用户生命周期分析是数据分析中的经典课题，但实际操作中常常让人感到困惑。本文从理论出发，结合实际业务场景，深入探讨了用户生命周期分析中的常见问题，供大家参考。
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。
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。
因此推导出以下理论结果：
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经常踩坑，很郁闷。
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。
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：
这就是典型的外因驱动。
电商：
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：只要用户呆得久就早晚给钱了。结果发现用户生命周期价值的平均值越来越低。
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，所以不能说我做得差，是你统计得不准。”
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。
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。
本文由人人都是产品经理作者【接地气的陈老师】，微信公众号：【接地气的陈老师】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。