渠道 ROI 的分子是 LTV，但 LTV 是个"未来值"——用户还没活完整个生命周期，钱还没赚完，你就得先报个数。估高了，投放烧穿预算；估低了，好渠道被白白关停。这篇文章讲透三种用数据分析估算 LTV 的方法：曲线拟合法、留存 ARPU 拆解法、历史 LTV 比例系数法，各自的适用场景和坑。
一、先把口径算对：LTV 的定义与公式
LTV（Life Time Value）：在获得新用户后的一段时间内，单个用户在其生命周期里产生的价值。
计算 LTV 首先要统一三个口径：
- 计算周期 n：LTV 必须指定周期，行业经常采用 n = 365，即 LTV365；
- 毛利还是收入：同样叫 LTV，分母含不含成本，结论完全不同；
- 是否折现：一年后收回的一块钱，不等于今天的一块钱。
由此得到两个标准公式：
毛利 LTV = Σ (ARPUx − Costsx) / (1 + WACC)^x − SAC
收入 LTV = Σ ARPUx / (1 + WACC)^x − SAC
各变量的含义：
- ARPUx：第 x 个周期中所有用户的平均收入；
- Costsx：第 x 个周期中除获客成本之外的其他各项成本（如人力、服务器成本）；
- SAC（Subscriber Acquisition Cost）：客户获取成本，更偏向付费、订阅概念，与 CAC 基本一致；
- WACC（加权平均资本成本）：所有资本成本的预期收益率按比例加权之和，可以理解为资金成本——未来收入折算到今天时要打的折扣。
日常分析中还有一个更常用的简化框架：LTV = LT × ARPU。其中 LT（Life Time）是用户在生命周期内的活跃天数，等于各周期留存率的累加；ARPU = 总收入 / 活跃用户数（AU）。后面三种估算方法，本质上都是在回答 LT 和 ARPU 怎么得到。
二、方法一：曲线拟合法
思路：拿某渠道历史的真实留存数据（或短期 LTV 数据），用 Excel 拟合成对数曲线 y = a·ln(x) + b，解出 a 和 b，再把目标周期 x（比如 365）代入，直接得到 LTV365。
实例：
某渠道拟合得到 y = 1.0918·ln(x) + 1.2868，代入 x = 365：
LTV365 = 1.0918 × ln(365) + 1.2868 = 1.0918 × 5.90 + 1.2868 ≈ 7.73 元
弊端：前期的活动、策略调整会让曲线剧烈波动，拟合结果往往要等到 1 个月甚至 1 个季度之后才能真正稳定。数据期太短就急着外推，得到的"未来"只是过去的直线延长。
三、方法二：留存 ARPU 拆解法
思路：把 LTV 拆成 LT 和 ARPU 两段分别拟合，再相乘（LTV = LT × ARPU）。留存曲线和 ARPU 曲线的形态差异很大，分开拟合比整体拟合更稳。
拟合三步：
- 将留存率、ARPU 数据导入 Excel，形成折线图；
- 为折线添加趋势线，选择 R²（拟合优度）最接近 1 的曲线类型；
- 确定拟合函数：留存函数一般呈指数或乘幂形式（早衰快、后期收敛），但 ARPU 曲线往往不太好拟合，R² 与 1 差距较大——这与产品的变现模式有关，付费游戏 ARPU 曲线则常常是二项式。
弊端：LT 和 ARPU 本身都是预估值，两个估计值相乘，误差不是相加而是叠加放大。留存估高 10%、ARPU 估高 10%，LTV 就虚高 21%——拿这个数去定投放出价，等于给渠道白送钱。
四、方法三：历史 LTV 比例系数法
思路：成熟产品的 LTV 增长形态是相对稳定的（LTV1 → LTV7 → LTV30 → LTV365 的比例关系），可以直接把这套比例"移植"给新产品。
实例：某产品的历史 LTV 与比例系数（以 LTV1 为基准）：
| LTV1 | LTV2 | LTV3 | LTV7 | LTV30 | LTV90 | LTV365 | |
|---|---|---|---|---|---|---|---|
| 历史LTV | 4.20 | 6.92 | 8.78 | 11.32 | 18.63 | 25.34 | 30.90 |
| 比例系数 | 1.00 | 1.65 | 2.09 | 2.70 | 4.44 | 6.03 | 7.36 |
新产品上线后第 1 天观测到 LTV1 = 5.12，按比例系数表估算：
LTV365 = 5.12 × 7.36 ≈ 37.67 元
上线 1 天就能给出全年 LTV 的预估，这是比例系数法最大的优势。
适用范围：有历史 LTV 数据的产品，或有同类型产品（马甲包、极速版）LTV 数据可参照的情况。
弊端：初期没有历史数据时无从下手；同类型产品的曲线形态只能参考——极速版的留存结构和主版本可能差异很大，直接套用会系统性偏移。
五、三种方法怎么选
| 方法 | 需要的数据 | 出数速度 | 主要风险 |
|---|---|---|---|
| 曲线拟合法 | 某渠道历史留存/短期 LTV | 中（需 1 个月以上稳定数据） | 前期波动大，外推失真 |
| 留存 ARPU 拆解法 | 留存率 + ARPU 序列 | 中 | 双重预估，误差相乘放大 |
| 历史 LTV 比例系数法 | 历史或同类产品 LTV | 快（LTV1 即可出全年预估） | 形态迁移假设不成立 |
实操建议：有历史数据就用比例系数法快速定盘，用拆解法交叉验证，用曲线拟合法在数据稳定后校准。三种方法给出的区间，比任何单一方法的点值都更可信——估准 LTV 的原则从来是不保守、不激进。
写在最后
数据分析方法估算 LTV，本质是用历史外推未来，上限受制于数据本身。当产品足够复杂、用户分层差异足够大时，就该上模型了——用机器学习把用户分层和付费概率学出来，这正是下一篇要讲的模型估算 LTV。