講講用戶的流失預警

一、什麼是用戶的流失預警

 

咱們都知道，對於一款相對發展已經較成熟以及市場相對飽和的產品而言，獲取一個新用戶的成本會遠遠高於留住一個老用戶，老用戶的流失意味着收益的減小。因此相信不少人都會去搭建一套流失用戶的召回體系，會先定義流失用戶，而後會用各種觸達方式，例如短信、push等去進行流失用戶召回。然而，不少狀況下這類召回工做的召回率並不理想。一方面，已經真正流失的用戶極可能已經卸載了app，關閉了推送信息，不能進行有效觸達，另外一方面用戶由於某種緣由放棄了app，在收到召回信息的時候極可能會無視及產生反感，召回的難度可能並不比獲取一個新用戶低。

 因此，當用戶已經離開，就已經很是難再讓他回來。因此咱們但願可以在一個用戶成爲流失用戶以前，就根據他的自身屬性及行爲等特徵識別出用戶的流失風險，及時採起措施進行用戶挽留，這就是用戶的流失預警。流失預警一能夠將用戶召回時間前置，二與流失召回相比，成本低、召回難度低，三能夠在app內進行召回促活，玩法形式更多元。

 

二、如何搭建用戶流失預警

2.1定義流失用戶

用戶流失其實指的是在一段時間內再也不使用產品的用戶，實際上不一樣產品對於用戶流失衡量的維度規則是不同，不會有一個通用的定義。定義流失一般是兩個維度組合而成，即行爲加週期，例若有的產品將一週不登陸定義爲流失，一些產品將半年未付費定義爲流失。 此外，定義流失還能夠結合用戶屬性來分層，例如對於不一樣性別用戶、不一樣級別用戶，基於不一樣的流失閾值設定。

用戶的行爲會很是多，咱們須要結合產品類型及此階段的總運營目標，找出能夠定義用戶的核心行爲。例如電商產品能夠用購買行爲來定義，用戶多久未購買算流失；內容型產品的消費者能夠用用戶瀏覽來定義，用戶多久沒有瀏覽算流失，創做者能夠用用戶發表來定義，即創做者多久未發表做品纔算流失。而週期則能夠用拐點理論結合業務特性來做爲週期界定的參考，最終用行爲+週期定義流失用戶。

2.2分析流失緣由

咱們爲何要分析用戶流失緣由？是由於在搭建完流失預警模型後，咱們須要知道不一樣用戶產生離開的念頭及行爲的緣由，針對性的進行用戶挽回。以及尋找用戶留存的關鍵行爲，進行用戶行爲引導。根據不一樣的流失用戶，作針對性流失緣由分析，方式主要有如下4類：

2.3流失預警模型搭建

       流失預警模型須要針對不一樣生命週期的用戶採起不一樣模型來進行預測，能夠將用戶分爲獲取期、提高期、成熟期、衰退期。分週期是爲了在後續將用戶生命階段歸入精細化運營的預警召回策略中。流失預警即提取用戶歷史數據，觀察必定窗口時間各相關數據狀況，而後根據上述的流失用戶定義評估用戶在表現窗口內流失的狀況，從而預測當前用戶在將來的流失機率。

      那麼哪些用戶數據能夠影響到用戶流失？能夠粗略的劃分爲三個維度，即用戶畫像數據、用戶行爲數據、用戶消費數據。此外，咱們還須要定義預測的時間窗口，即咱們應該分析多長時間段內的樣本數據呢？這就須要結合業務人員經驗以及歷史的用戶行爲數據，再綜合數據的可獲取性，最終確立一個合理時間預測窗口。

在觀察期內，咱們須要從歷史數據挖掘一批樣本用戶，並依據用戶畫像數據、用戶行爲數據、用戶消費數據這三個主維度，完善各層面評價指標，儘可能涵蓋全方位的字段數據，以方便後續建模中評價各指標與流失的相關性。獲取表現期窗口內的結果數據，能夠搭建最終的預測模型，獲取用戶的流失規則及各特徵指標的重要性排序。經常使用的預警算法包含決策樹、隨機森林、邏輯迴歸等。在預測期窗口，咱們將訓練的模型不停優化，剔除一些相關性低的特性。使得模型準確率、命中率、覆蓋率提高，接下來便可預測下個月的用戶流失機率，輸出流失用戶評分及名單。

 

三、分層運營、預警用戶召回

3.1用戶分層

       作好流失預警模型只是把可能有流失傾向的用戶圈出來了，而不採起針對性召回引導等於白作。此時，咱們已經擁有不一樣維度標籤的數據，即用戶生命週期*流失風險機率等級*流失緣由等。咱們將多維度進行分組交叉排列，能夠得到具備不一樣營銷場景意義的用戶，可據此創建一套良好的預警召回用戶分層機制。

 

3.2流失風險用戶促活、召回方式

1. 發送優惠券及優惠金額調整

2. 增長app內的用戶引導，場景化提醒文案等

3. 優化關聯推薦

4. 個性化push文案、短信等

5. 其餘針對特定流失緣由的優化方案

 

關於各種的精細化運營用戶促活及召回的手段，有很是多的文章在講，在此不詳細贅述。此外，在實際操做中，咱們須要注重用戶的促活、召回效果分析，分析用戶的挽回成本。再結合召回效果收益來分析總體的roi，結合ab實驗等手段來不斷優化roi。以上咱們闡述了用戶流失預警的一個大概搭建方法。歡迎關注個人微信公衆號，隨時交流數據分析方面問題。