如何计算用户生命周期天数？

此文写在去年了，当时是给老板的一个汇报，针对用户的生命周期长度一直有争议，查阅了网站上一些达人的分享和自己的一些经验理解后，有以下内容，欢迎各位探讨。原创，第一次发文。

背景：化妆品零售企业，渠道有电商平台及线下专柜，此次取值电商平台为淘宝旗舰店的数据；品牌隐去。
会员数：190W
用户生命周期（Life Time） ，也称作留存天数，从字面意思就可以知道，从用户第一次购买，到最后一次购买的天数。与之相关的是留存率，留存率和生命周期不一样，单独谈论留存率没有意义，前面要加上一个时间定义，才能确认数值，如次日留存率，7日留存率，月度留存率，季度留存率，年度留存率等。
最近也查阅了一些资料，也向一些行内人士进行了请教，目前用户生命周期天数被用到最多的通常为互联网行业，会对用户对网站/游戏/app/论坛的留存进行天数计算。一般会有以下三种方法：
在这里有个前提，所有消费次数=1的用户，不计算在生命周期的取值内，也就是生命周期所计算的是用户>=2的用户的生命周期天数。次数=1，说明买了一次就流失了，和品牌仅有一次接触点，生命周期=0，不做计算。这部分用户，线上线下仅一次消费会员占比70%。

1、 完整生命周期法

取值的用户对象必须在一个完整生命周期内，计算它们第一天到最后一天的消费天数，取平均值。
在这里我们将用户的流失天数定位365天，也就是一个用户>=365天未产生回购，我们默认她成为流失客户，这时她度过了一个完整的生命周期，那么她第一次与最后一次的消费时间差则为她的生命周期天数。
我们在取值的时候用的就是这种方法，此方法的优势在于计算周期天数准确，劣势在于及时性不高，因为确保用户在完整生命周期内。以为数据样本是1年之前的数据样本，反映的结果是一年之前的用户生命周期结果。以下是计算的2个数据：
在今年4月的时候我们分别对于线下专柜，以及天猫渠道进行了会员生命周期天数的计算，结果分别如下：

• 专柜会员生命周期天数：75
• 电商会员生命周期天数：212

对比去年10月左右的数据：

• 专柜会员生命周期天数：92
• 电商会员生命周期天数：165  （注意按照这个时候的计算双11大促未包含进去）

这个数据当时造成了2个疑问：1，专柜为什么如此低？电商为什么如此高？2、电商为何提升如此大？
首先至于数值的高低，需要通过对比，才能得出结论，目前行业内关于用户生命周期天数这一公开数据较少，从我原来的工作经验，以及行业人士分享得到的一般日化的会员生命周期天数大概在6个月左右，180天左右属于较常见天数。
其中美容院等专业线的产品，生命周期要更长一些，本品牌定义为敏感肌肤产品，理论上用户生命周期长度应当在普通日化之上，所以212天这个数字，整体上来看是正常的。
但专柜的确是偏低的，主要原因是根据这一方法的取数逻辑，专柜的会员样本为2016年4月之前消费的顾客，而专柜整体也只是从2016年初进行扩张发展，导致样本量少，本身样本的存在周期就短。数据误差较大。
那么电商为何从165提升到了212天，主要原因是9月取值时，未包含15年的双11大促，而15年双11大促之后，对用户有个比较大的唤回（其中超过180天的占57%），这部分人大大的拉长了生命周期的平均值，如下图是完整生命周期内的用户生命周期天数分布表，虽然0-90占比最大，但是拉动弱，最顶部的长周期的拉动平均值的力度大，再说>=270天的占比能达到29%也是一个较高的值，主要在促销活动期间被拉动。

当然说到这里问题暴露的也很明显，根据这种逻辑，虽然得出数值准确，但实际上只是1年前的会员生命周期长度，反映不了目前的会员留存。
那就来看下生命周期计算的第二种方法：

二、全样本统计

指的是把全部用户最后一次购买的日期，减去他第一次购买的日期，就是单个用户的留存天数。把所有用户的单用户留存天数平均一下，就是生命周期天数了。
这个统计方法的优势在于能反映当前数值；问题在于非常不灵敏，基本上最近几个月除非大促活动产生，统计出的结果基本都一致，另外就是时间跨度要足够长，得出来的数据才会相对准确一些。另外整个计算是包含了未进行完整生命周期的用户的，不够精确。
按照上面的逻辑得出的线上线下会员的生命周期天数为

• 线下专柜：163
• 天猫商城：263

其中可以看到线下专柜的生命周期数据上升幅度达，趋于正常，整体上来看线下随着数据样本量的增大，时间的拉长，实际的生命周期天数应该还是高于这个值将趋于准确；
对于天猫上升到了263天这个数值的增长，未考虑超过365天的会员回购的可能性，默认为已经流失，但实际上有将近3%的流失会员在双11大促被重新唤醒，且其中仅在促销期间消费（也就是中间未产生任何消费）的人群，占了16%，且这个趋势在逐年增长，14年为10%，15年为12%，16年为20%。
对于天猫这个值，是反映当前会员生命周期比较准确的一个值；

第三种方法，倒推法

每一个活跃用户，从他们的首次消费时间到当前消费的时间差，平均一下，就得出留存天数了。可以按日、按周、按月，我们这里取按月的值。

这个取值的方法精准性较差，周期越短越不准，且有个明显的误差，就是统计的样本，都是留存下来的样本，在统计周期内的用户都没有统计到。此种方法虽然灵敏度高，但是误差较大。
对比以上三种用户留存天数的取值方法，可能还是比较混乱，直接把结果提炼出来就是：
目前专柜的会员生命周期，前期是因为样本量少，专柜运营周期短，得到的结果误差较大，目前专柜数据正处于一个稳定期，会员生命周期数据，将会呈现升幅较大的状态，预估目前在190天左右，因为专柜本身运营天数的累积，会快速上升之后趋于稳定；
对于天猫旗舰店的会员生命周期数据，如果我们只看总平均值，目前的生命周期天数应当与第二种算法接近在260天，也就是8，9个月左右，其中大促影响巨大，每年双11有50%左右的180天沉睡会员被唤醒，这部分人的在周期长度上整体拉升了平均值。但是如果用户的生命周期长度主要是被大促所拉动，那么在一定程度上这不是一件好事情，因为用户主要对价格敏感，而不是对品牌忠诚。
对于日常来看用户的生命周期是一个时间段的过程，是结果，并且在短期内变化不大的指标，想要获得高灵敏度的数据指标作为会员维护的参考，看一个时间段的留存率会更加适合一些，
对于我们品牌的用户3个月内为最优复购区间，于是我们来按照季度取用户的留存率：

目前专柜和电商的季度留存率差别不大，日常专柜要稍微优于电商，电商在大促节点要明显高于专柜。大促对于会员留存率的指标变化影响很大，图示2016年8-9会员的季度留存达到53%，而大促当月的会员留存率最低，原因是通过活动短时间内积累大量新客，流失率也高。
以上为关于会员生命周期天数的一个探讨，内里还有一些细节需要去做验证，整体上说会员生命周期反应了用户与品牌的粘性与用户价值，但生命周期作为一个阶段性的长指标，在短时间内不具备高敏感性，而从季度留存率指标来看，我们可以快速的了解到每个月的会员季度留存情况，并可以运用在实际工作中，进行指标跟进和匹配营销动作。留存率的指标对实际工作更具有意义。
 
作者 @ kitty 。

关键字：产品经理, 用户生命周期, 周期, 天数

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！