知识卡片
LTV计算方法的五级演进
内容
LTV计算方法沿”假设越少、数据利用越充分”演进：简单算术公式（收入/流失率）→线性回归（可引变量但难刻画非线性）→统计学模型（如BG/NBD，参数可解释、小数据也能用）→机器学习模型（精度更高但可解释性下降）→神经网络（适应性最强但几乎不可解释）。选哪一级本质是可解释性与精度间的取舍，与[[黑盒模型与白盒模型的取舍]]同源。
参考来源
- 位置：《数据科学工程实践》第3章《洞察用户长期价值：基于神经网络的LTV建模》"3.1.5 LTV的计算方法"一节（源文件：_epub-src/OEBPS/Text/part0018.xhtml）
- 结论依据：原文依次介绍简单算术公式（"假设用户中各类人群的比例不变……LTV=R/cr"）、线性回归（"很难用一些简单的线性关系进行概括"）、统计学模型（BG/NBD假设）、机器学习模型（"参数比简单的商业公式或统计模型要多得多……可解释性会相应下降"）、神经网络模型（"可解释性较差，且需要大量数据进行训练"），呈现从假设多到假设少、数据利用越来越充分的演进路径。
- 原始内容：假设用户中各类人群的比例不变……LTV = R/cr……线性回归方法也有缺点，就是LTV本身很复杂，很难用一些简单的线性关系进行概括……机器学习模型具有丰富的参数……由于引入了过多参数，其可解释性会相应下降……神经网络……缺点在于可解释性较差，且需要大量数据进行训练。