在一個(gè)用戶(hù)成為流失用戶(hù)之前，就根據(jù)他的自身屬性及行為等特征識(shí)別出用戶(hù)的流失風(fēng)險(xiǎn)，及時(shí)采取措施進(jìn)行用戶(hù)挽留，這就是用戶(hù)的流失預(yù)警。搭建用戶(hù)流失預(yù)警主要分為三步：定義——分析——搭建，文章對(duì)此展開(kāi)了詳細(xì)的分析，與大家分享。

一、什么是用戶(hù)的流失預(yù)警？

我們都知道，對(duì)于一款相對(duì)發(fā)展已經(jīng)較成熟以及市場(chǎng)相對(duì)飽和的產(chǎn)品而言，獲取一個(gè)新用戶(hù)的成本會(huì)遠(yuǎn)遠(yuǎn)高于留住一個(gè)老用戶(hù)，老用戶(hù)的流失意味著收益的減少。所以相信很多人都會(huì)去搭建一套流失用戶(hù)的召回體系，會(huì)先定義流失用戶(hù)，然后會(huì)用各類(lèi)觸達(dá)方式，例如短信、push等去進(jìn)行流失用戶(hù)召回。

然而，很多情況下這類(lèi)召回工作的召回率并不理想。一方面，已經(jīng)真正流失的用戶(hù)很可能已經(jīng)卸載了app，關(guān)閉了推送信息，不能進(jìn)行有效觸達(dá)，另一方面用戶(hù)因?yàn)槟撤N原因放棄了app，在收到召回信息的時(shí)候很可能會(huì)無(wú)視及產(chǎn)生反感，召回的難度可能并不比獲取一個(gè)新用戶(hù)低。

所以，當(dāng)用戶(hù)已經(jīng)離開(kāi)，就已經(jīng)非常難再讓他回來(lái)。所以我們希望能夠在一個(gè)用戶(hù)成為流失用戶(hù)之前，就根據(jù)他的自身屬性及行為等特征識(shí)別出用戶(hù)的流失風(fēng)險(xiǎn)，及時(shí)采取措施進(jìn)行用戶(hù)挽留，這就是用戶(hù)的流失預(yù)警。流失預(yù)警一可以將用戶(hù)召回時(shí)間前置，二與流失召回相比，成本低、召回難度低，三可以在app內(nèi)進(jìn)行召回促活，玩法形式更多元。

二、如何搭建用戶(hù)流失預(yù)警？

1. 定義流失用戶(hù)

用戶(hù)流失其實(shí)指的是在一段時(shí)間內(nèi)不再使用產(chǎn)品的用戶(hù)，實(shí)際上不同產(chǎn)品對(duì)于用戶(hù)流失衡量的維度規(guī)則是不一樣，不會(huì)有一個(gè)通用的定義。定義流失通常是兩個(gè)維度組合而成，即行為加周期，例如有的產(chǎn)品將一周不登錄定義為流失，一些產(chǎn)品將半年未付費(fèi)定義為流失。

此外，定義流失還可以結(jié)合用戶(hù)屬性來(lái)分層，例如對(duì)于不同性別用戶(hù)、不同級(jí)別用戶(hù)，基于不同的流失閾值設(shè)定。

用戶(hù)的行為會(huì)非常多，我們需要結(jié)合產(chǎn)品類(lèi)型及此階段的總運(yùn)營(yíng)目標(biāo)，找出可以定義用戶(hù)的核心行為。例如電商產(chǎn)品可以用購(gòu)買(mǎi)行為來(lái)定義，用戶(hù)多久未購(gòu)買(mǎi)算流失；內(nèi)容型產(chǎn)品的消費(fèi)者可以用用戶(hù)瀏覽來(lái)定義，用戶(hù)多久沒(méi)有瀏覽算流失，創(chuàng)作者可以用用戶(hù)發(fā)表來(lái)定義，即創(chuàng)作者多久未發(fā)表作品才算流失。

而周期則可以用拐點(diǎn)理論結(jié)合業(yè)務(wù)特性來(lái)作為周期界定的參考，最終用行為+周期定義流失用戶(hù)。

2. 分析流失原因

我們?yōu)槭裁匆治鲇脩?hù)流失原因？是因?yàn)樵诖罱ㄍ炅魇ьA(yù)警模型后，我們需要知道不同用戶(hù)產(chǎn)生離開(kāi)的念頭及行為的原因，針對(duì)性的進(jìn)行用戶(hù)挽回。以及尋找用戶(hù)留存的關(guān)鍵行為，進(jìn)行用戶(hù)行為引導(dǎo)。

根據(jù)不同的流失用戶(hù)，做針對(duì)性流失原因分析，方式主要有以下4類(lèi)：

3. 流失預(yù)警模型搭建

流失預(yù)警模型需要針對(duì)不同生命周期的用戶(hù)采取不同模型來(lái)進(jìn)行預(yù)測(cè)，可以將用戶(hù)分為獲取期、提升期、成熟期、衰退期。分周期是為了在后續(xù)將用戶(hù)生命階段納入精細(xì)化運(yùn)營(yíng)的預(yù)警召回策略中。流失預(yù)警即提取用戶(hù)歷史數(shù)據(jù)，觀察一定窗口時(shí)間各相關(guān)數(shù)據(jù)情況，然后根據(jù)上述的流失用戶(hù)定義評(píng)估用戶(hù)在表現(xiàn)窗口內(nèi)流失的情況，從而預(yù)測(cè)當(dāng)前用戶(hù)在未來(lái)的流失概率。

那么哪些用戶(hù)數(shù)據(jù)可以影響到用戶(hù)流失？可以粗略的劃分為三個(gè)維度，即用戶(hù)畫(huà)像數(shù)據(jù)、用戶(hù)行為數(shù)據(jù)、用戶(hù)消費(fèi)數(shù)據(jù)。此外，我們還需要定義預(yù)測(cè)的時(shí)間窗口，即我們應(yīng)該分析多長(zhǎng)時(shí)間段內(nèi)的樣本數(shù)據(jù)呢？這就需要結(jié)合業(yè)務(wù)人員經(jīng)驗(yàn)以及歷史的用戶(hù)行為數(shù)據(jù)，再綜合數(shù)據(jù)的可獲取性，最終確立一個(gè)合理時(shí)間預(yù)測(cè)窗口。

在觀察期內(nèi)，我們需要從歷史數(shù)據(jù)挖掘一批樣本用戶(hù)，并依據(jù)用戶(hù)畫(huà)像數(shù)據(jù)、用戶(hù)行為數(shù)據(jù)、用戶(hù)消費(fèi)數(shù)據(jù)這三個(gè)主維度，完善各層面評(píng)價(jià)指標(biāo)，盡量涵蓋全方位的字段數(shù)據(jù)，以方便后續(xù)建模中評(píng)價(jià)各指標(biāo)與流失的相關(guān)性。

獲取表現(xiàn)期窗口內(nèi)的結(jié)果數(shù)據(jù)，可以搭建最終的預(yù)測(cè)模型，獲取用戶(hù)的流失規(guī)則及各特征指標(biāo)的重要性排序。常用的預(yù)警算法包含決策樹(shù)、隨機(jī)森林、邏輯回歸等。在預(yù)測(cè)期窗口，我們將訓(xùn)練的模型不停優(yōu)化，剔除一些相關(guān)性低的特性。使得模型準(zhǔn)確率、命中率、覆蓋率提升，接下來(lái)即可預(yù)測(cè)下個(gè)月的用戶(hù)流失概率，輸出流失用戶(hù)評(píng)分及名單。

三、分層運(yùn)營(yíng)、預(yù)警用戶(hù)召回

1. 用戶(hù)分層

做好流失預(yù)警模型只是把可能有流失傾向的用戶(hù)圈出來(lái)了，而不采取針對(duì)性召回引導(dǎo)等于白做。此時(shí)，我們已經(jīng)擁有不同維度標(biāo)簽的數(shù)據(jù)，即用戶(hù)生命周期*流失風(fēng)險(xiǎn)概率等級(jí)*流失原因等。我們將多維度進(jìn)行分組交叉排列，可以獲得具有不同營(yíng)銷(xiāo)場(chǎng)景意義的用戶(hù)，可據(jù)此建立一套良好的預(yù)警召回用戶(hù)分層機(jī)制。

2. 流失風(fēng)險(xiǎn)用戶(hù)促活、召回方式

1. 發(fā)送優(yōu)惠券及優(yōu)惠金額調(diào)整
2. 增加app內(nèi)的用戶(hù)引導(dǎo)，場(chǎng)景化提醒文案等
3. 優(yōu)化關(guān)聯(lián)推薦
4. 個(gè)性化push文案、短信等
5. 其他針對(duì)特定流失原因的優(yōu)化方案

關(guān)于各類(lèi)的精細(xì)化運(yùn)營(yíng)用戶(hù)促活及召回的手段，有非常多的文章在講，在此不詳細(xì)贅述。此外，在實(shí)際操作中，我們需要注重用戶(hù)的促活、召回效果分析，分析用戶(hù)的挽回成本。再結(jié)合召回效果收益來(lái)分析整體的roi，結(jié)合ab實(shí)驗(yàn)等手段來(lái)不斷優(yōu)化roi。

以上我們闡述了用戶(hù)流失預(yù)警的一個(gè)大概搭建方法。歡迎關(guān)注我的微信公眾號(hào)，隨時(shí)交流數(shù)據(jù)分析方面問(wèn)題。

作者：趙小洛

來(lái)源：趙小洛洛洛

相關(guān)閱讀：

4個(gè)方法，防止用戶(hù)流失！

如何降低產(chǎn)品用戶(hù)流失率？

用戶(hù)運(yùn)營(yíng) | 用戶(hù)流失模型底層邏輯與操作指南！