作者：接地氣的陳老師

來源：接地氣學堂

在做數據分析的時候，用戶生命周期分析，是個很典型的“理論一聽就懂，數據一做就廢”的東西。很多同學很困擾：“到底生命周期該怎么算？為啥我算的套到業務上不成立！”今天我們系統解答一下。

1 書本上的生命周期

在各路書本、文章中，大家都看到過這張圖：

要注意的是，這個圖講的是理論上的用戶生命周期。它假設了用戶留存與用戶價值之間存在倒U型關系。

因此推導出：

• 用戶必須得維護好
• 要搭建成長路徑
• 要計算全生命周期價值
• 不要只計較眼前利益
• 前期重體驗，后期分等級

等等理論結果。但這個假設前提，在具體的業務場景中很可能不成立，特別是數據上不會呈現完美曲線。因此會搞得很多做具體業務分析的同學很郁悶。

 2 差異1：活躍與付費分離

對線下實體店而言，用戶到店即付費，先消費后體驗服務。但在互聯網產品里，付費與活躍脫節的現象很常見?；蛘哂械漠a品干脆允許用戶只活躍，不付費，通過額外的權益和道具收費。比如游戲、在線音樂、視頻、社區等等皆是如此。

總之，當用戶活躍與付費脫節的時候，用戶生命周期曲線變會發生變化：用戶價值不再隨留存時間變化，而是獨立開，呈現出類似矩陣模型的樣式（如下圖）

這時候要特別注意各類型用戶比例，特別是白嫖用戶的比例。在各類型互聯網產品里，白嫖用戶都有相當比例。如果不加區分，一概而論，則會造成一種虛假繁榮的假象。最終結果會導致產品叫好不叫座，商業化過程極其艱難。

 3 差異2：場景化消費

即使是消費與活躍行為緊密捆綁，也會出現問題。最常見的就是場景化消費，比如：

出行：

• 今天下好大的雨，打個滴滴
• 今天下雨，但是是小雨，跑去地鐵站
• 今天天晴，當然坐地鐵拉

這就是典型的外因驅動。

電商：

• 今天有大促銷，看看買點啥
• 今天有新產品上市，看看哪家便宜
• 女友快過生日了，看看送點啥

這是典型的內因驅動。

注意，無論是內因還是外因，在現實生活中都是很正常，很合情合理的場景?？蛇@些場景會共同導致一個結果：用戶留存時間與用戶價值不是倒U型，而是隨機的，甚至難以捉摸規律（如下圖）。

這導致用戶生命周期曲線很難繪制，用戶留存久了也不代表有價值，用戶生命周期價值也難以估算。特別是大促銷、爆款上市這種場景。最后用戶還是看哪家便宜買哪個，跟之前的留存時間一點關系都沒有。

這時候強行繪制用戶生命周期，用平均值代替每個用戶的真實情況。結果就是模糊了運營、營銷、商品的作用，會造成一種虛假繁榮的假象。讓大家以為：只要用戶呆的久就早晚給錢了。結果發現用戶生命周期價值的平均值越來越低。

 4 差異3：淺嘗輒止的新人

拉新，是所有互聯網業務的核心，也是經常出幺蛾子的地方，拉來的新人完全不消費，或者過了很久才詐尸來消費一筆，都是很常見的事。這種淺嘗輒止的新人比例一高起來，就會導致對拉新行動評估不準。

如果用平均值的話，會把這些實際上是0的人平均掉，又是在制造虛假繁榮。如果剔除出去，只統計有消費的人，顯然又會高估渠道價值。并且，由于詐尸用戶存在，導致周期長度難以統計（如下圖）。

這種統計難，常常被業務部門拿來當甩鍋借口。特別是當淺嘗新人+場景化消費同時出現的時候，負責拉新的市場部、增長團隊、營銷部就喜歡扯：“得評估用戶生命周期價值，不能只看眼前”“雖然用戶現在沒消費，但是300年內說不定就消費一大筆呀，所以不能說我做的差，是你統計的不準?！?

處理這個問題也簡單：只有交易周期很長的，才統計生命周期價值。類似B2B跟單，房、車等大額B2C交易，否則不去統計什么生命周期價值。類似打車、日用品、生鮮這些高頻交易，拉來的用戶一個月不消費就是拉新失敗，扯啥生命周期。你們拉的用戶都是辟谷修長生的嗎？！一個月都不吃一頓？！真是的。

 5 數據背后的深層次問題

這些數據問題背后，隱藏了一個更深層次的問題：用戶對一個產品的全生命周期需求，到底是誰的。這年頭隨便到哪里買東西，一掃碼就會關注一堆公眾號小程序。我們被各種商家稱為：“尊敬的會員”，可回頭看看，你真的認為自己屬于某個商家？你明知道別人家有優惠，還會在這里買？？？？

有可能用戶的生命周期依然存在，但是除非是微信這種超超級應用，否則根本無法一手掌握。用戶的行為會分散在各個場景，各個應用里。這種情況下，是否還有必要按上個時代的做法，苦苦追求全生命周期價值？很有可能在這個年代的用戶關系，就是場景化、事件化的。

正是基于這種思想，CDP的概念才會孕育而生，用基于場景的事件營銷（被動）和推送營銷（主動）取代了傳統CRM理論里的用戶等級、用戶分群、用戶價值曲線、用戶成長路徑。

簡而言之，就是：我不指望用戶屬于我，我只在用戶想要買單的時候抓住他就好了。當然，這種理念轉化帶來的最大挑戰，就是營銷成本的不確定。

過去算一個用戶生命周期價值，然后按比例分配成本的做法，顯然不適合每個場景切碎了做。如果對場景和需求的把握不到位，很有可能造成重復的資源投入。這里就要求更精細的數據分析支持。

——熱門課程推薦：

想從事業務型數據分析師，您可以點擊>>>“數據分析師”了解課程詳情；

想從事大數據分析師，您可以點擊>>>“大數據就業”了解課程詳情；

想成為人工智能工程師，您可以點擊>>>“人工智能就業”了解課程詳情；

想了解Python數據分析，您可以點擊>>>“Python數據分析師”了解課程詳情；

想咨詢互聯網運營，你可以點擊>>>“互聯網運營就業班”了解課程詳情；

想了解更多優質課程，請點擊>>>