在當(dāng)今數(shù)字化時(shí)代，提升APP的日活躍用戶數(shù)（DAU）是眾多互聯(lián)網(wǎng)企業(yè)和產(chǎn)品經(jīng)理的核心目標(biāo)之一。本文將深入探討如何結(jié)構(gòu)化地拆解和分析DAU，從明確問題的口徑、拆解問題的本質(zhì)，到找到解決問題的主要條件，再到具體的行動(dòng)方案。

提出問題：就提升某款A(yù)PP的DAU（日活數(shù)）這個(gè)問題，我們可以怎樣來拆解分析呢？

一、明確問題：一級指標(biāo) DAU

1.1 對齊DAU的口徑：

（口徑不對齊，后續(xù)各方人員理解會(huì)存在較大偏差）

假設(shè)是每自然日內(nèi)啟動(dòng)APP的用戶數(shù)，含游客；

1.2 拆解DAU：

提升DAU的本質(zhì)是什么？

本質(zhì)是“增”用戶規(guī)模（數(shù)量），“長”用戶質(zhì)量（價(jià)值），即增長；

這個(gè)本質(zhì)對不對呢？

我們說，一個(gè)真正的本質(zhì)，除了能解釋“歷史和現(xiàn)狀“以外，也必須能夠未來（即行動(dòng)），否則就是偽本質(zhì)，聽起來都對，用起來…用不起來。

比如，文學(xué)的，主觀的，唯心的東西，一般不能指導(dǎo)行動(dòng)?；蛟S只能知道不該做什么，但大概率不能知道該做什么，更不能知道該怎么做。而數(shù)學(xué)的，客觀的，唯物的東西，是能讓你知道該做什么，以及應(yīng)該怎么做的。

比如大模型，它理解不了文學(xué)的（連續(xù)性的東西）東西，需要將連續(xù)性的轉(zhuǎn)化為離散的數(shù)據(jù)（數(shù)組向量），它才能理解，才能進(jìn)一步分析，然后給出答案。

比如，戰(zhàn)爭的本質(zhì)是什么？你說是為了不戰(zhàn)爭，是利益的爭奪……聽起來好像沒毛病，但它怎么指導(dǎo)行動(dòng)？而如果說戰(zhàn)爭的本質(zhì)是“保存自己，消耗敵人”，這個(gè)是可以指導(dǎo)你的每一場戰(zhàn)役和戰(zhàn)斗的策略制定的，也就是說每一場戰(zhàn)役或戰(zhàn)斗都必須圍繞“保存自己，消耗敵人”來展開，它將決定著每場戰(zhàn)役或戰(zhàn)斗是防御，還是進(jìn)攻，是游擊戰(zhàn)，還是運(yùn)動(dòng)戰(zhàn)，是外線作戰(zhàn)還是內(nèi)線作戰(zhàn)等等。

我們再回到DAU的本質(zhì)來看，“增”用戶規(guī)模（數(shù)量），“長”用戶質(zhì)量（價(jià)值），這個(gè)本質(zhì)能否指導(dǎo)我們的每一次行動(dòng)呢？

是可以的。

首先，用戶規(guī)?；蛴脩糍|(zhì)量，都是客觀的，甚至是可量化的；其次，每一個(gè)方案的提出，都將圍繞方案本身是否能服務(wù)于“用戶數(shù)的提升，或用戶質(zhì)量的提升“來展開的。比如說只是一個(gè)很小的功能體驗(yàn)上的優(yōu)化，短期來看，它也是服務(wù)于“用戶質(zhì)量”的，用戶體驗(yàn)的提升，會(huì)帶來用戶信任的提升，從而用戶粘性也會(huì)提升，長期來看，用戶數(shù)量也自然會(huì)提升。

當(dāng)然，這里不能片面的，短期的，極端的看問題，這是一個(gè)全局的，長期的，統(tǒng)計(jì)性的問題，本質(zhì)又是一個(gè)概率或數(shù)學(xué)期望問題。所以，要不要做這個(gè)很小的功能體驗(yàn)上的優(yōu)化這個(gè)事，首先需要判斷它是否歸屬于“增用戶規(guī)模，或長用戶質(zhì)量”，如果是，則在進(jìn)一步做綜合分析，比如大致估下這個(gè)事的ROI。如果不是，那也不用再繼續(xù)分析了。比如在某些場景插一些廣告這個(gè)需求，要不要做？

一般來講，廣告是反人類的，如果基于你的業(yè)務(wù)目標(biāo)DAU來講，它是不服務(wù)于DAU的用戶規(guī)?；蛸|(zhì)量的，所以不做。當(dāng)然如果從更高級以及的業(yè)務(wù)目標(biāo)來看，它可能又變成需要做的了，但此時(shí)問題已經(jīng)發(fā)生了變化（已經(jīng)不是剛才那個(gè)DAU問題了）。

1.3 找到解決問題的主要條件

基于問題的本質(zhì)，我們得出解決問題的2個(gè)主要條件：

1. 用戶規(guī)模最大化；
2. 用戶價(jià)值最大化；

1.3.1、用戶規(guī)模最大化（DAU）：從賺1個(gè)用戶的錢，到賺100個(gè)用戶的錢

DAU=DNU*LT + RDAU

其中，RDAU可進(jìn)一步拆分為：留存+回流這兩種用戶群體。

所以二級指標(biāo)為：DNU（新增用戶規(guī)模=自然新增+付費(fèi)新增）、LT（新用戶留存，比如次留到30留）、RDAU（留存用戶規(guī)模）、流失回流用戶規(guī)模、流失回流用戶留存。

（本文主要對這部分進(jìn)行展開分析）

1.3.2、用戶價(jià)值最大化（ROI）：利潤保證可持續(xù)

ROI=LT*ARPU / CPA

備注：LT：用戶生命周期；ARPU：每用戶日均收入；CPA：每用戶激活成本；RDAU：留存用戶DAU；DNU：每日新增用戶。

（本文對這部分不做展開分析，若感興趣，可參考之前的一篇文章的最后一部分對用戶價(jià)值有一些分析：http://www.codemsi.com/share/6099923.html）

二、做什么：結(jié)合業(yè)務(wù)現(xiàn)狀，先做什么，后做什么

（某唱歌類）產(chǎn)品理解：唱歌工具+社交屬性 （內(nèi)容+用戶+平臺(tái):三者之間的關(guān)系）

唱歌：供給側(cè)的歌曲庫+消費(fèi)測的用戶+提供匹配效率的平臺(tái)

社交：用戶基于音樂建立社交關(guān)系（篇幅原因，本文暫不對這塊進(jìn)行分析）

所以，增長從底層向上依次可以是：

1、供給保障：

• 內(nèi)容供給：內(nèi)容供給–歌曲庫；
• 歌曲需要版權(quán)，尤其是優(yōu)質(zhì)歌曲本身屬于稀缺資源，業(yè)務(wù)的增長，需要保障稀缺資源的供給，才能覆蓋住足夠規(guī)模的用戶需求。
• 流量供給：渠道精準(zhǔn)拉新+精準(zhǔn)承接 （買量&非買量）；

2、供需匹配（也是用戶路徑的起點(diǎn)）：合適的內(nèi)容或用戶推給合適的用戶；

供需匹配的本質(zhì)：讓用戶路徑更高效。

• 讓用戶更高效的完成點(diǎn)唱；
• 讓用戶更高效的建立社交關(guān)系，完成社交成對；

3、用戶路徑：以提升DAU（留存）為目的，滿足平臺(tái)大部分用戶的路徑。路徑核心要解決的問題是讓用戶觸發(fā)”關(guān)鍵行為“，”關(guān)鍵行為“是以提升留存（目標(biāo)）為目的而確定的。

4、用戶分層：不同用戶群體可能有不同的關(guān)鍵行為，不同關(guān)鍵行為產(chǎn)生不同用戶路徑。

5、運(yùn)營手段（激勵(lì)體系，成長體系，會(huì)員體系，運(yùn)營活動(dòng)等等）：運(yùn)營手段本身沒有用戶價(jià)值，但是具有產(chǎn)品價(jià)值。

以上，結(jié)合實(shí)際業(yè)務(wù)現(xiàn)狀，根據(jù)當(dāng)前業(yè)務(wù)所處的外部環(huán)境，內(nèi)部環(huán)境，綜合分析：分析當(dāng)前業(yè)務(wù)面臨的根本矛盾，外部矛盾（比如業(yè)務(wù)所處的市場環(huán)境，競爭對手，新技術(shù)比如AI等等），內(nèi)部矛盾（比如相關(guān)人力資源情況，長期目標(biāo)與短期目標(biāo)，本業(yè)務(wù)的目標(biāo)與其他業(yè)務(wù)的目標(biāo)，局部目標(biāo)與全局目標(biāo)，穩(wěn)定與創(chuàng)新等等）分別是什么，以此評估先做什么，后做什么。

三、怎么做

我們以供給保障流量供給中的對新用戶的精準(zhǔn)承接為例進(jìn)行說明。

3.1、新用戶

3.1.1、新用戶期定義

注意區(qū)別新用戶期口徑和新增用戶口徑。

定義新用戶期的目的：提升新用戶留存，需要有一個(gè)“過程”，在這個(gè)“過程”中，持續(xù)“作用”。

新用戶期口徑：新增用戶前7日定義為新用戶期；

3.1.2、新用戶承接

a、新用戶激活

（關(guān)于“激活”的底層邏輯，可以參考之前這篇文章：http://www.codemsi.com/operate/5778696.html）

2.1.1激活行為：（尋找激活行為的邏輯：首日是否觸發(fā)關(guān)鍵行為的1-30日留存差值，和對應(yīng)關(guān)鍵行為的用戶滲透綜合對比）

備選激活行為：進(jìn)入點(diǎn)唱頁，點(diǎn)唱，點(diǎn)唱完成，發(fā)布點(diǎn)唱，搜索，KTV（語音房），直播

由于KTV和直播不在新用戶首日落地頁，所以先不統(tǒng)計(jì)。

結(jié)論：是否發(fā)布點(diǎn)唱的用戶1-30日留存差值最大，但滲透太低（下文“d”小節(jié)有分析）。結(jié)合數(shù)據(jù)+產(chǎn)品定位+經(jīng)驗(yàn)，激活行為為【完成點(diǎn)唱】。

b、激活期

統(tǒng)計(jì)新增用戶首次完成激活行為的天數(shù)分布，看大部分用戶集中在第幾天。

結(jié)論：首日

c、激活數(shù)字

結(jié)論：完成1次【完成點(diǎn)唱】，即完成一次歌曲錄制。

邏輯：在激活行為【完成點(diǎn)唱】的基礎(chǔ)上，按點(diǎn)唱歌曲的錄制時(shí)長分布，按點(diǎn)唱歌曲數(shù)量分別統(tǒng)計(jì)對應(yīng)的滲透和留存的關(guān)系，找“邊際效益”最大的點(diǎn)。

點(diǎn)唱完成的歌曲錄制時(shí)長的用戶數(shù)及其次留分布：

結(jié)論：沒有“邊際效益”最大的點(diǎn)。

點(diǎn)唱完成的歌曲數(shù)量對應(yīng)的用戶數(shù)及其次留分布：

結(jié)論：沒有“邊際效益”最大的點(diǎn)。

需要說明的是：是否將激活行為“點(diǎn)唱完成率”作為當(dāng)前的一個(gè)關(guān)鍵指標(biāo)，還需要結(jié)合實(shí)際業(yè)務(wù)情況具體分析，比如若業(yè)務(wù)本身比較成熟，點(diǎn)唱完成率的提升空間已不大，則它就是一個(gè)重點(diǎn)的觀測指標(biāo)。相反，若業(yè)務(wù)還相對不穩(wěn)定，點(diǎn)唱完成率有提升空間，則它可以作為當(dāng)前階段的一個(gè)關(guān)鍵指標(biāo)重點(diǎn)提升。

d、激活矩陣

（或按人群訴求建立激活行為）

自然新增用戶在首日完成了點(diǎn)唱的用戶（買量新增用戶沒有這個(gè)現(xiàn)象，或沒這么明顯），長留被“超”了？基于這個(gè)發(fā)現(xiàn)，找原因：

邏輯：首日未完成點(diǎn)唱的用戶來APP后，都干嘛了？

發(fā)現(xiàn)：未完成點(diǎn)唱的用戶，在新增的前12天（除首日外），相對于完成點(diǎn)唱的用戶來看，更多用戶去了直播和KTV，而點(diǎn)唱需求一直占比很低。說明這類用戶更多是沖著“KTV”而非“點(diǎn)唱”來的，為什么呢？

繼續(xù)分析原因：統(tǒng)計(jì)用戶在新增首日及后續(xù)一段時(shí)間內(nèi)，每天的搜索行為，是否這些用戶更多的在搜索房間。如果是，則說明這批用戶的確是沖著“KTV”來的，而不是沖著“點(diǎn)唱”來的。

結(jié)論：organic新增用戶中，確實(shí)有部分用戶對KTV的訴求要強(qiáng)于點(diǎn)唱。所以，”KTV“也可以被選作一種激活行為。

另外：也可以分析長期留下來的用戶，看這部分用戶為什么會(huì)留下來，可以看他們在其新用戶時(shí)期時(shí)“干了什么，怎么干的”，那么，后面再來的新用戶，我們就可以引導(dǎo)其走“長留用戶走過的路”。這里需要注意的是，分析這個(gè)問題時(shí)需要帶入時(shí)間窗口的概念，不能簡單的理解為大部分用戶都大概會(huì)使用哪些功能，怎么使用（物理路徑，比如從哪個(gè)頁面進(jìn)入，點(diǎn)擊哪里等等），光知道這些沒用，一款成熟的產(chǎn)品，大概率大家也基本都知道這些。這里帶入時(shí)間窗口是指，用戶首次打開APP后，分別在多長時(shí)間內(nèi)分別有多少比例的用戶分別使用了哪些功能，可以是當(dāng)次的，可以一段時(shí)間周期內(nèi)的分布情況（比如首日n%的用戶使用了A功能，他們在第x天，第y天等等有超過m%的用戶又干了什么等等總之就是在時(shí)間維度上找出用戶共性，即被分析的目標(biāo)用戶在時(shí)間維度上的行為分布特征，實(shí)際分析時(shí)，根據(jù)具體情況決定要分析的多細(xì)致）

結(jié)論：KTV的滲透較高。說明KTV和用戶留存有強(qiáng)相關(guān)性，證明“KTV”可以被選作一種激活行為。

綜上，激活行為矩陣：【完成點(diǎn)唱】+【KTV】

那么，當(dāng)新增用戶首日首次打開APP后，因?yàn)槟J(rèn)落地頁為“xxx”頁面，“xxx”頁面的作用是希望讓用戶完成點(diǎn)唱，所以，可以根據(jù)“xxx”頁面消失后，根據(jù)用戶是否完成點(diǎn)唱來判斷，接下來如何引導(dǎo)用戶下一步行為。

所以，繼續(xù)分析“xxx”頁面消失后，用戶進(jìn)入唱歌頁面的行為：

買量新增用戶，首日：

買量新增用戶中，有a%會(huì)在“xxx”頁面完成點(diǎn)唱。b%在唱歌頁面完成點(diǎn)唱。（a大概是b的1.5倍）

自然新增用戶，首日：自然新增用戶中，有c%會(huì)在沉浸式頁面完成點(diǎn)唱。d%在唱歌頁面完成點(diǎn)唱。（c大概是d的2/3）

結(jié)論：新增首日，“xxx”頁面消失后，不論用戶是否已完成點(diǎn)唱，都還有部分用戶有繼續(xù)點(diǎn)唱的訴求（且占比不低），所以此時(shí)不適合直接切到KTV，還是保持回到唱歌頁面，但可以在唱歌頁面增加“KTV引導(dǎo)”。這里即找到了一個(gè)可能有增長空間的方向。下一步就是估算這個(gè)增長點(diǎn)的ROI（投入產(chǎn)出比），若可做，則完成方案-AB驗(yàn)證。

e、理想的激活行為

完成點(diǎn)唱后，是否發(fā)布點(diǎn)唱歌曲對用戶留存的影響：

結(jié)論：是否發(fā)布歌曲，對留存影響非常大。

但是，從點(diǎn)唱完成，到完成發(fā)布，會(huì)卡住很多人（用戶數(shù)的絕對值太小），所以，”發(fā)布“這個(gè)行為，對用戶來講門檻太高，不適合做激活行為，但后續(xù)我們可以分析用戶完成點(diǎn)唱但不發(fā)布的原因，以此來提升點(diǎn)唱完成的效果，進(jìn)而來提升發(fā)布率。

猜測，用戶是否發(fā)布可能和錄制時(shí)長有正相關(guān)性：數(shù)據(jù)表現(xiàn)也確實(shí)如此。（注意相關(guān)性和因果性的本質(zhì)區(qū)別，相關(guān)性需要經(jīng)過驗(yàn)證后方有可能得出因果性）

那么這里我們可以提出一個(gè)假設(shè)：假設(shè)延長用戶的錄制時(shí)長，可以提升發(fā)布率（相關(guān)性到因果性的驗(yàn)證）。

但需要找到用戶錄制時(shí)長不長的原因：

猜測可能原因：

1、用戶本身沒有找到想唱的歌

對比搜索的唱歌漏斗和推薦的唱歌漏斗：若搜索的唱歌漏斗表現(xiàn)明顯好于推薦的，則說明推薦的歌曲相對不是用戶想唱的。那么，除了用戶主動(dòng)搜索外，如何知道用戶想唱什么歌呢？

2、用戶本身唱歌水平差

3、用戶當(dāng)前所處環(huán)境不適合放聲唱歌（可以按時(shí)間段分段統(tǒng)計(jì)發(fā)布率，是否”休息“時(shí)段發(fā)布率更高，”工作時(shí)段“或”通勤“時(shí)段發(fā)布率低）

4、用戶在唱歌過程中哪個(gè)環(huán)節(jié)流失大。

……

以上，我們怎么做？

即產(chǎn)品方案：

根據(jù)以上結(jié)論，我們可以結(jié)合[正向]新用戶期（時(shí)間窗口）的用戶畫像和行為分布和[反向]長期留存用戶在其新用戶期（時(shí)間窗口）的用戶畫像和行為分布，設(shè)計(jì)產(chǎn)品方案。

基于上述分析結(jié)論，假設(shè)我們初版方案以驗(yàn)證“KTV”是否為激活行為為主，那么方案的重點(diǎn)就是在用戶進(jìn)入唱歌首頁時(shí)（在進(jìn)入唱歌首頁前，完成點(diǎn)唱這個(gè)關(guān)鍵行為已由上述分析中的“xxx”頁面承接），怎么樣讓更多的用戶進(jìn)入“KTV”。

比如，可以在頁面增加KTV的引導(dǎo)，或增加KTV功能模塊入口等。但這里，我們需要跳出前面的分析來看待問題，什么意思？上述的分析中，得出的結(jié)論是基于前置我們提供了哪些行為參與分析的（KTV是其中一個(gè)行為），而還有一些可能重要的行為由于埋點(diǎn)缺失等原因，或不重要的長尾行為（長尾行為單獨(dú)看不重要，但當(dāng)成一個(gè)整體可能會(huì)比較重要）沒有參與分析。

所以，我們在設(shè)計(jì)唱歌頁面方案時(shí)，也可以基于經(jīng)驗(yàn)將認(rèn)為重要的一些功能模塊考慮進(jìn)去，比如頁面以點(diǎn)唱為主，KTV為輔，然后在次基礎(chǔ)上在增加一些認(rèn)為重要的功能模塊，以覆蓋更多的人群。

結(jié)論：方案上線后使整體新用戶次留提升了3PP+。

后續(xù)，還能做什么？

1、點(diǎn)唱完成后，提升歌曲發(fā)布率（理想激活行為）；

需要定位發(fā)布率低的原因，猜測是因?yàn)殇浿茣r(shí)長短，為什么短？

2、激活行為前置：

比如其他用戶的點(diǎn)唱行為的視頻（視頻方式：播放 別人的點(diǎn)唱歌曲5-10s + 點(diǎn)唱操作路徑 + 收到他人點(diǎn)贊評論等），讓用戶提前感知到點(diǎn)唱的“用戶價(jià)值”，提前被部分激活。

3、結(jié)合AI，優(yōu)化點(diǎn)唱工具，提升點(diǎn)唱完成率等。

4、……

3.2 流失用戶

流失用戶口徑：連續(xù)n天或以上不訪問APP的用戶；

流失回流用戶：當(dāng)日DAU中，滿足連續(xù)n天或以上沒訪問過APP的用戶；

通過回訪率來確定流失口徑（這里暫不展開說明，感興趣可自行查資料了解），如下：

（可按回訪率降到5%，或?qū)⒒卦L率作一階差分找“拐點(diǎn)“來確定上述的“n”）

流失回流用戶規(guī)模：占DAU的比例，m%左右

流失回流用戶質(zhì)量：留存明顯低于新增用戶的留存

結(jié)論：人群規(guī)模較大，質(zhì)量低，綜合來看，值得做。

至于怎么做，需進(jìn)一步分析，這里暫不展開描述。

3.3 老用戶（留存用戶）

3.3.1 提留存（活躍）

提活躍的關(guān)鍵是解決用戶習(xí)慣問題：

如何培養(yǎng)用戶習(xí)慣：提供一個(gè)思路（更多思路，請參考我個(gè)人主業(yè)的另一篇文章：http://www.codemsi.com/operate/5778427.html）

1、確定產(chǎn)品的理想使用頻次：比如每周使用n次；

2、根據(jù)n，找到產(chǎn)品的習(xí)慣用戶，即滿足了理想使用頻次的用戶；

3、分析這些習(xí)慣用戶的共性（屬性+行為），找到“習(xí)慣行為”和對應(yīng)的“習(xí)慣路徑”；

4、設(shè)計(jì)/優(yōu)化這些路徑，目的是讓更多用戶走上這些路徑，或設(shè)計(jì)新的路徑場景；

3.3.2 防流失（流失風(fēng)險(xiǎn)用戶）

防流失主要有兩種方式：

1、流失預(yù)警機(jī)制：通過在產(chǎn)品的關(guān)鍵流失節(jié)點(diǎn)處埋策略實(shí)現(xiàn)

2、流失預(yù)警模型：通過算法建模+挽留策略實(shí)現(xiàn)

這里以流失預(yù)警模型進(jìn)行展開。

說明：拉活和防流失的區(qū)別 （二者都是為提留存服務(wù)的）

二者有很強(qiáng)的相似性，直覺上會(huì)認(rèn)為二者是一樣的，甚至一個(gè)策略本身就有防流失和拉活的雙重作用，但在用戶屬性和邏輯理解上，二者存在差異：

• 用戶特征角度：防流失針對的是活躍有下降趨勢的用戶；拉活一般主要是針對原本就是低活躍的用戶（這里的“低”是個(gè)相對概念，看產(chǎn)品怎么定義）。//這里的活躍不僅僅是指活動(dòng)頻次活躍時(shí)長，也包括產(chǎn)品定義的關(guān)鍵行為（你想讓用戶去完成的行為）
• 產(chǎn)品策略角度：防流失重在減少負(fù)體驗(yàn)，增加流失原因的彌補(bǔ)，更像疫苗（長期）；拉活更多是提供更多策略手段，更像營養(yǎng)品（短期）。

模型的搭建（僅對搭建思路做描述，具體各相關(guān)名詞的含義這里不做解釋）

流失預(yù)警的目的：通過一套體系化、機(jī)制化的方式，對具有流失風(fēng)險(xiǎn)的用戶進(jìn)行預(yù)判和干預(yù)及召回；

流失期的定義：連續(xù)30天及以上沒有打開過APP的用戶定義為流失用戶；（30天怎么確定的可參考上述流失回訪率）

用戶流失預(yù)警的時(shí)間窗口主要包含：「特征選擇期」、「空檔期」、「預(yù)測期」，通俗來講就是根據(jù)「用戶過去多久的行為」來預(yù)測「用戶未來多久流失的概率」。如下圖：

上圖解釋清楚比較復(fù)雜，這里大白話描述下：

• Input特征集：給模型輸入大量的用戶標(biāo)簽
• 上圖方框里可簡單理解為有一個(gè)很復(fù)雜的函數(shù)（或者數(shù)學(xué)公式），它可以將特征集處理為流失概率-即Output

用極限思維簡化理解，假設(shè)這里只有一個(gè)用戶標(biāo)簽，那么公式可看作：y=ax+b（人腦的神經(jīng)元之間的信息傳遞的底層邏輯也是按這個(gè)函數(shù)來的，模仿人腦的神經(jīng)網(wǎng)絡(luò)自然也是），其中x為輸入的特征集，y為輸出的概率；有些x的輸入對y值沒有影響，這樣的x需要舍棄。要想提升模型預(yù)測準(zhǔn)確率，方法之一就是不斷找新的標(biāo)簽進(jìn)行輸入，看對y值的影響（這一過程，可理解為調(diào)參）

基于輸出的流失概率，結(jié)合用戶特征，可歸納出流失原因（可理解為流失原因被量化了，這里以某閱讀類APP為例，為避免泄密，下圖對業(yè)務(wù)做了簡化和適當(dāng)修改）

流失原因是怎么得到的？

主要通過兩個(gè)算法，Shap和Woe；

1. Shap：計(jì)算每個(gè)流失風(fēng)險(xiǎn)用戶的流失特征占比；
2. Woe：將上述流失特征歸因?yàn)榭衫斫獾牧魇г颍?/li>

對Shap和Woe算法的解釋：（以下數(shù)據(jù)均為虛構(gòu)）

第一步：Shap尋找每個(gè)用戶流失的特征因素：

假設(shè)導(dǎo)致3個(gè)用戶流失的重要特征如下（拿3個(gè)用戶舉例子）：Shap值的計(jì)算方式就不展開說明了，這一步由算法工程師進(jìn)行計(jì)算。特征的Shap值越大代表這個(gè)特征導(dǎo)致該用戶流失的“權(quán)重”越大。

第二步：Woe量化特征的不同取值對流失的影響：

若有必要，還可進(jìn)一步結(jié)合用戶生命周期進(jìn)行細(xì)化分析，比如：

1、流失用戶中各期的占比

2、生命周期各期用戶分渠道看流失占比分布 （新手期，各渠道流失占比；成長期，各渠道流失占比……）：看流失用戶是否集中在某些渠道

3、生命周期各期中流失用戶的行為 （新手期：閱讀頻次，閱讀方式，閱讀路徑，領(lǐng)取福利情況等，成長期……）：看流失用戶的特征，比如可能流失用戶大部分沒有領(lǐng)取福利的習(xí)慣

4、流失用戶流失前最后一次停留的地方

模型應(yīng)用：

可理解為，模型為每一個(gè)用戶都輸出了一個(gè)流失分值（歸一化0-1之間，0.7以上為流失風(fēng)險(xiǎn)人群，0.7是通過模型計(jì)算得出），相當(dāng)于于每個(gè)用戶都被量化了，那么，也就可以根據(jù)流失分值將用戶劃分到不同的人群中，比如高中低流失風(fēng)險(xiǎn)，暫無風(fēng)險(xiǎn)，完全無風(fēng)險(xiǎn)等等。不同風(fēng)險(xiǎn)的人群根據(jù)其流失特征，設(shè)計(jì)對應(yīng)挽留策略。反過來，無風(fēng)險(xiǎn)的人群，可以大膽嘗試付費(fèi)引導(dǎo)等等。

既然能將用戶按風(fēng)險(xiǎn)進(jìn)行分群，也就可以將其接入到畫像系統(tǒng)和活動(dòng)平臺(tái)，發(fā)揮更大價(jià)值。

應(yīng)用效果：上線流失挽留方案后（方案很簡單，0.7以上的人群，打開APP后，直接命中限免內(nèi)容，直接限時(shí)閱讀，當(dāng)然里面還結(jié)合了其他人群做了交叉分群，細(xì)化了對應(yīng)的策略規(guī)則等），整體流失人群（0.7以上人群）次留的提升非常顯著，超出預(yù)期。