前兩天我不是寫過一篇文章分享了 33 條創(chuàng)業(yè)反思么，起因是我朋友的一次創(chuàng)業(yè)失敗經(jīng)歷。
后臺有很多讀者留言說想了解下他的產(chǎn)品到底是怎么失敗的，為了滿足你們的好奇心，在征得他同意后，我寫了這篇文章。
文章比較長，但你耐心看完后一定會有所收獲。
我這個朋友的創(chuàng)業(yè)過程比較典型，跟著之前的公司上市實現(xiàn)財務自由，短暫退休后又出來繼續(xù)折騰創(chuàng)業(yè)。用了 2 年時間做了一款產(chǎn)品，燒光 1800 萬后開始反思產(chǎn)品失敗的原因。
具體的創(chuàng)業(yè)領域和產(chǎn)品名稱我就不說了，他也不希望我過多公開。
在跟他討論過程中，他提到自己產(chǎn)品失敗的核心原因就是「LTV ＜ CAC」。
很巧，前兩天我星球里有個同學也提到這個問題了。當時我還在星球里發(fā)了個帖子，說搞懂這個邏輯的 PM 可以往高階進發(fā)了。
說起 LTV 和 CAC，做產(chǎn)品的讀者應該不陌生。如果你還不知道，那我就簡單介紹下。
LTV 全稱 Life Time Value，即用戶終身價值，是指用戶在產(chǎn)品生命周期內(nèi)所貢獻的價值。
CAC 全稱 Customer Acquisition Cost，即用戶獲取成本，是指產(chǎn)品獲取一個用戶所花費的成本。
一個是用戶為產(chǎn)品貢獻的價值，一個是獲取用戶花費的成本。
顯然，理論上只有當 LTV ＞ CAC 的時候，產(chǎn)品的商業(yè)模式才成立，公司才能賺到錢。
下面是一個 LTV 和 CAC 構成的坐標系，其中有三個點 A、B、C，分別代表處于不同 LTV 和 CAC 值的三款產(chǎn)品。
在這三款產(chǎn)品中，B 的 LTV 值是大于 CAC 的，而 C 的 LTV 值是小于 CAC 的，A 的 LTV 和 CAC 持平。
也就是說，A 產(chǎn)品好死不如賴活著、B 產(chǎn)品有活下去的希望、C 產(chǎn)品必死無疑。
而我這個朋友所做的產(chǎn)品之所以失敗，就是他們在判斷當下以及長期發(fā)展后，得出了 LTV 會一直小于 CAC 的結論。
那么，LTV 和 CAC 到底是怎么計算的呢？
先說 LTV 是怎么算出來的，這里需要引入第一個公式：LTV =LT * ARPU。
有一個關鍵點需要理解，LTV通常來說并不是精確值，而是一個預估值。
因為很多產(chǎn)品不可能等到用戶走完整個生命周期再來計算 LTV，有的產(chǎn)品可能上線一個月或半年就開始計算 LTV。
所以，LTV 是有時間刻度的，比如月度或年度。
這個公式里的 LT 是用戶的平均生命周期，用單個用戶的平均生命周期乘以單個用戶的收入，即 ARPU（Average Revenue Per User），就得到了一個時間刻度內(nèi)的用戶生命周期價值。
簡單說，LTV（用戶終身價值）就是用戶在產(chǎn)品里的平均活躍天數(shù)乘以這段時間內(nèi)為產(chǎn)品貢獻的價值。
接下來，我們分別計算 LT 和 ARPU。
LT 表示的是用戶平均生命周期，因此我們可以按照一定周期內(nèi)的用戶留存率來做推算。
假設月初新增了一批用戶數(shù) M，第二天留存下來的用戶數(shù)是 M1，以此類推，第 n 天留下來的用戶數(shù)是 Mn。
要得出 n 天內(nèi)用戶的平均生命周期（LT），就可以用 n 天的留存人數(shù)之和除以第一天進入產(chǎn)品的總人數(shù) M。
比如第一天來了 100 個用戶，第二天留下來 40 個，第二天的留存率就是 40%。第三天還剩下 30 個，第三天的留存率就是 30%。則 LT=（100+40+30）/100 =1.7天
按照這個邏輯，我們可以得出第二個公式。
如果用 R(n) 表示第 n 天的留存，我們就可以計算出一個時間范圍內(nèi)的用戶平均生命周期 LT 了。
接下來會遇到一個問題，如果產(chǎn)品上線時間還很短，如何預估出長期的用戶生命周期價值呢？
其實這里我們可以借助一些數(shù)學工具和統(tǒng)計工具的方法，用一些樣本數(shù)據(jù)來估計出一個結論。
我問我朋友要來了他們產(chǎn)品某個時間段的月留存數(shù)據(jù)情況，分別是前 7 日留存和 14 日以及 30 日留存，然后列了個表。
他們沒有每天的留存數(shù)據(jù)，只有這種常規(guī)統(tǒng)計周期的數(shù)據(jù)。
從這個數(shù)據(jù)中可以看到，發(fā)布第一天的留存率是 51.88%，到了第 30 天的留存率就只有 5.23% 了。
以留存天數(shù)和留存率為坐標軸，把這些數(shù)據(jù)點標記在二維坐標軸里，可以得到散點圖。
利用 Excel 的趨勢線輔助功能尋找和這些數(shù)據(jù)點匹配的曲線，其中可選的有指數(shù)函數(shù)、線性函數(shù)、對數(shù)函數(shù)和乘冪函數(shù)等。
勾選不同的數(shù)學函數(shù)，找到和這些數(shù)據(jù)點匹配度最高最平滑的那個，就可以推測出這些數(shù)據(jù)點適合用什么樣的函數(shù)來表達。
這里我選擇了對數(shù)函數(shù)，因為它的曲線和數(shù)據(jù)點的重合度是最高的。
下方還可以勾選顯示公式和R2，公式就是符合這些數(shù)據(jù)點形成的函數(shù)公式，R2代表了擬合度。
簡單來說，我們可以把擬合度理解成預估和現(xiàn)實間的偏差情況。R2 的值越接近 1，說明擬合度越高，這樣算出來的結果更準確。
通過這種方式，進而可以得出一個方程和 R2 的值。
這個過程其實類似用人工的方式模擬數(shù)學建模的過程，目的是通過散點數(shù)據(jù)推測出一個數(shù)學模型來預估未來情況。
從結果看，我們得到一個「y = -0.159ln(x) + 0.5445」的對數(shù)方程。
其中，x 代表了具體的天數(shù)，而 y 代表了留存，也就是我們前面提到的 R(n)。
R2 的值是 0.9338，接近 1，說明擬合度很高。
有了這個方程，我們就可以代入 x 的值計算出每天的具體留存情況了。
注意，這里代入值后算出來的是預估留存。因為缺乏每天的數(shù)據(jù)，這個計算值僅可作為參考值。
如果要計算一個月內(nèi)新用戶的平均生命周期，我們可以用上面這個公式算出 x 取值 1 到 30 的結果，然后加和就可以。
通過這個方法，將得出來的 y 值加和結果大概是 4.46。
還記得前面提到的那個公式嗎？
4.46 是 R(1)+R(2)+...+R(30) 的結果，如果要算出單月的 LT，就還需要加上個 1。
到這，我們就根據(jù)幾個數(shù)據(jù)點預測推算出了這款產(chǎn)品的單月用戶平均生命周期是 5.46 天。
也就是說，在一個月時間內(nèi)，一個新用戶從進入產(chǎn)品到離開，平均停留時間就是 5.46 天。
上面計算出來的 y 的累加值，實際上就是完善從 1 到 30 的每一天數(shù)據(jù)所得出來曲線的黃色區(qū)域面積之和。
通過這種方式，我們是利用已知的幾個數(shù)據(jù)通過數(shù)學建模的方式推測出預估模型，從而得出一個預估數(shù)據(jù)結果。
還是那句話，這不是精確數(shù)據(jù)，而是一個預估數(shù)據(jù)，可能存在偏差。
好，LT 的值終于是推算出來了。接下來要得出 LTV，還需要知道 ARPU 的值。
關于 ARPU，這里就需要引入第三個公式。
因為前面獲取的是月度留存數(shù)據(jù)，這里的 ARPU 也按照月為單位的時間刻度來計算，這樣得出的結果就是以月度為單位的 LTV。
因為總收入和 MAU（月活躍用戶）數(shù)據(jù)不方便公開，我就直接說結果吧。
按照上面提到的月留存數(shù)據(jù)范疇內(nèi)，他們產(chǎn)品的月度 ARPU 值是 17.5 元/月。
也就是說，在這個月的時間范疇內(nèi)，活躍用戶貢獻的平均價值是 17.5 元。這是每月的，如果一個月按 30 天算，平均到每天就是 17.5 / 30 =0.58 元/天。
這個價值并不一定是指用戶支付了多少錢，可能是由用戶為產(chǎn)品創(chuàng)造的額外收益，比如廣告。
LT 的值是 5.46 天，ARPU 的值是 0.58 元/天，因此可以算出來以月為單位的LTV = 5.46 * 0.58 = 3.19 元。
LTV 算出來了，那 CAC 怎么算呢？
這里，我們需要引入第四個公式。
CAC 也有時間刻度，通常是指某一個時期內(nèi)投放的市場獲客總花費除以同時期新增的用戶。
可能會因為渠道的不同、時期的不同、策略的不同，所得到的 CAC 結果也不同。
同樣，我這里直接給他們產(chǎn)品的數(shù)據(jù)結果，他們產(chǎn)品的平均 CAC 是 13.7 元。
LTV 是 3.19 元，CAC 是 13.7 元，這顯然是一個入不敷出的生意。
如果繼續(xù)這么下去，且沒有新的用戶貢獻價值渠道，那產(chǎn)品就會被用戶獲取成本所拖死。
這個特點，比較符合下圖中 C 點的情況。
那么，LTV 和 CAC 在一個什么樣的比例區(qū)間比較合理呢？
關于這個知識點我之前不是很了解，在查了一些資料后發(fā)現(xiàn)，行業(yè)內(nèi)有一個通用衡量指標，認為 LTV / CAC ＞ 3 是一個比較合理的范圍。
如果這個比值大于 1 且小于 3，說明產(chǎn)品付費轉化不行。
如果大于 3 很多，說明產(chǎn)品很賺錢，但在市場推廣上還太保守，需要更激進一點。
如果小于 1，那這樣的產(chǎn)品模式就沒啥意義，遲早會掛掉。
按照這個區(qū)間在坐標軸上用虛線劃分出三個不同的區(qū)域，我們就得到了這么一幅圖。
通過這個圖，可以結合產(chǎn)品的 LTV / CAC 比值來制定相應的產(chǎn)品策略。
此外，對于競品之間的 LTV / CAC 比值，如果產(chǎn)品的比值小于其他競品，那也是危險的，可能會在競爭過程中被競爭對手打壓。
所以，達到或者大于 3 的產(chǎn)品，通常會比較被市場和投資機構看好。
以上講的是一個得出 LTV 和 CAC 的思路，尤其是關于 LTV 的計算，其實會因為一些不可控變量造成一定的誤差。
通常來說，時間跨度越大，LTV 的誤差越小。同時，全樣本統(tǒng)計的結果比少量或部分樣本統(tǒng)計的結果更準確。
所以，這個計算過程和結果作為一種參考而非一個結論去看待，作為產(chǎn)品決策的其中一個參考依據(jù)即可。
這種方法，對于產(chǎn)品經(jīng)理衡量自己的工作成果和產(chǎn)品表現(xiàn)比較有用，但要注意數(shù)據(jù)的準確性和參考價值。
上面用到的這 4 個公式，你可以記下來，后續(xù)對未來做產(chǎn)品和分析能有幫助。
除此之外，還有一個計算公式也能計算月活躍用戶的平均天數(shù)，即「月活躍天數(shù)」。
具體是指，在一個月時間內(nèi)，產(chǎn)品活躍用戶的平均活躍天數(shù)。月活躍天數(shù) = 當月每天日活用戶總和 / 月活用戶。
當然，這也是一個參考值。
這種算法能彌補前面那種算法的一個不足，前面那種算法計算的是處于用戶平均生命周期范圍內(nèi)的用戶所貢獻的 LTV，但忽略了已經(jīng)不活躍用戶所貢獻的價值。
而按照月活躍天數(shù)去計算，就能包括所有對產(chǎn)品有過貢獻的用戶，數(shù)據(jù)會更準確全面一些。
在統(tǒng)計產(chǎn)品結果和用戶數(shù)據(jù)時，會存在一些干擾因素，比如運營推廣或者產(chǎn)品活動，都會對數(shù)據(jù)結果造成一定的影響偏差。
還是那句話，產(chǎn)品中的一些數(shù)據(jù)結論主要是用來為產(chǎn)品決策提供參考依據(jù)，而不是以結論來定結果。
最終的判斷，還是取決于產(chǎn)品經(jīng)理結合數(shù)據(jù)去思考和衡量決策價值。
回到我朋友的創(chuàng)業(yè)項目上。
其實他們的產(chǎn)品面對的目標用戶是有需求的，產(chǎn)品也能夠滿足，但用戶 LTV 太低且 CAC 太高，這是拖死他們的關鍵原因。
雖然看似邏輯成立的產(chǎn)品，也抵不過商業(yè)模式的不成立。
用戶價值的成立，是以商業(yè)價值成立為前提的。
本文來自微信公眾號 “唐韌”（ID：RyanTang007），作者：唐韌，36氪經(jīng)授權發(fā)布。
