        3. 相关策略参考
           1. 贪心算法，是寻找最优解问题的常用方法，这种方法模式一般将求解过程分成若干个步骤，但每个步骤都应用贪心原则，选取当前状态下最好/最优的选择（局部最有利的选择），并以此希望最后堆叠出的结果也是最好/最优的解。（小白带你学---贪心算法（Greedy Algorithm) - 知乎）
           2. 多因子相关性分析，可以将上述说到的因子之间的关系，或者多因子之间的关系找到，是正负弱相关还是中等或者强相关，中强相关的因素如何去调整来调优。
              1. 机器学习之——多变量线性回归
              2. 多元回归分析
              3. 多变量相关性分析(一个因变量与多自变量)