このエピソードでは、 「 LTV（顧客生涯価値）」という概念が紹介されますが、この概念は誰もが理解しているようでいて、誰も正確に計算できないという不思議なものです。 簡単に言えば、これは購入者、ユーザー、メンバーなど、各ユーザーが将来的に製品やサービスに貢献する可能性のある商業的価値の総額を指します。これは個々のユーザーの価値を測定し、規模に基づく指標ではなく、そのユーザーの質を表すために使用される点に留意してください。 例えば： 例えば、アプリストアで読書関連商品を1ユーザー獲得するのに10元かかるとします。この商品は、有料読書、広告クリック、会員登録といった様々な方法で、1日平均0.5元の収益を生み出すことができます。以前の記事でご紹介したように、ある商品の新規ユーザーの維持率は30～40%程度で、これは60～70%のユーザーを失うことを意味します。商業化と収益化の観点から見ると、ユーザー獲得コストと得られる収益の間には大きな乖離があり、これは不合理に思えます。 - しかし あなたもそう思うなら。 それは大きな間違いでしょう。 資本は非常に賢明であり、損失が出るような事業は決して行いません。 先ほどの質問に戻りましょう。期間を90日、180日、365日、あるいはそれ以上に延長してみましょう。90日を例に挙げると、各ユーザーがこの90日間で企業に生み出せる総価値（LTV）は、1日あたり0.5元×90日で45元となります。このプロセスにおいてユーザーがアクティブである期間が長いほど、収益は増加します。この観点から見ると、ユーザー獲得に10元を費やすことは依然として非常に費用対効果が高いと言えます。 したがって、 LTV とは、長期間にわたってユーザーが生み出した価値を測定することを指します。 あれだけ言ったのに… 実際の事業運営においてLTVはどのような役割を果たすのでしょうか？ 実用面では、LTVはユーザーの長期的な価値を評価するのに役立ちます。ユーザーの消費、購入、収益化行動、ユーザー維持率といった主要指標を深く分析することで、ユーザーのライフサイクル全体にわたる期待価値を算出し、各ユーザーがビジネスに長期的にどのように貢献しているかを把握することができます。 製品の推定コスト回収期間と将来のDAU傾向。 顧客獲得コストの見積もり、チャネル間のユーザークオリティの比較、広告戦略の調整などにおいて、ユーザースケールの追求とユーザークオリティの確保は困難です。そのため、各チャネルのユーザークオリティに基づき、良質ユーザーと低質ユーザーの適切な比率を実現することが可能となります。 投資収益率(ROI ) を計算して収益モデルを検証します。 製品機能の更新と反復、およびイベント操作の有効性を評価します。 下の図は一般的な導出式を示しています。左側は日次リテンション率にユーザー1人あたりの平均収益を乗じたもので、右側は生涯総期間にユーザー1人あたりの平均収益を乗じたものです。 では、どちらが正しいのでしょうか。また、それはどのようにして導き出されたのでしょうか。 実際、これら 2 つの数式は 1 つの数式であり、右側の数は左側の数式を簡略化したものです。 LTVの定義によると、 LTV = ユーザーの生涯における総価値 = 期間中のユーザーの総収益をユーザーの総数で割ったものとなります。 ユーザーの総数を推定する必要がないため、ユーザーからの総収益をどのように計算するかが問題になります。 総ユーザー収益は、1日あたりのアクティブユーザー数と1日あたりのアクティブユーザーあたりの平均収益を掛け合わせることで計算できます。この値を次の式に代入すると… 1 日のアクティブ ユーザー数をユーザー総数で割ると、1 日の維持率が得られます。 ARPU が定数に等しい場合、定義によれば、 LTV = LT × ARPUを導くことができます。 微積分を深く学びたい学生は、微分と定積分について学ぶことができます。簡単に言うと、微分はある点の周りの関数の変化を記述し、定積分はある区間における関数の累積的な効果を記述します。それぞれ、ある点における関数の変化率と、ある区間における関数の累積的な効果を記述します。 皆さんの多くはこれに戸惑うかもしれません。 大丈夫ですか？ 私は学生時代、数学が得意ではありませんでした。 また微分と定積分？数学が苦手なんですが、これを学ぶ方法はありますか？ もっと簡単な計算方法はありますか？ 答えは「はい」です。 さて、次に、 Excel を使用して LTV を計算する方法を学びましょう。 LTVを計算する前に、 「 LT 」とリテンションデータを処理する必要があります。 LT = 平均ユーザー生涯時間。LTVとは異なることに注意してください。LTにはLTVの「価値」という言葉が欠けています。LTは、ユーザーの初回訪問から最終訪問までのアクティブ日数です。 リテンションデータのサンプリングについてお話しましょう。多くの学生は、LTVを計算する際に、直近1～30日間のリテンションデータを直接取得するか、平均値を直接計算します。しかし、平均値を計算する際には、重み付けを無視してはいけません。平均値は加重平均に変換する必要があります。 重みを考慮せずにスコアを直接平均すると、平均は大きくなりすぎますが、加重平均は全体的なレベルをより反映します。 新規ユーザーは変数です。例えば、ある日に新規ユーザー数が急激に減少した一方で、リテンション率が比較的高い水準を維持していた場合、平均リテンション率は上昇します。しかし、加重計算を行うと、異常な日のデータは大きな影響を与えません。 これは、2 つの異なる計算方法からのデータによって発生するエラーです。 データサンプルは通常、1日、2日、3日、4日、5日、6日、7日、14日、30日間保持されます。理論的には、保持されるデータサンプルの完全性が高いほど、データエラーは低くなります。 注: 上記で使用したデータ サンプルはすべてランダムな数字であり、実際の業務とは無関係です。 定義: LVの「生涯、平均的なユーザーの寿命」 LTV は「生涯価値」の略です。 加重和を用いて算出した維持率をもとに散布図を作成し、散布図を用いて傾向線を設定して計算式を求めます。 トレンドラインを設定する際には、指数関数、線形関数、対数関数、べき乗関数などを使用して曲線をフィッティングできます。一般的にはべき乗関数がよく使用されます。関数の種類を確認した後、Excelで数式を取得し、推定する日数を代入して維持率を計算します。「数式を表示」にチェックを入れるとR²が表示されます。この2つのフィールドは後で使用します。 LTの原理は、保持関数の定積分を求めること、つまり曲線の下の網掛け部分を求めることです。網掛け部分の面積がユーザー寿命LTです。 R²が 1 に近いほど、曲線フィッティング効果は高くなります。 ARPU値が一定期間にわたって安定していると仮定すると、平均値をそのまま使用でき、 ARPU値を定数として扱うことができます。 ARPU値が不安定な場合は、データ取得期間内のARPU値に基づいて区分関数を設定する必要があります。 LTを計算した後、 LT×ARPUを用いてLTVを計算します。推定ターゲットに応じて、異なるリテンション曲線をフィッティングする必要があります。チャネルや支払い方法が異なると、ユーザーリテンション率とARPU値に大きな違いが生じます。干渉を減らすため、分析データでは1つの変数のみを維持する必要がある場合があります。 例えば。 この式は、距離 = 速度 * 時間に似ています。 わかりやすいのが利点です。 その欠点もまた非常に明白です。それはあまりにも理論的すぎるということです。 現実の世界では、車両の速度は電力、交通、天候などの要因の影響を受け、常に変化します。 同様に、 LTは予測が容易なデータではなく、 ARPUも平均化が容易な定数値ではありません。こうした計算結果は、マクロレベルの参考としてのみ使用できます。 維持率とARPU値をLTV の式に代入すると、次のようになります。 LTVの計算は、 「 CAC 」や「 PBP 」と合わせて議論されることが多い。上図を例に挙げると、ユーザーアクティベーションコストCPA ＝15元と仮定すると、新規ユーザーは5月1日から5月30日までの180日間でコストを回収できる。登録から1年（365日）後、ユーザー1人あたり平均23.5元の利益を得ることができる。 定義: ARPU（ユーザーあたり平均収益）は、以下のように計算されます。ARPU = 収益 / アクティブユーザー数（一定期間の総収益 / 当該期間のユーザー数）。これらのユーザーには、有料ユーザー、アクティブユーザーなどが含まれます。 PBP「回収期間」とは、一般的に投資したコストを回収するのに必要な期間を指します。 CPA (Cost Per Action) は通常、ダウンロードやアクティベーションなどのアクションあたりのコストを指します。 CAC（顧客獲得コスト）は、一般的に有料ユーザーを指します。CPAとCACの違いを理解していない人が多く、混同したり、両方を顧客獲得コストと呼んでしまうことがあります。実際には、これらは全く異なる指標です。トラフィックが必ずしもユーザー獲得につながるわけではなく、有料コンバージョン率（CR）に違いがあります。 この記事では主に、Excel スプレッドシートを使用してユーザーのライフサイクルを見積もるための一般的なライフサイクル式の導出と方法について説明します。 LTVは静的にフィッティングされたデータセットであることに留意することが重要です。実際のビジネスオペレーションでは、推定データにはある程度の誤差が生じます。データの誤差を低減するためには、製品の実際の状況に基づいてデータを継続的に調整する必要があります。 |
