ThinkingAI Logo

LTV 曲线拟合与分层精算

基于 AE 实时数据拟合用户 LTV 曲线（指数衰减模型）和分层 LTV（RFM/付费层级/VIP 分群）。从"粗估 LTV"升级为"曲线拟合 + 分层精算"。

付费分析付费分析游戏电商旗舰能力
返回 Skills 库

LTV 曲线拟合与分层精算 Skill 是 ThinkingAI 行业 Skill 库中的一项用户生命周期价值预测能力，帮助运营与数据团队基于 AE 实时数据执行两种 LTV 预测方法——B2 队列 LTV 曲线拟合（指数衰减模型 LTV(n)=LTV_base+(LTV_inf-LTV_base)(1-e^(-kn)))和 B3 分层 LTV（RFM / 付费层级 / VIP 分群），从"粗估 LTV 约为多少"升级为"曲线参数 + 分层精算 + 预测图表"的量化模式。这正是 ThinkingAI「10 年行业经验沉淀为开箱即用 Skill」的体现。

Agent
ltv-curve-fitting-segmented-calculation
用近 90 天新增用户做一次 LTV 曲线拟合。我们现在是按 LTV 80 元、CPI 上限 40 元在投买量，想确认这个口径还准不准，顺便给我 D60/D90/D180 的预测。
确认数据映射 — 付费事件 payment、金额属性 pay_amount
与埋点方案一致
检查已有 LTV 报表可复用性
复用报表「新增用户 LTV 队列」，无需重建
调用 ae-analysis 拉取近 90 天分日队列 LTV（D1–D30 实际值）
68,412 名新增用户入组
Python 环境检查 → scipy curve_fit 拟合指数衰减模型
LTV(n) = LTV_base + (LTV_inf − LTV_base)(1 − e^(−kn))
拟合完成
R²=0.98，残差无系统性偏移
计算预测值与置信区间，生成参数表

拟合完成。先说结论：你们的 LTV 口径低估了，80 元的粗估比曲线极限值低了约 34%，CPI 上限有上调空间。以下是完整参数和预测。

一、曲线拟合结果

近 90 天新增用户（68,412 人）的队列 LTV 拟合指数衰减模型，R²=0.98，拟合质量可靠：

参数数值含义
LTV_inf（极限值）120.86 元曲线收敛后的稳态 LTV
k（收敛速度）0.0685每天向极限值靠近的速率
半衰期10.1 天达到极限值一半所需天数
稳态 90% 天数33.6 天LTV 达到极限值 90% 的天数
近 90 天新增用户 LTV 曲线拟合与外推预测　单位：元
实际 LTV拟合曲线预测段
近 90 天新增用户 LTV 曲线拟合与外推预测外推预测区03570105140极限值 LTV∞ = 120.86 元119.2120.7120.9D1D3D7D14D30D60D90D180

二、LTV 预测

预测节点预测 LTV距极限值
D60119.2 元98.6%
D90120.7 元99.9%
D180120.9 元≈100%

曲线在 D34 附近已进入稳态，D60 之后增长几乎停止——这意味着买量回收的评估窗口用 D60 就足够，不需要等 D180。

结论
按拟合结果，凭经验粗估的 80 元把 LTV 低估了 34%。若维持「CPI ≤ LTV 的 50%」的安全系数，CPI 上限可以从 40 元上调到 60 元。但上调前建议先看分层——如果极限值主要靠头部用户拉高，全量上调 CPI 会有风险。
分层再拆一下。我们就是担心 120 这个数被大 R 拉高了，中小 R 根本到不了这个水位。
按 VIP 等级分层（VIP0 / VIP1-2 / VIP3-4 / VIP5+）重算分层 LTV
统计各层用户数与收入占比
分层曲线独立拟合，校验各层收敛形态
生成分层对比表

你的担心方向是对的，但结论没那么悲观。分层结果：

分层用户占比D30 LTV收入占比
零氪（VIP0）82.5%8.6 元6.7%
小 R（VIP1-2）12.0%186 元21.0%
中 R（VIP3-4）4.7%1,250 元55.3%
大 R（VIP5+）0.8%2,250 元17.0%
← 左右滑动查看

关键发现：收入的主力不是大 R，是中 R——VIP3-4 贡献了 55.3% 的收入。大 R 虽然单体 LTV 高达 2,250 元，但收入占比 17.0%，即使全部剔除，整体 LTV 仍有约 100 元，高于你们现在 80 元的口径。

也就是说 120.86 元的极限值不是被极端头部虚撑的，中 R 层的贡献足够厚。CPI 上调到 60 元的结论在分层验证后依然成立。

建议
两条落地建议：① CPI 上限 40 → 60 元，买量规模预计可扩大 50%，用 D60 LTV 做回收校验节点；② 中 R 是基本盘——付费深度运营（如 VIP3-4 的进阶礼包链路）对整体 LTV 的杠杆比拉新大 R 更高。
已将「分层 LTV 精算表」保存至项目看板，每周自动更新。

行业痛点

LTV 是付费分析的核心指标，但超过 70% 的团队对 LTV 的理解停留在"大致估一下"——不知道 LTV 曲线的收敛速度（k 值）、不知道 LTV 的极限值（LTV_inf）、不知道不同付费层级的 LTV 差异可达 10 倍以上，凭经验粗估的 LTV 偏差平均达 40%。更关键的问题是分层缺失——所有用户的平均 LTV 无法指导精准运营，"重要保持客户"的 LTV 可能是"一般发展客户"的 5 倍，但不分层就看不到这个差异。队列 LTV 曲线拟合更是一片空白——多数团队只看 D7/D30 LTV 的固定值，不知道 LTV 随天数增长的曲线形态和半衰期参数，无法预测 D60/D90/D180 的 LTV 衰减趋势。

核心价值

  • 三门控前置检查：数据映射（确认付费事件/属性名称）→ LTV 报表复用检查 → Python 环境检查，不猜测不跳步
  • B2 曲线拟合：scipy curve_fit 拟合指数衰减模型，输出 LTV_inf、k、R²、半衰期、稳态天数等完整参数
  • B3 分层精算：按 RFM / 付费层级 / VIP 等维度分层计算 LTV，输出每层用户数、平均 LTV、收入占比
  • 预测输出完整：参数表 + D60/D90/D180/D365 预测值 + 分层对比表 + 可操作建议
  • AE 数据驱动：所有数据通过 ae-cli 三路径优先级采集，不手动输入不猜测事件名

适用场景

1

需要预测用户 D60/D90/D180 的 LTV 衰减趋势

2

需要计算 LTV 曲线的极限值、收敛速度和半衰期

3

需要按 RFM 分层看不同用户群体的 LTV 差异

4

需要按付费层级/VIP 等级对比 LTV 和收入贡献

5

需要用 LTV 数据指导买量决策（CPI < LTV 才值得投放）

6

需要确认项目中的付费事件和金额属性名称

实战案例

某卡牌游戏 · LTV 曲线拟合与分层精算
运营团队凭经验粗估用户 LTV 约 80 元，据此设定 CPI 上限 40 元。通过 LTV 曲线拟合与分层精算 Skill，系统确认付费事件为 payment、金额属性为 pay_amount，并完成 B2 曲线拟合：LTV_inf=120.86、k=0.0685、R²=0.98、半衰期 10.1 天、稳态 90% 天数 33.6 天；B3 分层显示 VIP5+ 用户 LTV 2250 元、收入占比 17.2%。团队将 CPI 上限从 40 元调整为 60 元，买量规模扩大 50%。

常见疑问

B2 和 B3 有什么区别？

B2 是队列 LTV 曲线拟合——看所有用户的 LTV 随天数增长的整体趋势和极限值；B3 是分层 LTV——看不同用户群体（RFM/付费层级/VIP）的 LTV 差异。两者互补，B2 看宏观趋势，B3 看微观差异。

LTV_inf 是什么？

LTV_inf 是 LTV 曲线的极限值——理论上用户永远不会流失时的 LTV。实际中它代表 LTV 曲线收敛后的稳态值，是"这个队列的用户最终能贡献多少"的基准。

和流水预测 Skill 有什么区别？

LTV 曲线拟合与分层精算侧重"单用户生命周期价值"（微观用户评估），流水预测侧重"总收入趋势与目标路径"（宏观运营规划）。先用 LTV 曲线拟合与分层精算预测单用户价值，再用流水预测规划整体路径。

相关 Skills 推荐

LT 预测（用户生命周期预测）
预估用户平均存活天数
LTV 回本周期预测
预判投入能否回本
LTV 分析与监控
诊断 LTV 下降根因
LTV 指标计算与监控看板搭建
搭建 LTV 监控体系

用「LTV 曲线拟合与分层精算」武装你的 Agent

预约演示，看看它如何在你的业务场景中落地

ThinkingAI Big Logo
电话咨询