Databox 的数据表明，约 80% 的营销人员更关注 eCPI 这样的短期目标，因为这些目标更容易测量，竞争对手们也都如此，同时有助于节约预算。然而，订阅类应用更应该做好长期规划，尤其针对广告网络上的获客广告活动。
Business of Apps 的数据表明，假设您为用户的每次安装支付 0.60 美元（在美国已经是相对较低的价格），那么如果 25% 的用户在安装后的第 1 天就放弃应用，这 0.60 美元则成为沉没成本。
ironSource 高级战略合作伙伴经理 Elina Dakhis 一直专注于非游戏类应用。在本文中，她将向我们介绍 LTV 对订阅应用的重要性，并与我们探讨如何充分利用 LTV。
为什么不应将所有资源用于优化短期目标
在深入讨论如何衡量长期成功之前，我们先来探究为什么不应该全力关注短期目标和 CPI。
更高的竞价带来高质量用户
很多时候，应用的安装率有所提升，获得的收入却乏善可陈，说明二者之间并不总是具有明确的相关性。问题出在哪里？开发者一心追求低成本安装（低质量安装），但此类安装几乎不产生价值。相反，高成本安装往往会吸引愿意为应用花费时间、愿意使用优质内容，能够带来更多收入的用户，最终转化为长期订户。
多元化竞价意味着多元化用户
位置、设备平台和网络都会对安装成本产生影响。例如，不同国家的 CPI 不同，这取决于用户规模、应用内消费情况等。想要获得不同地点、不同设备和网络的用户群体，就要付出不同程度的获客成本。低竞价并不意味着用户没有价值，反之亦然。
因此，您不应该只关注低 CPI，高 CPI 也能产生价值。不过，要确定最适合您的战略，关键在于考虑长期目标，因此我们建议您计算 LTV。
长期目标帮助您确定获客成本
盲目追求低 CPI，却忽视 LTV 等长期指标，您可能会错失良机，不能通过提高成本获取高质量用户和增加利润。实际上，您可以通过用户在应用中的长期表现预测用户收入，从而更准确地制定获客预算。
如何为广告网络获客活动构建 LTV 模型
为了准确了解营销活动的效果，必须了解用户安装应用后的表现和此后的长期表现。请注意，您应该为不同渠道（社交平台、广告网络等）建立专用 LTV 模型。您可以采取以下方法，在考虑多个收入流的情况下测评广告网络营销活动的 LTV：
1. 绘制 ARPU 曲线，充分考虑所有收入来源
ARPU （即每用户平均收入）是指某一用户群体在安装应用后的特定日期内所贡献的累计收入。计算 ARPU 时，首先要计算所有收入，包括订户支付的金额、应用内购买收入和广告收入，然后用该金额除以安装数量。假设某用户组内的 1000 个用户在 6 个月内产生 6000 美元收入，那么这批用户的 6 个月 ARPU 即为 6 美元。如果这 1000 名用户在 12 个月内产生了 12000 美元收入，则其 12 个月 ARPU 为 12 美元。
绘制订阅应用的 ARPU 曲线时，必须将所有收入来源考虑在内，包括订阅收入、应用内购买和广告收入。对于某些应用，您可以通过相关 ARPU 目标（例如 12 个月 ARPU）来确定用户价值，然而在大多数情况下，您需要利用正确的趋势线构建 LTV 模型。
2. 为各收入渠道选择正确的趋势线，构建 LTV 模型
构建 LTV 模型时，需要在 ARPU 曲线上绘制一条趋势线。绘制趋势线时，系统将自动填写收入预测，预测期为计算数据的最后一天至应用用户生命周期结束。
对于拥有订阅、广告和/或应用内购买等多种收入渠道的混合模型，构建 LTV 曲线时要记住用户在不同渠道的行为。对于不通过订阅变现的应用，最好为 LTV 曲线绘制对数趋势线。我们发现，订阅应用的动力曲线能够准确拟合 ARPU，这是因为订阅应用更能经得起时间的考验。将各个收入渠道的 ARPU 曲线叠加起来，可以获得更准确的预测。下面是详细示例。
上图是一款社交应用最初 180 天的 LTV 模型，该应用的变现模型以订阅和广告为基础。可以看到，我们根据已掌握的订阅和广告数据分别绘制了 ARPU 曲线（实线）。然后我们又绘制了动力曲线（虚线）来预测未来收入。请记住， LTV 曲线的末尾并不代表用户使用应用的最后一天。根据图表，我们可以假设用户的平均 LTV 为：周用户 0.80 美元，月用户 0.25 美元，广告用户 0.15 美元。
现在开始测量细化指标以优化 LTV 模型精度。要创建成功的 LTV 模型，仅仅选择正确的趋势线还不够。
3. 使用更详实的数据来丰富模型
请记住，要准确预测收入，需要考虑多种不确定性因素。应用程序的非订阅用户通常远多于订阅用户，订阅率也会不断变化。借助 IAP 可以在一定程度上了解用户参与度，但无法全面了解用户在应用中的行为。
构建 LTV 模型时，除了用户每周、每月或每年支付的费用以及用户与 IAP 和广告的互动情况之外，还需要关注其他互动事件。事实上，您应该尽早跟踪尽可能多的指标，例如所有应用内互动情况，包括打开应用的次数、编辑照片的次数等。详细了解应用的整体性能，能够帮助您准确定位应用，从而优化用户投资策略。
如果您将其他指标也纳入 LTV 模型，并且看到不同用户群体出现了不同行为，则应考虑构建不同的模型，以反映不同的收入渠道（包括订阅、IAP、广告等等），而不是将这些收入渠道合并为同一个模型。
4. 为每个订阅时期构建不同的模型
许多应用程序提供按周、按月和按年订阅选项，不同订阅模式的用户行为都有所不同，产生收入的速度也不同，因此不能使用同一个模型。
与其将年订数据转换为月订数据，不如分别为按周、按月和按年订阅的用户建立 LTV 模型。这些模型如果在收入指标之外还包含参与度指标，那么您可以对各个模型采用不同的比率，因为月订用户的流失率与周订用户的流失率不同。这样不仅能够提高 LTV 模型的准确性，还可以帮助您更好地了解不同订阅模式的特定用户与应用的互动情况。
接下来怎么办？
建立 LTV 模型后，下一步要根据信息调整 KPI，以期为获客战略做出最佳决策。选择需要保持的合理利润，在准确预测用户长期行为的前提下选择最短 KPI 目标，这个时间通常是推动用户订阅所需要的平均时间。接下来，您还需要继续调整数据，尽可能地更新 LTV 模型，还需要考虑到用户行为可能产生的波动，例如假日期间、意外爆发的疫情、政治局势动荡对用户行为的影响。
在测评整体成功和营销项目效果时，短期目标固然不容忽视，但长期目标也同样重要，甚至更重要。建议您马上使用上述步骤测评 LTV 模型，同时不要忘记综合考虑多个收入流。
