本文介紹了使用者生命週期分析在實際業務中常見的誤區和挑戰，探討了活躍與付費分離、場景化消費、新用戶行為對傳統生命週期理論的影響，並提出了新的行銷理念。

在做數據分析的時候，使用者生命週期分析，是個很典型的“理論一聽就懂，數據一做就廢”的東西。很多同學很困擾：“到底生命週期該怎麼算？為啥我算的套到業務上不成立！”今天我們系統解答一下。

01 書本上的生命週期

在各路書本、文章中，大家都看到過這張圖

要注意的是，這個圖講的是理論上的使用者生命週期。它假設了使用者留存與用戶價值之間存在倒 U 型關係。

因此推匯出以下理論結果：

用戶必須得維護好

要搭建成長路徑

要計算全生命周期價值

不要只計較眼前利益

前期重體驗，後期分等級

但這個假設前提，在具體的業務場景中很可能不成立，特別是數據上不會呈現完美曲線。因此會搞得很多做具體業務分析的同學經常踩坑，很鬱悶。

01 差異 1：活躍與付費分離

對線下實體店而言，使用者到店即付費，先消費後體驗服務。但在互聯網產品里，付費與活躍脫節的現象很常見。或者有的產品乾脆允許使用者只活躍，不付費，通過額外的權益和道具收費。比如遊戲、在線音樂、視頻、社區等等皆是如此。

總之，當用戶活躍與付費脫節的時候，使用者生命週期曲線變會發生變化：用戶價值不再隨留存時間變化，而是獨立開，呈現出類似矩陣模型的樣式（如下圖）

這時候要特別注意各類型使用者比例，特別是白嫖使用者的比例。在各類型互聯網產品里，白嫖使用者都有相當比例。如果不加區分，一概而論，則會造成一種虛假繁榮的假像。最終結果會導致產品叫好不叫座，商業化過程極其艱難。

02 差異 2：場景化消費

即使是消費與活躍行為緊密捆綁，也會出現問題。最常見的就是場景化消費，比如：

出行：

今天下好大的雨，打個滴滴

今天下雨，但是是小雨，跑去地鐵站

今天天晴，當然坐地鐵啦

這就是典型的外因驅動。

電商：

今天有大促銷，看看買點啥

今天有新產品上市，看看哪家便宜

女友快過生日了，看看送點啥

這是典型的內因驅動。

注意，無論是內因還是外因，在現實生活中都是很正常，很合情合理的場景。可這些場景會共同導致一個結果：使用者留存時間與用戶價值不是倒 U 型，而是隨機的，甚至難以捉摸規律（如下圖）。

這導致使用者生命週期曲線很難繪製，使用者留存久了也不代表有價值，使用者生命週期價值也難以估算。特別是大促銷、爆款上市這種場景。最後用戶還是看哪家便宜買哪個，跟之前的留存時間一點關係都沒有。

這時候強行繪製使用者生命週期，用平均值代替每個用戶的真實情況。結果就是模糊了運營、行銷、商品的作用，會造成一種虛假繁榮的假像。讓大家以為：只要使用者呆得久就早晚給錢了。結果發現使用者生命週期價值的平均值越來越低。

03 差異 3：淺嘗輒止的新人

拉新，是所有互聯網業務的核心，也是經常出幺蛾子的地方，拉來的新人完全不消費，或者過了很久才詐屍來消費一筆，都是很常見的事。這種淺嘗輒止的新人比例一高起來，就會導致對拉新行動評估不準。

如果用平均值的話，會把這些實際上是 0 的人平均掉，又是在製造虛假繁榮。如果剔除出去，只統計有消費的人，顯然又會高估渠道價值。並且，由於詐屍使用者存在，導致週期長度難以統計（如下圖）。

這種統計難，常常被營業單位拿來當甩鍋藉口。特別是當淺嘗新人 + 場景化消費同時出現的時候，負責拉新的市場部、增長團隊、行銷部就喜歡扯：“得評估使用者生命周期價值，不能只看眼前”“雖然用戶現在沒消費，但是 300 年內說不定就消費一大筆呀，所以不能說我做得差，是你統計得不準。”

處理這個問題也簡單：只有交易週期很長的，才統計生命周期價值。類似 B2B 跟單，房、車等大額 B2C 交易，否則不去統計什麼生命周期價值。類似打車、日用品、生鮮這些高頻交易，拉來的使用者一個月不消費就是拉新失敗，扯啥生命週期。你們拉的使用者都是闢谷修長生的嗎？！一個月都不吃一頓？！真是的。

04 數據背後的深層次問題

這些數據問題背後，隱藏了一個更深層次的問題：使用者對一個產品的全生命週期需求，到底是誰的。