ارزش طول عمر مشتری یا LifeTime Value که به‌ اختصار LTV نامیده می‌شود، یکی از مهم‌ترین و معروف‌ترین شاخص های کلیدی عملکرد (KPI) در بازاریابی و به‌ویژه در بازاریابی دیجیتال است. در بازی‌ها و اپلیکیشن های موبایل، ارزش طول عمر مشتری کل ارزش یا سودی است که یک کاربر در طول عمر خود برای یک بازی یا اپلیکیشن می‌آفریند. درواقع این‌گونه تفسیر می‌شود که چه اندازه می‌توان برای جذب آن کاربر هزینه کرد. با تپلیغ آکادمی همراه شوید تا به بررسی مفهوم و کاربردهای LTV بپردازیم.
ویژگی اصلی مفهوم ارزش طول عمر مشتری این است که باعث می‌شود توسعه دهندگان به‌جای تلاش برای کم کردن هزینه‌ها، بر بالا بردن ارزش‌آفرینی کاربرهای جذب‌شده تمرکز کنند. ارزش طول عمر مشتری به‌عنوان یک کمیت عددی، کمک بسیار زیادی به توسعه دهندگان می‌کند؛ زیرا تیم بازاریابی می‌تواند از این شاخص عملکرد کلیدی که تاثیر زیادی بر کمیت‌های دیگر بازاریابی اپلیکیشن ها از قبیل نرخ بازگشت (Retention Rate) ، درآمدزایی (Monetization) و میزان پخش ویروسی (Virility) دارد استفاده کند.

ارزش طول عمر مشتری

محاسبه ارزش طول عمر مشتری

باوجود افزایش توجه به مفهوم ارزش طول عمر مشتری، تاکنون هیچ فرمول و استانداردی به‌صورت قطعی برای محاسبه‌ی آن ارائه نشده است و هر کسب‌وکاری، به شیوه‌ی خود آن را محاسبه می‌کند. باوجود این، LTV را می‌توان به یکی از سه مفهوم نرخ بازگشت، درآمدزایی و در برخی مواقع به میزان پخش ویروسی ارتباط داد. ازآنجایی که می‌توان با در نظر گرفتن نوع کسب‌‌وکار، با تقریب خوبی ارزش طول عمر مشتری را محاسبه کرد، لذا کمتر پیش می‌آید که توسعه دهندگان برای داشتن تعریف اختصاصی از ارزش طول عمر مشتری در کسب‌وکارشان تلاش کنند.

برای مثال اپلیکیشنی که برنامه درآمدزایی خود را بر نمایش تبلیغات درون برنامه ای بنا کرده است؛ ممکن است مجموع زمان نمایش کامل ویدیوهای تبلیغاتی درون برنامه را برای هر کاربر به‌عنوان یک فاکتور محاسبه‌ی ارزش طول عمر مشتری در نظر بگیرد؛ چراکه کاربر‌هایی که تبلیغات بیشتری تماشا می‌کنند، ارزش بیشتری برای توسعه دهنده ایجاد کرده‌اند. به طریق مشابه، ازنظر یک اپلیکیشن که از اساس برای اشتراک‌گذاری محتوا طراحی شده است، کاربری باارزش است که تعداد بیشتری اشتراک‌گذاری انجام داده باشد و درواقع «تعداد به اشتراک‌گذاری» هر کاربر، معیار محاسبه‌ی LTV آن کاربر است؛ برای مثال اپلیکیشنی که برنامه درآمدزایی خود را بر نمایش تبلیغات درون برنامه ای بنا کرده است؛ ممکن است مجموع زمان نمایش کامل ویدیوهای تبلیغاتی درون برنامه را برای هر کاربر به‌عنوان یک فاکتور محاسبه‌ی ارزش طول عمر مشتری در نظر بگیرد؛ چراکه کاربر‌هایی که تبلیغات بیشتری تماشا می‌کنند، ارزش بیشتری برای توسعه دهنده ایجاد کرده‌اند. به طریق مشابه، ازنظر یک اپلیکیشن که از اساس برای اشتراک‌گذاری محتوا طراحی شده است، کاربری باارزش است که تعداد بیشتری اشتراک‌گذاری انجام داده باشد و درواقع «تعداد به اشتراک‌گذاری» هر کاربر، معیار محاسبه‌ی LTV آن کاربر است.

مدل‌سازی ارزش طول عمر مشتری

یک جستجوی ساده در گوگل با عنوان « محاسبه‌ی ارزش طول عمر مشتری »، بیش از ۵۰ هزار نتیجه به همراه دارد. ارزش طول عمر مشتری به روش‌های گوناگونی محاسبه می‌شود؛ از مدل‌های ساده گرفته تا مدل‌های پیچیده‌ی پیش‌بینی ارزش طول عمر، از استفاده از داده‌های ساده و تحلیل دستی تا تحلیل به کمک هوش مصنوعی و برنامه‌نویسی. همین موضوع است که باعث سردرگمی توسعه دهندگان در انتخاب روش مناسب برای محاسبه‌ی ارزش طول عمر مشتریان محصولشان می‌شود. مدلی که توسعه دهندگان برای محاسبه انتخاب می‌کنند باید بر پایه‌ی عملکردی باشد که قرار است در زمان خاصی از چرخه‌ی عمر یک محصول بهبود یابد؛ به‌عنوان مثال در انتشار اولیه‌ یک محصول، کافی است شاخص‌هایی را که با اطمینان قابل‌قبولی، میزان بودجه‌ اولیه‌ بازاریابی محصول را مشخص می‌کنند تعریف شود. این مدل ساده، به توسعه دهندگان کمک می‌کند تا به‌سرعت ارزش طول عمر مشتری خود را اندازه‌گیری کنند. با گذشت زمان و افزایش تعداد کاربران آن، نیاز توسعه‌دهندگان، دیگر تنها اطلاع از میزان مثبت یا منفی بودن نرخ بازگشت سرمایه (اختلاف بین بودجه‌ مصرف‌شده و درآمد حاصل از آن) نخواهد بود؛ بلکه صاحبان اپلیکیشن و بازی های موبایلی بزرگ به بهینه‌سازی دقیق محصولشان فکر می‌کنند؛ در ادامه، مثال‌هایی را از مدل های محاسبه ارزش طول عمر مشتری در مراحل مختلف چرخه‌ی عمر محصول معرفی می‌کنیم.

۶ دلیل برای سرمایه‌گذاری در اپلیکیشن های موبایل تا پایان ۲۰۱۸
خواندن این مقاله
ارزش طول عمر مشتری

میانگین ساده

ساده‌ترین روش محاسبه ارزش طول عمر مشتری ، ‌ضرب «میانگین درآمد روزانه‌ از هر کاربر فعال» در «میانگین تعداد روزهایی که کاربر در اپلیکیشن فعال بوده است.»

LTV = Average ARPDAU × Average number of days a user is active in certain period

در نظر داشته باشید که وقتی ارزش طول عمر مشتری از روش میانگین ساده محاسبه شود، نتیجه‌ی به‌دست آمده خیلی دقیق نخواهد بود و تنها برای به‌دست آوردن یک تخمین کلی مناسب است. دو اشکال اساسی که به این روش وارد می‌شود، یکی یکسان در نظر گرفتن تمامی کاربران است و دیگری این‌که در این روش، متغیرهای زمانی (مثل رویدادها و به‌روزرسانی‌های اپلیکیشن) در نظر گرفته نمی‌شود.

خطی‌سازی و تحلیل نموداری

یک روش مرسوم تخمین دقیق‌تر ارزش طول عمر مشتری، «تحلیل نموداری» است. در همایش Slush سال ۲۰۱۳ میلادی، اریک سفرت، مدیر تبلیغات و جذب کاربر شرکت Rovio (سازنده بازی Angry Birds) دو روش برای محاسبه ارزش طول عمر مشتری معرفی کرد که درحال حاضر هم برای محاسبه LTV از آن‌ها استفاده می‌شود:

  • اولین روش با تمرکز بر نرخ بازگشت یا Retention Rate است؛ این روش با استفاده از تحلیل نموداری انجام می‌شود و برای تخمین طول عمر کاربر در آن از اعداد و ارقام واقعی نرخ بازگشت استفاده می‌شود. برای تخمین ارزش طول عمر مشتری در این روش، «طول عمر تخمین زده شده» را در «میانگین تعداد روزهایی که یک کاربر در اپلیکیشن فعال بوده است» ضرب می‌کنند.
  • روش دوم با رویکرد درآمدزایی یا Monetization است؛ در این روش، LTV هر کاربر را بر اساس تاریخچه داده‌‌ها و تحلیل آن با نمودار‌های لگاریتمی محاسبه می‌کنند.

به‌طورکلی بهترین راه تحلیل بیگ دیتا و نمودار، واکاوی داده‌ها از طریق خطی‌سازی است؛ همچنین در مواردی که داده‌ غیرخطی وجود داشته‌ باشد، خطی‌سازی چند متغیری کمک بسیاری به تخمین درست می‌کند.

ارزش طول عمر مشتری

مدل سازی احتمالی

دقیق‌ترین روش تخمین ارزش طول عمر مشتری برای شرکت‌های بزرگ، روش مدل‌سازی احتمالی است. باوجود این‌که تکنیک‌های مختلفی برای مدل‌سازی LTV وجود دارد، دو روش رایج‌تر است: Pareto/NBD و BG/NBD.

  • مدل Pareto/NBD، از تاریخچه‌ی سفارش‌ها مشتری و تناوب و تازگی آن‌ها به‌عنوان ورودی اصلی برای طول عمر کاربر استفاده می‌کند. مسلما هرچقدر مقدار داده‌های ورودی بیشتر باشد، نتیجه‌ مدل‌سازی هم دقیق‌تر و واقع‌بینانه‌تر خواهد شد.
  • مدل BG/NBD شباهت زیادی به مدل Pareto/NBD دارد، با این تفاوت که در مدل Pareto/NBD، عمر کاربر ممکن است در هرزمانی پایان یابد؛ ولی در مدل BG/NBD، عمر کاربر پس از انجام فرآیند خرید یا سفارش، تمام می‌شود. در حقیقت مدل BG/NBD نشان می‌دهد که یک کاربر پس از چند بازدید، خرید، به عمر خود خاتمه می‌دهد.
ارزش طول عمر مشتری

راه‌ حل انعطاف‌پذیر تپلیغ

بر اساس چرخه‌ عمر محصول و نیازهای به‌وجود آمده در هر مرحله، روش‌ها و مدل‌هایی که برای تخمین ارزش طول عمر مشتری استفاده می‌شود باید انعطاف‌پذیر باشد و بتوان آن‌ها را تکامل داد.
تپلیغ سیستم خود را طوری طراحی کرده‌ است که همه‌ روش‌ها را پوشش دهد. تپلیغ این امکان را فراهم می‌کند تا توسعه دهندگان بتوانند داده‌های مربوط به هر کاربر را تعریف، تصحیح و به‌روزرسانی کنند. با استفاده از مدل‌ انعطاف‌پذیر تپلیغ، توسعه دهندگان می‌توانند به روش‌های گوناگون، ارزش طول عمر مشتری را به‌عنوان یک ویژگی مهم هر کاربر به‌دست آورند و در ادامه با گسترش داده‌ها یا کوچک کردن دسته‌بندی‌ها، به جزئیات بیشتری دست پیدا کنند. به این شیوه، تپلیغ کاربرهای خاصی را بر اساس ارزش طول عمر مشتری محاسبه شده، هدف قرار می‌دهد تا بهترین نتیجه را از کمپین‌ها به‌دست آورید.

حمیدرضا فریعقوبی

حمیدرضا فریعقوبی

می‌نویسم، ویرایش می‌کنم، پادکست ضبط می‌کنم و دوباره...

پاسخ دهید