塔拉-迈耶
你知道吗，大多数预测的LTV（pLTV) models weren’t built for hybrid monetization apps? When you’re monetizing through both in-app purchases (IAP) and in-app purchases, user behavior gets complex fast. Standard LTV models can’t handle it, and most pLTV metrics can’t either.
“目前市场上缺乏支持混合变现应用的有效工具。”
- 贾斯普里特-巴桑
Tenjin高级产品经理
事实上，如今混合变现随处可见，但支持这类变现方式的分析工具却寥寥无几。 IAP+IAA策略 已成为许多应用（尤其是手游）的标准变现模式，但大多数分析平台仍将变现视为单一渠道。这对预测LTV来说是个大问题——毕竟，在为混合游戏做UA时，预测LTV至关重要，你必须精准预测两种不同的收入，才能科学优化预算。而Tenjin为了填补这一空白，推出了针对混变产品的预测LTV。
Tenjin高级产品经理Jaspreet Bassan分享道，构建混合变现的pLTV并不简单，她总结了其中 四大挑战 ，下面就一一详解。
挑战一：信号稀少
预测LTV模型需要大量早期行为数据，才能得到统计上显著且准确的预测。但混合变现模式下，这些关键的早期信号往往十分稀少。
我们的解决方案采用neural networks（神经网络），Jaspreet解释道：
“神经网络非常适合这个场景，它能处理海量数据，这恰恰是这一独特挑战的核心需求。”
“而且，神经网络善于识别复杂模式，且能从趋势中学习，无需大量数据处理。”
她进一步分享了关键成果：
“它可以利用第0天数据学习用户行为特征，
预测接下来30天用户群的表现。”
神经网络能从稀少的早期信号中识别复杂模式，利用细粒度广告曝光数据作为丰富的早期信号源，来 克服信号稀疏 问题。我们从用户一开始与广告的互动入手，提供大量的早期阶段的数据，显著提升预测精准度。
挑战二：鲸鱼用户与其他异常值
建模时常见难题——异常值，比如“鲸鱼用户”（高额付费用户）或其他极端数据，这些都会导致测量失真。例如，某用户在IAP上消费1000美元，而大多数用户只消费10美元。传统pLTV模型往往无法妥善处理这类极端差异，要么给出过于乐观的结果，要么错失潜在收入。
Jaspreet介绍了Tenjin的处理方式：“我们首先将未成熟用户群作为特征之一，将其加入模型，让模型基于此进行预测，并每两小时动态更新用户群成熟度，模型据此不断调整预测。”
通过持续的数据流和监控，周期更新一次采用的动态归一化来应对异常值问题：
我们采用 每两小时刷新的dynamic normalization ，自动识别并校正异常消费行为，确保异常值不影响整体预测”
这意味着普通付费用户不会被忽略，少数大额花费虽存在，但不会导致平均值失真，你的预测LTV画像更贴近现实、更具参考性。
挑战三：不全面的碎片化指标
碎片化的收入数据碎片化会影响决策判断。大多数平台要求你分开跟踪IAP和IAA收入，这增加了工作量——毕竟需要在两个不同的pLTV指标间切换，而实际需要的是将两者结合的整体视角。
Jaspreet指出：“当收入数据被拆分时，你无法快速判断双渠道中哪些用户群真正盈利。容易陷入独立优化的误区，这对混合变现应用尤其不利。”
她解释道：“我们现有客户已经熟悉我们的综合LTV指标——即用户群成熟后可获得的实际LTV。我们知道混合变现应用经常使用这一指标，因此我们推出结合IAA和IAP的预测LTV指标。”她强调：
“这将为客户带来巨大价值。现在我们还能提供衍生的预测指标，如pROAS和pROI，进一步强化了我们的报表和数据基础设施，使真正LTV的预测更简单实用。”
“这将为客户带来巨大价值。现在我们还能提供衍生的预测指标，如pROAS和pROI，进一步强化了我们的报表和数据基础设施，使真正LTV的预测更简单实用。”
最后，Jaspreet分享道：“我们在Tenjin面板中直接创建了一个统一的 pLTV 指标。一个指标即可展示IAA和IAP的总预测价值，默认包含短期和长期预测。”
我们的解决方案为你提供了清晰、全面的可视化分析，无需再在表格中费力计算或勉强拼凑数据来理解利润率，帮助您更快做出决策。
挑战四：“差不多”还不够
多数pLTV模型准确率徘徊70%-80%，看似不错，但当你需要实时分配数千美元预算时，20%-30%的误差是不可接受的。尤其对预算有限的开发者和新兴市场团队更是致命。任何误差都意味着浪费或错失机遇。
UA优化必须建立在强信心基础之上：无法信赖预测结果，就无法大胆投入预算或调整出价。在快速变化的市场中，每一次犹豫都成本高昂。
高准确率的pLTV对日常实时优化决策至关重要：
“达到90%准确率是非常了不起且极为罕见的。”
Jaspreet表示：我们投入了大量精力构建预测LTV，这也是我们能达到 90%准确率 的原因。我们融入了大量的专家洞察和以客户视角为核心的开发理念。”
这一卓越基准通过严格的神经网络训练和分析实现。我们的pLTV支持应用、广告活动及国家级别维度的数据，让你能根据不同国家和渠道分配预算，可能性无限。
这一表现使我们的pLTV成为日常优化的可靠指标。所以，大胆优化吧——带着信心而非谨慎，将预算押在可靠的数据上。
“我们使用Tenjin的预测LTV指标实时监控新用户群的表现，无需等待长期数据，让我们能更快做出用户获取决策。”
- 詹姆斯-麦克莱兰，《挖掘
阅读全文
贾斯 我想说的是，我们的平均值是，罗曼，你强调了平均值这个词，你知道，这是谈论模型准确性的正确方式，真的很好。嗯，实际上真的很好。90% 的精确度非常高，在这个行业中实属罕见。
罗马人 大家好，欢迎收看有关Tenjin更新的视频。今天我们请到的是我们产品团队的 Jaspret。你好，贾斯。
贾斯 你好，罗曼。
罗马人 我们正在讨论 LTV 预测--它是什么，为什么重要，以及如何在Tenjin中使用它。好的，让我们先介绍一下你自己吧，Jas。
贾斯 谢谢你，罗曼。大家好，我叫 Jas 或 Jaspreet，是Tenjin公司的产品经理。我通常负责数据和仪表盘方面的工作，我们特别为你们这些人建立了预测LTV（pLTV）。
罗马人 没错我们为这个视频准备了几张幻灯片。我先分享一下我的屏幕，然后我们再进行产品对话。
是的，LTV 预测是为混合货币化应用程序量身定制的。混合货币化现在是一个新的超级概念。 现在有很多炒作，但我们觉得还没有足够的工具为这部分应用而打造。嗯，当你为混合游戏获取用户时，LTV 预测是一种必不可少的工具。
让我们看看你为什么要使用它。想评论一下吗，Jas？
贾斯 当然，我认为罗曼你说得非常好。我们确实需要更多的混合动力工具，但这些工具往往比较缺乏。但在天健，我们非常关注这一点。
我只想做个小介绍，重点是混合广告。因此，对于有纯应用内广告（IAA）的应用程序，您的收入很可能会成熟得更快，对吗？例如在第 3 天或第 7 天。而对于混合型应用程序或使用大量应用内购买（IAP）的应用程序，您的 IAA 收入可能会更快成熟，但您的 IAP 收入可能需要数周或数月才能成熟。
这就是我们为混合应用程序提供 pLTV 的原因！有了 pLTV，您无需等待队列成熟。或者，等到第 30 天、第 60 天或更久之后再进行营销活动优化。相反，您可以更早地做出活动优化决策，对吗？所以，与其等那么久，等你的队列成熟，你可以在第二天就采取行动。
罗马人 我们可以看到，在第 0 天，广告活动 B 明显胜出。然而，对于混合型应用来说，事实可能并非如此，因为用户可能会进来购买，这将超过通过展示广告获得的所有收入。如果对第 14 天进行预测，情况会是这样。
我们已经与几家公司就此开展了合作。雅斯与詹姆斯和团队密切合作，共同完成了整个预测LTV项目。是的，让我们读一下这段话：
"我们使用Tenjin的 pLTV 指标来实时监控新队列的表现，而无需等待长期数据。这使我们能够更快地做出UA决策"。- James McClelland，Tapped
贾斯刚才就是这么说的吧？
贾斯 是啊 - 是啊 - Yeah.Yeah. - Yeah.嗯，你知道的，罗曼，所以当我们在做预测 LTV 的产品开发时，我们与客户合作了很多，非常密切，Tapped 是其中一个客户，甚至是在 Alpha 阶段。他们在更早之前就使用了我们的预测，现在这个产品已经面世，每个人都可以使用。
我们从几乎所有客户那里都得到了非常相似的反馈。您可以了解到他们是如何
他们就能更快地做出获取用户的决定，对吧。
罗马人这里再次强调了速度。因此，如果我在等待 14 天，那么我就需要看看哪个活动的实际表现更好。如果我在第 14 天或任何一天之前使用预测的 LTV，你就可以更快地再投资，正如你在这里看到的......你最后会得到更多的钱。
罗曼嗯，也许有人不知道什么是混合应用程序，嗯，让我们来谈谈这个问题。Jas，什么是混合应用程序？
贾斯： 酷。Cool.所以，当我们说混合应用程序时，我们指的是使用我在视频开头快速向大家介绍的两种收入模式的应用程序，对吗？其中一种是应用内广告，基本上意味着你的应用通过向用户展示广告来获得收入。另一种商业模式是 IAP，即应用内购买。应用内购买可以是一次性销售产品，也可以是订阅，还可以是其他，但你也可以通过在应用内销售产品来赚钱。
那么，混合应用程序可以同时做这两件事，对吗？它们通过显示广告赚钱，同时用户也可以在应用程序中购买产品。因此，您既能通过广告赚钱，也能通过购买赚钱。
当一款应用同时使用这两种模式时，我们称之为混合应用。现在，您可以以这款应用为例，了解应用内广告与应用内购买的分布情况。这可能会有所不同。它可以像我不知道的 20% IAA 和 80% IAP。嗯，但这是一个很好的例子，说明混合应用是什么样子。
罗马人 没错，未来似乎将是混合应用程序的天下...
贾斯 100%
罗马人 对，所以其中一件事，但这是一个挑战，因为它太新了。因此，预测混合型应用程序的 LTV 是一项挑战。在过去，你可能会发现针对 IAA 应用程序购买的 LTV 预测。到目前为止，还没有人对混合应用程序进行过预测。因此，我们在这里强调了神经网络这个词。也许我可以请您对此发表评论
并谈谈你是如何应对这一挑战的。
贾斯 酷毙了是啊罗曼说得非常对，Tenjin正在以一种非常独特的方式解决这个问题，因为目前缺乏支持混合应用程序的工具。我们现在正专注于这一市场，罗曼，你说得很对，这就是未来。从行业角度来看，这就是我们所看到的。
显然，当涉及到用户获取决策或活动优化时，无论你怎么称呼，我们都会使用广告中介数据。稍后我们会详细介绍。
我们在广告印象和用户层面使用了大量高度细化的数据。应用内购买数据也是如此。当你使用大量此类数据时，你需要一个能很好地处理这些数据的机器学习算法，它能应对这一独特的挑战
来支持混合应用程序。嗯，神经网络是一个自然的选择。
关于神经网络的技术层面，我不想说得太深，但你可以把神经网络想象成人工神经网络。
它们是机器学习技术，其中一种机器学习技术可以训练模型，然后使用历史数据训练模型，该模型能够从历史模式和趋势中学习，然后做出预测。
呃，我不知道罗曼，如果你还有什么问题，我可以继续说下去。为什么我们使用神经网络而不是其他东西？在我们的产品开发周期中，我们确实研究过使用更简单的模型。 我们使用了很多其他基准，很多基准。
我们进行了大量的基准测试，对我们来说，神经网络是绝对正确的选择，因为：
A) 它们能够很好地处理大量数据，而这正是这一独特挑战所提出的，并且
B）它们能够找到模式，能够很好地从趋势中学习，因此你无需进行大量的特征处理。
为什么会有人使用Tenjin预测，而不是自己做自己的事？我们会详细讨论这个问题，但从神经网络的角度来看，我们希望这个模型能够从所有应用程序和所有组织的数据中学习，并找到模式。因此，即使你的活动是新的，比方说，过去没有任何数据，我们的模型也会从类似的应用程序和类似的组织中学习，为你的活动做出准确的预测。
罗马人 是的，这就是我的问题。让我们来看看混合应用程序面临的一些挑战。其实你已经提到过了，对吧？
贾斯 是啊，我做到了。是啊 - Yeah.
罗马人 呃，很多信号，我们使用印象，广告印象。嗯，我们提供......也许我们可以谈谈队列。预测结果在第零天就能得到，对吗？
贾斯 是的，让我换个说法。我们的模型使用零日队列进行学习，不管有什么数据，只要使用零日队列，它就会对未来直到第 30 天的所有队列进行预测。我们现在的重点是第 30 天。我们将添加，嗯--我们正在添加对更长队列的支持，直到第 365 天。
但这正是我们现在正在做的事情：它将利用你的零天数据，从中学习模式，并对第 30 天之前的队列进行预测。
罗马人 我想，如果我们谈论的是显示广告的应用程序，那么我们显示的最重要的信息之一就是广告印象，对吗？
贾斯 是的。因为这是一个活动，使用案例是用户获取和活动优化。我们正在使用非常细化的广告印象作为其中一项功能。我们使用的功能很多，大约有上百种，这是其中之一。
罗马人 是啊 - 是啊 - Yeah.Yeah. - Yeah.Yeah. - Yeah.这只是为了回答我内部提出的一个问题。我们如何确保早期预测，（因为从超级休闲的日子里，我知道这是需要了解的超级重要因素之一）活动的早期表现如何。就像你既需要早期预测，也需要后期预测一样，这就是我们这样做的原因和方法。
下一个挑战（在第一张幻灯片的例子中提到过）。我们有两个营销活动，在某些时候，营销活动 A 实际上比营销活动 B 更好，这可能要归功于购买。没错。因此，我们每两小时更新一次预测。你能解释一下这意味着什么吗？
贾斯 是的。因此，我们使用了您的大量数据，比如数百项功能：广告印象的分布、根据您对广告活动（如出价等）所做的更改，您的广告活动表现如何。还有其他发生在整个用户体验策略之外的真实情况。
因此，所有数据都会进入模型，然后模型会根据这些数据做出新的预测。尤其是当你的队列还不成熟的时候，对吧？一旦你的队列成熟了，模型就已经掌握了很多数据，并做出了非常好和准确的预测。但是，尤其是当你做出任何改变时，你知道，你的营销活动会发生任何改变。这就是我们快速做出预测的原因，以考虑到现实世界中发生的所有变化或正在发生的分布变化，然后为您提供反映现实世界的全新预测。
罗马人 前两个小时也是这样吗？我开始看到活动的数据。这是否意味着，在我看到数据后的下两个小时，我就应该得到一些 LTV 预测，或者我需要等待更长的时间？
贾斯 罗曼，我的理解是，我们需要一个成熟的数据，比如第零天的数据，然后我们就能预测第 1 天到第 30 天的数据。比方说，你在第一天就回来了，对吗？那么在第 1 天和第 30 天，很明显你的同类还没有成熟。
我们将未成熟队列也作为特征之一，并将这些数据添加到模型中，然后模型会根据这些数据进行预测。对吗？因此，每隔两个小时，你的队列也会逐渐成熟，模型会考虑到这一点，并给出新的预测，比如从第一天到第三十天。这就是我们的基本工作。
罗马人 超级难题。我提到的第三个挑战是，已经有产品可以对 IIA 或 IIP 进行预测。
贾斯 嗯。我们决定用一个指标对两者进行预测，并在仪表板中提供。
罗马人 也许贾斯，你可以带我们回顾一下当时做出这个决定时的一些想法......我们为什么要这么做？
贾斯 是啊。因此，对于产品管理开发而言，我们想解决这个问题的方法是，让我们快速构建一个 Alpha。让我们的一些客户来推动反馈，然后有机地发展产品。
在此过程中，我们收到了很多早期反馈。这些早期反馈对于开发出一款专门针对 LTV 预测的好产品非常关键。我们希望能快速开发出解决混合型用例的产品，因此我们选择了这一指标。
因此，我们的现有客户都知道我们有 LTV，这是一个综合的 LTV 指标，是在您的队列成熟后可用的实际 LTV。它也适用于不成熟的队列数据。
我们知道混合应用程序经常使用这一指标。因此，我们希望提供一个类似的指标，将应用内广告和 IAP 结合起来。
具体到Tenjin公司，我们的报告数据和基础架构已经具备了历史或实际 LTV 数据。我们最终对该指标进行了预测。将该指标视为机器学习术语中的 Y 轴，然后利用所有历史趋势，对其进行预测，这就是我们正在做的事情。
因此，A）这是从产品角度做出的决定，因为我们知道我们的客户在使用这个产品，这将对他们产生非常大的影响。然后，利用这一指标，我们现在可以提供衍生的预测指标，如 pROAS 和 pROI。但很明显，我们的基础设施、报告基础设施和数据基础设施的构建方式使得预测实际 LTV 要容易得多。
罗马人 找到了。现在是混合应用程序的最后一项挑战，即准确性。我们有惊人的准确率，平均准确率为 90%。
贾斯 是的。
罗马人 一直都是这样吗？我们必须在这方面下功夫吗？也许你有一些行业基准。
贾斯 是的。嗯，这是个很好的问题，我想说我们的平均值是，罗曼，你强调了平均值这个词，你知道，这是谈论模型准确性的正确方式，真的很好。嗯，实际上真的很好。90% 的准确度非常高，在这个行业中实属罕见。
情况并非总是如此。就像我说的，我在视频开头简单提到过，我们是如何进行产品开发的。我们从 Alpha 测试版开始生产。显然，Alpha 版的准确性没有那么好。
在 Alpha 启动之前，我们就进行了内部基准测试。我们的 GFS 有预测结果，我们对其进行了基准测试，然后我们又与其他机器学习模型进行了内部基准测试。然后，机器学习开发的方式是，你要研究不同的特征：看看哪个特征能给你带来很好的准确性，哪个特征会破坏你的准确性，做一些特征工程，真正了解你的数据，真正了解你的业务。
这是我们做事的一种非常有机的方式，对吗？比如好吧，客户如何做决定？比如与专家交谈。因此，我们在建立预测 LTV 的过程中做了大量工作，这就是为什么我认为我们获得的 90% 精确度是可能的。这是因为我们在其中加入了很多专家的见解，并从客户的角度来解决这个问题。
他们是如何做出决定的？我们很早就让他们参与进来，所以这是一个漫长的过程。要做到这一点并不容易。为了达到 90% 的精度，我们付出了巨大的努力。尽管如此，我还是想说，虽然我们模型的平均性能是 90%，但不同活动、不同应用和不同国家的准确性是不同的。
我想我忘了提到这一点，但我们的预测可以在应用程序、营销活动和国家层面进行。因此，你可以根据不同国家的营销活动、不同的营销活动、不同的渠道分配预算，对吗？比如，如果你的渠道 A 在这个国家的表现不佳，你就可以针对各种国家、渠道和营销活动做各种事情。
嗯，说到机器学习模型的准确性，不同的活动、不同的国家都会有所不同，对吗？90% 是平均值。到目前为止，我们的客户说他们已经看到了 90% 的准确率，这很不错，但我想补充一点，您的准确率可能取决于您所在的国家、您的营销活动和渠道，这也是我们考虑在未来添加置信区间的原因。因此，这将帮助您更自信地做出决策。
罗马人 好的对是的，我认为这是需要强调的重要一点。虽然这是一个很好的结果，但这只是一个平均值。呃，但这真的取决于很多因素。它仍然是一个预测。真酷我想这是最后一个挑战，现在的主要问题是如何开始。
它适用于所有付费计划。因此，现在我们开始提供随时取消功能。因此，您可以从我们这里开始，支付 200 美元并获得预测 LTV。如果你已经是Tenjin的客户，那么你已经可以使用它了。
只需点击仪表盘上的编辑指标，就能找到预测的 LTV 指标 (pLTV)、预测的 ROAS (pROAS) 和预测的 ROI (pROI)。因此，没有功能门，只需尝试一下，看看效果如何。如果您已经尝试过，请给我们留言。如果您有任何问题，也请给我们留言。
最后有什么想法吗，Jas？
贾斯 是的，我只想说，罗曼，谢谢你强调了这一点。使用Tenjin现在比以往任何时候都简单。您只需进入我们的仪表板。您只需订阅我们的 $200 计划，即可随时取消。嗯，如果你有兴趣，试试这个。嗯，是的。我们希望得到您的反馈，或其他任何东西。
罗马人 超级棒非常感谢，杰丝。如果你喜欢这个视频，请给我们一个赞。我们可以制作更多视频。这只是预测 LTV 的一个用例。还有更多。我们还可以进行演示。这里有很多内容值得探索。那么...
贾斯 是的我可以滔滔不绝地说上三四个小时我们可以谈技术上的东西我们可以谈谈我没提到的欺诈用例。如何设置。所以，是的，敬请期待更多内容。
罗马人 没错那好吧，非常感谢 Jas，感谢...
贾斯 非常感谢罗曼干杯，再见
