LTV 的两种版本
LTV 有历史值与预测值两版：历史 LTV 是单用户截至今日的累计贡献毛利，可精确计算；预测 LTV 按留存曲线与 ARPU 外推未来贡献，依赖假设。两者命名与卡片必须区分（建议带 hist 与 pred 后缀），外推假设要登记，否则预测值被当成事实汇报会直接误导投放决策。
基本信息
| 历史 LTV | 用户累计贡献毛利，可复核 |
|---|---|
| 预测 LTV | 留存率与 ARPU 外推，依赖假设 |
| 命名区分 | 建议带 hist 与 pred 后缀，避免混用 |
| 外推参数 | 留存曲线、折现方式、观察期都要登记 |
| 统计维度 | 分渠道与分群计算，用于对比获客质量 |
典型使用场景
- 投放决策：LTV 与获客成本对比，判断渠道是否值得加投
- 分群运营：识别高价值人群，用于权益与召回策略
- 渠道对比：不同渠道用户 LTV 差异，反推渠道质量
- 财务预测：预测 LTV 用于收入与毛利的长期预估
- 产品定价：订阅与套餐设计时评估不同定价下的价值差异
历史 LTV 与分渠道均值
历史 LTV 与分渠道均值
-- 历史 LTV：按用户累计贡献毛利，不含外推
SELECT user_id, sum(gross_profit) AS ltv_hist
FROM dws_user_profit_month
GROUP BY user_id;
-- 分渠道均值：用于与获客成本对比
SELECT channel, avg(ltv_hist) AS avg_ltv
FROM (SELECT user_id, channel, sum(gross_profit) AS ltv_hist
FROM dws_user_profit_month
GROUP BY user_id, channel) t
GROUP BY channel;两个版本的差异
| 对比项 | 历史 LTV | 预测 LTV |
|---|---|---|
| 计算基础 | 已经发生的贡献毛利 | 留存曲线与 ARPU 外推 |
| 确定性 | 可复核，随观察期增长 | 依赖假设，随参数变化 |
| 主要用途 | 渠道复盘与结算 | 预算与投放预估 |
| 主要风险 | 观察期短则被低估 | 假设未登记则无法解释 |
预测 LTV 的假设（留存系数、折现方式）会随业务调整而变：与历史值混在同一列展示，会让人误以为数字波动来自用户行为。
与获客成本对比必须同周期同口径：一边取 12 个月累计、一边取当月成本，结论必然偏向乐观。
LTV 与获客成本的比值要固定观察期：比值小于 1 表示获客不划算，但它会随观察期延长而上升，比较渠道时必须说明取数时点。