广告投放 × 客户价值预测：小白也能懂的硬核算账指南
🧮 广告投放 × 客户价值预测
小白也能懂的硬核算账指南
用开奶茶店的思路，搞懂 BG/NBD、Gamma-Gamma、LTV
中文大白话 + 生动比喻 + 实战公式
想象一下：你开了一家奶茶店，每天有人路过（曝光），有人进门看菜单（点击），有人下单买了一杯（转化）。你花钱做广告拉客人，但问题来了——
这个客人以后还会来吗？他总共能给你贡献多少钱？你花的广告费值不值？
"The goal is not to get customers, but to keep them profitably."
「目标不是获取客户，而是让客户持续为你盈利。」
今天这篇文章，就用开奶茶店的思路，帮你彻底搞懂：广告投放怎么算账、数学模型怎么预测客户价值、以及最核心的——LTV 必须大于 CAC 这条铁律。
✦ ✦ ✦
一 广告投放基础：花钱买客户的全流程
先搞清楚广告投放的基本概念，这是算账的前提。我用奶茶店来打比方：
👀 广告曝光（Impression）
🍵 奶茶店比喻
就像你在街上发传单，发出去一张算一次曝光，不管人家看不看、接不接。路人只是瞟了一眼你的传单，这就算曝光了。
📊 专业解释
CPM（Cost Per Mille）= 每千次曝光成本。比如你花 100 元，广告被展示了 10000 次，那 CPM = 100 ÷ 10 = 10 元/千次。
👆 广告点击（Click）
🍵 奶茶店比喻
有人接了传单，还扫了上面的二维码，这才算点击。谷歌、百度这些平台，就是按"有人真的扫码"来收你钱的。
"You only pay when someone actually clicks."
「只有当有人真的点击了，你才需要付钱。」
📊 专业解释
CPC（Cost Per Click）= 每次点击成本。比如你花 50 元，获得了 100 次点击，那 CPC = 50 ÷ 100 = 0.5 元/次。
🏠 落地页（Landing Page）
🍵 奶茶店比喻
扫码后打开的那个页面，相当于你的店铺门面。门面不好看、菜单不清楚，人家扭头就走，广告费白花！
❌ 常见踩坑
很多人广告投得很精准，但落地页做得稀烂——加载慢、信息乱、不知道怎么下单。结果？钱花了，客人跑了。
👤 用户 vs 客户
🍵 奶茶店比喻
✦ 用户（User）= 逛店的人，进来看看菜单、问问价格
✦ 客户（Customer）= 走到收银台准备掏钱的人
💰 获客成本（CAC）
📐 计算公式
CAC（Customer Acquisition Cost）= 获取一个新客户的成本
CAC = 总营销费用 ÷ 新客户数量
🍵 奶茶店比喻
花了 1000 块广告费，最后 100 人付款买了奶茶，那每个付费客户的获取成本就是 10 块。
✦ ✦ ✦
二 BG/NBD 模型：预测客户还会不会回来
广告投放解决的是"怎么花钱买客户"，但真正的问题是：这个客户值不值得你花钱？
这就需要用数学模型来预测了。PyMC 文档里提到的 BG/NBD 模型，就是干这个的。
🎯 BG/NBD 是啥？
🍵 奶茶店版解释
BG/NBD 模型就是看一个客户的购买记录——
✦ 买了几次（购买频率）
✦ 多久没来了（最近一次购买距今）
✦ 当客户多久了（从第一次购买到现在）
然后预测：他下次还来不来？
"BG/NBD predicts whether a customer is still 'alive' or has churned."
「BG/NBD 预测一个客户是否还'活着'，还是已经流失了。」
🧠 核心思想：两枚硬币
🪙 想象每个客户手里有两枚硬币
1购买硬币（Buy Coin）：决定客户这个月买不买
2流失硬币（Die Coin）：决定客户这次买完后是否永远不来了
每次购买后，客户都会抛一次"流失硬币"。如果抛出"正面"，客户就永久流失了；如果是"反面"，客户还会继续抛"购买硬币"决定下次买不买。
📊 模型需要的数据（RFM）
RRecency · 最近一次购买距今多久
FFrequency · 总共购买了几次（不含第一次）
TT · 从第一次购买到现在的时间
MMonetary · 平均每次花多少钱
🍵 奶茶店举例
小明是你的老顾客：
✦ 3 个月前第一次来买奶茶
✦ 总共来了 5 次
✦ 最近一次是 2 周前
模型会告诉你：小明有 85% 的概率下个月还会来！
⚠️ 另一个场景
小红也是老顾客：
✦ 1 年前第一次来
✦ 只来了 2 次
✦ 最近一次是 10 个月前
模型会告诉你：小红大概率已经流失了！
✦ ✦ ✦
三 Gamma-Gamma 模型：预测客户每次花多少钱
BG/NBD 告诉你"客户还会不会来"，但没说"客户来了会花多少钱"。
Gamma-Gamma 模型就是补上这一块的。
🎯 Gamma-Gamma 是啥？
🍵 奶茶店版解释
Gamma-Gamma 模型预测：这个客户每次来，平均会花多少钱？
有的客户每次买一杯 15 块的普通奶茶，有的客户每次点 50 块的超大杯加料套餐——这就是差异。
"Gamma-Gamma estimates the expected monetary value of a customer's transactions."
「Gamma-Gamma 估算客户每次交易的预期金额。」
🧮 两个模型怎么配合？
🔗 组合公式
CLV = 预测购买次数 × 预测每次消费金额
其中：
✦ 预测购买次数 ← BG/NBD 模型
✦ 预测每次消费金额 ← Gamma-Gamma 模型
🍵 奶茶店完整例子
回到小明：
✦ BG/NBD 预测：未来 6 个月小明会来 4 次
✦ Gamma-Gamma 预测：小明每次平均消费 25 元
所以小明未来 6 个月的客户价值 = 4 × 25 = 100 元
⚠️ 重要前提：Gamma-Gamma 模型有个假设——购买频率和消费金额之间没有相关性。也就是说，买得多的人不一定每次买得贵。如果你的数据不满足这个假设，模型效果会打折扣。
✦ ✦ ✦
四 LTV：客户终身价值
🎯 LTV 是啥？
🍵 奶茶店版解释
LTV（Life Time Value）= 一个客户从认识你到最后离开，总共在你这花多少钱。
"LTV is the total revenue you can expect from a single customer account."
「LTV 是你能从单个客户那里预期获得的总收入。」
🏋️ 健身房的例子
健身房的会员卡是最经典的 LTV 案例：
客户 A · 办卡一个月就跑了 → LTV = 300 元
客户 B · 连续续费 3 年 → LTV = 10,800 元
同样花 500 块获客成本，客户 A 让你亏 200，客户 B 让你赚 10,300。这就是 LTV 的威力。
📐 LTV 的计算方式
📋 几种常见公式
简版LTV = ARPU × 客户生命周期
进阶LTV = ARPU ÷ 流失率
模型版LTV = BG/NBD预测次数 × Gamma-Gamma预测金额
💡 ARPU 是啥？
ARPU（Average Revenue Per User）= 平均每用户收入
比如你有 100 个用户，这个月总收入 5000 元，那 ARPU = 5000 ÷ 100 = 50 元/用户
✦ ✦ ✦
五 算账核心：LTV > CAC
这是做生意的铁律，记住了！
❌ 最傻的生意
花 11 块钱获取一个客户，这个客户一辈子只给你赚 10 块钱。
这叫「倒贴式增长」，做得越大亏得越多。
✅ 健康的生意
花 10 块钱获取一个客户，这个客户一辈子给你赚 50 块钱。
这叫「印钞机模式」，可以放心砸钱扩张。
📊 行业标准
🎯 SaaS 行业的黄金法则
✦ LTV : CAC ≥ 3:1（客户价值至少是获客成本的 3 倍）
✦ 回本周期 ≤ 12 个月（一年内收回获客成本）
"If your LTV/CAC ratio is less than 3, you're probably losing money."
「如果你的 LTV/CAC 比率低于 3，你很可能在亏钱。」
🧮 完整算账公式
// 广告投放的成本收益计算
ROI = (LTV - CAC) / CAC × 100%
// ROI > 0 才是赚钱的
🍵 奶茶店实战
假设：
✦ 获客成本 CAC = 10 元（广告费 ÷ 新客户数）
✦ 客户终身价值 LTV = 50 元（预测他会来 5 次，每次花 10 元）
那么：ROI = (50-10) / 10 × 100% = 400% 🎉
✦ ✦ ✦
六 总结：一张图搞懂全流程
📊 广告投放 → 客户价值预测 → 算账
曝光 CPM → 点击 CPC → 转化 CPA → 付费客户
获客成本 CAC = 广告费 ÷ 新客户数
客户价值 LTV = BG/NBD（来几次） × Gamma-Gamma（花多少）
算账核心：LTV > 3 × CAC 才是好生意！
📖 术语速查表
CPM · 每千次曝光成本 · 发传单的成本
CPC · 每次点击成本 · 扫码的成本
CPA · 每次转化成本 · 下单的成本
CAC · 获客成本 · 拉一个新客户花多少钱
LTV · 客户终身价值 · 一个客户总共给你赚多少
BG/NBD · 预测客户还会不会回来
Gamma-Gamma · 预测客户每次花多少钱
ARPU · 平均每用户收入
ROI · 投资回报率 · 赚的钱 ÷ 花的钱
✦ ✦ ✦
🎯 80/20/30 定律
企业 80% 的收益是由价值最高的 20% 客户创造的
而价值最低的 30% 客户不仅不创造价值，还会消耗企业 50% 利润
🤔 思考题
你的业务里，LTV 和 CAC 的比例是多少？
欢迎留言讨论！
⚠️ 免责声明：本文所有信息均来自公开互联网资源，仅供参考和学习使用。具体业务决策请结合实际情况，必要时咨询专业人士。
📚 参考来源：
1. PyMC 官方文档 - 客户生命周期价值模型
2. Lifetimes Python 库 - BG/NBD 与 Gamma-Gamma 模型
3. Google Ads 官方帮助文档 - CPC 计费说明
4. 帆软数据分析 - 用户生命周期管理
5. CSDN 技术社区 - CLV 模型推导与实现
参考原文信息列表：
1. https://www.pymc.io/projects/examples/en/latest/case_studies/clv.html
2. https://github.com/CamDavidsonPilon/lifetimes
3. https://support.google.com/google-ads/answer/14074
4. https://www.fanruan.com/bw/ywxj
5. https://blog.csdn.net/thorn_r/article/details/138752194
6. https://blog.csdn.net/maiyida123/article/details/119832582
7. https://www.biaodianfu.com/lifetimes.html
8. https://zhuanlan.zhihu.com/p/146391463
9. https://www.zhihu.com/question/20416888
10. https://www.52by.com/article/28793
✨
— END —