用户生命周期，这部分关键内容，书上忘了讲！

作者：接地气的陈老师

来源：接地气学堂

在做数据分析的时候，用户生命周期分析，是个很典型的“理论一听就懂，数据一做就废”的东西。很多同学很困扰：“到底生命周期该怎么算？为啥我算的套到业务上不成立！”今天我们系统解答一下。

1 书本上的生命周期

在各路书本、文章中，大家都看到过这张图：

要注意的是，这个图讲的是理论上的用户生命周期。它假设了用户留存与用户价值之间存在倒U型关系。

因此推导出：

• 用户必须得维护好
• 要搭建成长路径
• 要计算全生命周期价值
• 不要只计较眼前利益
• 前期重体验，后期分等级

等等理论结果。但这个假设前提，在具体的业务场景中很可能不成立，特别是数据上不会呈现完美曲线。因此会搞得很多做具体业务分析的同学很郁闷。

 2 差异1：活跃与付费分离

对线下实体店而言，用户到店即付费，先消费后体验服务。但在互联网产品里，付费与活跃脱节的现象很常见。或者有的产品干脆允许用户只活跃，不付费，通过额外的权益和道具收费。比如游戏、在线音乐、视频、社区等等皆是如此。

总之，当用户活跃与付费脱节的时候，用户生命周期曲线变会发生变化：用户价值不再随留存时间变化，而是独立开，呈现出类似矩阵模型的样式（如下图）

这时候要特别注意各类型用户比例，特别是白嫖用户的比例。在各类型互联网产品里，白嫖用户都有相当比例。如果不加区分，一概而论，则会造成一种虚假繁荣的假象。最终结果会导致产品叫好不叫座，商业化过程极其艰难。

 3 差异2：场景化消费

即使是消费与活跃行为紧密捆绑，也会出现问题。最常见的就是场景化消费，比如：

出行：

• 今天下好大的雨，打个滴滴
• 今天下雨，但是是小雨，跑去地铁站
• 今天天晴，当然坐地铁拉

这就是典型的外因驱动。

电商：

• 今天有大促销，看看买点啥
• 今天有新产品上市，看看哪家便宜
• 女友快过生日了，看看送点啥

这是典型的内因驱动。

注意，无论是内因还是外因，在现实生活中都是很正常，很合情合理的场景。可这些场景会共同导致一个结果：用户留存时间与用户价值不是倒U型，而是随机的，甚至难以捉摸规律（如下图）。

这导致用户生命周期曲线很难绘制，用户留存久了也不代表有价值，用户生命周期价值也难以估算。特别是大促销、爆款上市这种场景。最后用户还是看哪家便宜买哪个，跟之前的留存时间一点关系都没有。

这时候强行绘制用户生命周期，用平均值代替每个用户的真实情况。结果就是模糊了运营、营销、商品的作用，会造成一种虚假繁荣的假象。让大家以为：只要用户呆的久就早晚给钱了。结果发现用户生命周期价值的平均值越来越低。

 4 差异3：浅尝辄止的新人

拉新，是所有互联网业务的核心，也是经常出幺蛾子的地方，拉来的新人完全不消费，或者过了很久才诈尸来消费一笔，都是很常见的事。这种浅尝辄止的新人比例一高起来，就会导致对拉新行动评估不准。

如果用平均值的话，会把这些实际上是0的人平均掉，又是在制造虚假繁荣。如果剔除出去，只统计有消费的人，显然又会高估渠道价值。并且，由于诈尸用户存在，导致周期长度难以统计（如下图）。

这种统计难，常常被业务部门拿来当甩锅借口。特别是当浅尝新人+场景化消费同时出现的时候，负责拉新的市场部、增长团队、营销部就喜欢扯：“得评估用户生命周期价值，不能只看眼前”“虽然用户现在没消费，但是300年内说不定就消费一大笔呀，所以不能说我做的差，是你统计的不准。”

处理这个问题也简单：只有交易周期很长的，才统计生命周期价值。类似B2B跟单，房、车等大额B2C交易，否则不去统计什么生命周期价值。类似打车、日用品、生鲜这些高频交易，拉来的用户一个月不消费就是拉新失败，扯啥生命周期。你们拉的用户都是辟谷修长生的吗？！一个月都不吃一顿？！真是的。

 5 数据背后的深层次问题

这些数据问题背后，隐藏了一个更深层次的问题：用户对一个产品的全生命周期需求，到底是谁的。这年头随便到哪里买东西，一扫码就会关注一堆公众号小程序。我们被各种商家称为：“尊敬的会员”，可回头看看，你真的认为自己属于某个商家？你明知道别人家有优惠，还会在这里买？？？？

有可能用户的生命周期依然存在，但是除非是微信这种超超级应用，否则根本无法一手掌握。用户的行为会分散在各个场景，各个应用里。这种情况下，是否还有必要按上个时代的做法，苦苦追求全生命周期价值？很有可能在这个年代的用户关系，就是场景化、事件化的。

正是基于这种思想，CDP的概念才会孕育而生，用基于场景的事件营销（被动）和推送营销（主动）取代了传统CRM理论里的用户等级、用户分群、用户价值曲线、用户成长路径。

简而言之，就是：我不指望用户属于我，我只在用户想要买单的时候抓住他就好了。当然，这种理念转化带来的最大挑战，就是营销成本的不确定。

过去算一个用户生命周期价值，然后按比例分配成本的做法，显然不适合每个场景切碎了做。如果对场景和需求的把握不到位，很有可能造成重复的资源投入。这里就要求更精细的数据分析支持。

——热门课程推荐：

想从事业务型数据分析师，您可以点击>>>“数据分析师”了解课程详情；

想从事大数据分析师，您可以点击>>>“大数据就业”了解课程详情；

想成为人工智能工程师，您可以点击>>>“人工智能就业”了解课程详情；

想了解Python数据分析，您可以点击>>>“Python数据分析师”了解课程详情；

想咨询互联网运营，你可以点击>>>“互联网运营就业班”了解课程详情；

想了解更多优质课程，请点击>>>