LTV 曲线拟合与分层精算
基于 AE 实时数据拟合用户 LTV 曲线（指数衰减模型）和分层 LTV（RFM/付费层级/VIP 分群）。从"粗估 LTV"升级为"曲线拟合 + 分层精算"。
付费分析游戏电商旗舰能力LTV 曲线拟合与分层精算 Skill 是 ThinkingAI 行业 Skill 库中的一项用户生命周期价值预测能力，帮助运营与数据团队基于 AE 实时数据执行两种 LTV 预测方法——B2 队列 LTV 曲线拟合（指数衰减模型 LTV(n)=LTV_base+(LTV_inf-LTV_base)(1-e^(-kn)))和 B3 分层 LTV（RFM / 付费层级 / VIP 分群），从"粗估 LTV 约为多少"升级为"曲线参数 + 分层精算 + 预测图表"的量化模式。这正是 ThinkingAI「10 年行业经验沉淀为开箱即用 Skill」的体现。
行业痛点
LTV 是付费分析的核心指标，但超过 70% 的团队对 LTV 的理解停留在"大致估一下"——不知道 LTV 曲线的收敛速度（k 值）、不知道 LTV 的极限值（LTV_inf）、不知道不同付费层级的 LTV 差异可达 10 倍以上，凭经验粗估的 LTV 偏差平均达 40%。更关键的问题是分层缺失——所有用户的平均 LTV 无法指导精准运营，"重要保持客户"的 LTV 可能是"一般发展客户"的 5 倍，但不分层就看不到这个差异。队列 LTV 曲线拟合更是一片空白——多数团队只看 D7/D30 LTV 的固定值，不知道 LTV 随天数增长的曲线形态和半衰期参数，无法预测 D60/D90/D180 的 LTV 衰减趋势。
核心价值
- 三门控前置检查：数据映射（确认付费事件/属性名称）→ LTV 报表复用检查 → Python 环境检查，不猜测不跳步
- B2 曲线拟合：scipy curve_fit 拟合指数衰减模型，输出 LTV_inf、k、R²、半衰期、稳态天数等完整参数
- B3 分层精算：按 RFM / 付费层级 / VIP 等维度分层计算 LTV，输出每层用户数、平均 LTV、收入占比
- 预测输出完整：参数表 + D60/D90/D180/D365 预测值 + 分层对比表 + 可操作建议
- AE 数据驱动：所有数据通过 ae-cli 三路径优先级采集，不手动输入不猜测事件名
适用场景
需要预测用户 D60/D90/D180 的 LTV 衰减趋势
需要计算 LTV 曲线的极限值、收敛速度和半衰期
需要按 RFM 分层看不同用户群体的 LTV 差异
需要按付费层级/VIP 等级对比 LTV 和收入贡献
需要用 LTV 数据指导买量决策（CPI < LTV 才值得投放）
需要确认项目中的付费事件和金额属性名称
实战案例
常见疑问
B2 和 B3 有什么区别？
B2 是队列 LTV 曲线拟合——看所有用户的 LTV 随天数增长的整体趋势和极限值；B3 是分层 LTV——看不同用户群体（RFM/付费层级/VIP）的 LTV 差异。两者互补，B2 看宏观趋势，B3 看微观差异。
LTV_inf 是什么？
LTV_inf 是 LTV 曲线的极限值——理论上用户永远不会流失时的 LTV。实际中它代表 LTV 曲线收敛后的稳态值，是"这个队列的用户最终能贡献多少"的基准。
和流水预测 Skill 有什么区别？
LTV 曲线拟合与分层精算侧重"单用户生命周期价值"（微观用户评估），流水预测侧重"总收入趋势与目标路径"（宏观运营规划）。先用 LTV 曲线拟合与分层精算预测单用户价值，再用流水预测规划整体路径。
相关 Skills 推荐
用「LTV 曲线拟合与分层精算」武装你的 Agent
预约演示，看看它如何在你的业务场景中落地
