上一篇讲了三种数据驱动的 LTV 估算方法：曲线拟合、留存 ARPU 拆解、历史比例系数。它们有一个共同的软肋——都依赖"已经发生的历史"。新产品上线、新渠道起量、新用户涌入时，手里只有头几天的行为数据，等 LTV365 自然沉淀出来，投放窗口早就关了。这时候就需要换武器：用模型估算 LTV，用用户头几天的行为，预估他一年后的价值。
一、为什么数据方法会失灵
数据方法的三类典型失效场景：
- 冷启动：新包、新渠道、新产品没有历史 LTV 可拟合，比例系数法无从谈起；
- 粒度不够：曲线拟合法和比例系数法给出的是渠道级、整体级的 LTV，而投放出价、人群圈选需要用户级的预估值；
- 时效性差：等 90 天、180 天的真实 LTV 出来再决策，预算早花完了。
模型估算的核心价值就在这里：在用户生命周期的早期，给出用户级的 LTV 预估，直接服务于投放出价（按预估 LTV 差异化出价）、预算分配和人群分层运营。
二、两阶段模型：分类与回归的融合
传统做法是"分类模型 + 回归模型"的两阶段融合，简单易懂，落地成本低。
第一步，构建两个分类模型：
- 用户分层模型：基于用户行为特征（使用时长、访问深度）和自身属性特征（性别、城市等），把用户划分到不同价值层级；
- 转化概率模型：预估用户完成关键转化的概率，如电商产品的购买概率、游戏产品的付费概率。
第二步，拼接后回归：
将用户分层结果和转化概率作为特征，与底层用户特征 concat（拼接）在一起，喂给回归模型，输出 LTV 预估值（如 LTV365）。
输入 features ──┬─→ 用户分层模型 ──┐
│ ├─→ concat ──→ 回归模型 ──→ 输出 ltv365
└─→ 转化概率模型 ──┘
（分类阶段） （回归阶段）
优点：结构清晰、可解释性强，每个模块可以独立训练、独立排查问题。
缺点也很明显：构建用户分层时，需要人为主观划定分层标准供模型训练，分层质量高度依赖运营经验；而且分层和购买概率这两个模块，本质上可以让 DNN 自己从数据中学出来，不需要人为拆开。
三、变现方式决定 LTV 的分布形态
建模之前先看清一个事实：不同变现方式下，LTV 的分布形态完全不同。
- 游戏：付费用户占比极低（免费玩家占绝对多数），但大 R（高付费）用户的 LTV 极高——典型的大量零值 + 严重长尾；
- 广告变现：曝光即有收入，只要有活跃就有价值，LTV 分布相对均匀；
- 电商：与游戏类似，大量用户只浏览不购买，少数重度买家贡献绝大部分 GMV。
对游戏、电商这类"零值膨胀"的业务，直接用回归模型拟合 LTV 是不合适的——模型面对的是一堆 0 和少数极大的值，怎么学都学不好。这就引出了专门为此设计的 ZILN：
ZILN（Zero-Inflated Lognormal，零值膨胀对数正态分布）：一种混合分布——用"是否付费"刻画大量 LTV 为 0 的普通用户，用对数正态分布刻画付费用户的长尾 LTV。
直观感受一下两种坐标系的差别：LTV 分布在线性坐标轴上严重右偏、挤在原点附近；换到对数坐标轴上，长尾部分呈现出近似正态的钟形。这正是"对数正态"这个名字的由来。
四、ZILN 混合模型：端到端的深度概率模型
ZILN 模型的思路源自 Google Research 团队 2019 年发表的论文《A Deep Probabilistic Model for Customer Lifetime Value Prediction》，并在 Google Play 商店的用户价值预估上得到验证。游戏、电商产品的 LTV 预估，往往都会用到它。
4.1 三个参数，一个输出
模型需要学习三个参数：
- p：用户付费的概率（0 值膨胀部分）；
- μ：对数正态分布的均值；
- σ：对数正态分布的标准差。
最终 LTV 预估值 = 付费概率 × 付费金额期望。对数正态分布的期望为 exp(μ + σ²/2)，因此：
LTV 预估 = p × exp(μ + σ²/2)
4.2 为什么用多任务建模
DNN（深度神经网络）的中间层需要同时表达两件事：用户是否付费，以及付费用户的 LTV 是多少。这两个任务高度相关（会付费的人，付费金额的分布也不同），共享底层网络表达可以互相增益，因此采用多任务建模的框架。
4.3 为什么用 ZILN 损失而不是 MSE
这是 ZILN 模型最关键的设计决策：损失函数用 ZILN 的负对数似然（NLL），而不是回归里最常见的均方误差（MSE）。原因在于：
- MSE 会强迫模型学习 0 值和大 R 的均值：面对 95% 的 0 和 5% 的大额付费，MSE 的最优解就是给出一个不高不低的"平均数"——两边都不准；
- MSE 过度惩罚对大 R 用户的预估错误：预估一个 10000 元的大 R 偏差 5000 元，产生的损失会主导整个训练过程，导致模型不稳定；
- 额外的代价是，MSE 训练出的模型还可能给出负的 LTV 预估值，在业务上无法解释。
ZILN 的负对数似然则把"是否付费"和"付多少"拆开处理，各学各的：
L = -[ 1(y=0)·ln(1-p) + 1(y>0)·( ln p - ln σ - ln y - (ln y - μ)²/(2σ²) ) ]
零值样本只影响 p，付费样本只影响 μ 和 σ，互不干扰。
4.4 模型怎么评估
LTV 预估模型的评估也不用 MSE，业界通行的做法（也是原论文的做法）是看排序能力：
- Normalized Gini 系数：衡量模型区分高价值用户和低价值用户的能力；
- Top 10% 分位捕获率：模型预测出的 top 10% 高价值用户，实际贡献了多少比例的 LTV。捕获率越高，模型越能帮助投放侧把钱花在刀刃上。
毕竟业务要的不是把每个人的 LTV 算到分毫不差，而是把最值钱的那批人先找出来。
五、事件级建模：更细的颗粒度
如果还想再进一步，可以把建模颗粒度拆到"事件"层面，构成另一种多任务模型：
- 事件是否发生：logit 模型（预测购买/付费行为发生的概率）；
- 事件发生次数：泊松分布（Poisson）或负二项分布（Negative Binomial）模型（预测一段时间内发生多少次）。
这一思路与营销科学里经典的 BTYD（Buy Till You Die，"买到死"）流派一脉相承——Fader 和 Hardie 等学者提出的 Pareto/NBD、BG/NBD 模型，正是用"交易过程 + 流失过程"两个子过程的组合来刻画客户生命周期价值。其中用负二项分布替代泊松分布，是为了处理实际购买数据中普遍存在的过散布（方差大于均值）现象。
六、三种思路怎么选
| 思路 | 适用场景 | 核心依赖 | 主要短板 |
|---|---|---|---|
| 两阶段模型 | 有运营分层经验、强解释性需求 | 人工分层标准 | 分层主观，误差逐级传递 |
| ZILN 端到端模型 | 游戏、电商等零膨胀长尾业务 | 付费样本量 | 黑盒程度高，需谨慎监控 |
| 事件级多任务（BTYD 系） | 购买频次低的电商、订阅制业务 | 事件粒度埋点 | 建模和调优成本高 |
实操建议：
- 数据方法定盘，模型方法做增量：渠道级、整体级的 LTV 仍用比例系数法定锚，模型负责用户级的差异化；
- 零膨胀业务优先上 ZILN：付费率低、长尾重的业务，ZILN 是目前工程界验证最充分的方案；
- 盯排序不盯绝对值：用 Gini 和分位捕获率监控模型，绝对值偏差交给定期校准去修。
写在最后
到这里，LTV 这条线讲完了：先算清口径，再用数据方法快速估，最后用模型在用户级、早期化地估。但增长公式是 ROI = LTV / CAC——分子估准只是半件事，另一半是把分母打下来。下一篇进入第四章：如何通过提升下载安装转化率来降低 CAC。