與其等用戶流失后通過(guò)運(yùn)營(yíng)手段進(jìn)行召回，不如一開(kāi)始就準(zhǔn)備好一套用戶流失預(yù)警體系，可以更有效降低用戶流失率。本文作者就以洗衣頻道為例，教你如何搭建用戶流失預(yù)警體系。

對(duì)于一款社區(qū)o2o社區(qū)產(chǎn)品來(lái)說(shuō)，用戶流失是一直是市場(chǎng)、運(yùn)營(yíng)、產(chǎn)品最為關(guān)心的問(wèn)題之一。一般用戶運(yùn)營(yíng)過(guò)程中，圍繞流失用戶的解決方案是將平臺(tái)一段時(shí)間內(nèi)未有消費(fèi)行為的用戶定義為流失用戶，并對(duì)流失用戶進(jìn)行活動(dòng)召回。

這種運(yùn)營(yíng)模式是在用戶流失后采取的干預(yù)行為，往往具有滯后性，對(duì)于已經(jīng)卸載APP用戶難以觸達(dá)或者召回的可能性微乎其微。

那么一套行之有效的用戶流失預(yù)警體系對(duì)防止用戶流失意義非凡，在無(wú)需借助數(shù)據(jù)運(yùn)營(yíng)平臺(tái)及機(jī)器學(xué)習(xí)的前提下如何搭建用戶流失預(yù)警模型是本文探討的主要課題。

我們?cè)趯?shí)際運(yùn)營(yíng)過(guò)程中把用戶流失預(yù)測(cè)歸結(jié)為3個(gè)問(wèn)題：

• 問(wèn)題一：預(yù)測(cè)哪些用戶會(huì)流失？
• 問(wèn)題二：用什么樣的數(shù)據(jù)模型來(lái)預(yù)測(cè)？
• 問(wèn)題三：可能流失用戶的特征是什么？

以一個(gè)實(shí)例來(lái)討論這個(gè)問(wèn)題，平臺(tái)洗衣頻道發(fā)現(xiàn)最近客戶流失嚴(yán)重，打算組織一場(chǎng)用戶活動(dòng)來(lái)遏制這種趨勢(shì)，可是這個(gè)客戶挽留活動(dòng)是頻道眾多市場(chǎng)活動(dòng)中的一個(gè)，預(yù)算也有限，需要用戶部門通過(guò)數(shù)據(jù)挖掘的方法找到可能流失的高價(jià)值用戶，并刻畫這部分用戶的特征，從而利用流失用戶的特征找到其他可能要流失的用戶進(jìn)行分群運(yùn)營(yíng)。以下5個(gè)步驟來(lái)探討流失用戶具體運(yùn)營(yíng)方法：

一、如何定義用戶流失？

首先對(duì)樣本用戶進(jìn)行流失定義，可以根據(jù)樣本用戶的流失特征幫助我們預(yù)測(cè)相似性用戶流失的概率。

經(jīng)過(guò)與洗衣頻道的運(yùn)營(yíng)人員溝通，首先將洗衣頻道用戶定義為流失用戶與非流失用戶兩大類型，以3個(gè)月內(nèi)是否有消費(fèi)行為對(duì)用戶進(jìn)行初步流失劃分。在數(shù)據(jù)層面，流失用戶用1表示，非流失用戶用0表示。

二、哪些用戶數(shù)據(jù)可以刻畫用戶流失特征？

需要考慮哪些用戶數(shù)據(jù)可以影響到用戶流失？這是搭建用戶預(yù)警模型至關(guān)重要的一步。從數(shù)據(jù)層面需要用戶畫像數(shù)據(jù)和行為數(shù)據(jù)兩個(gè)維度，即：

• 用戶畫像信息：ID、性別、年齡、地域、會(huì)員類型、用戶來(lái)源
• 用戶行為數(shù)據(jù)：登錄天數(shù)、在線時(shí)長(zhǎng)、登錄頻次、注冊(cè)天數(shù)
• 用戶消費(fèi)數(shù)據(jù)：最近一單距今天數(shù)、累計(jì)單量、累計(jì)消費(fèi)金額、客單價(jià)

三、如何定義預(yù)測(cè)時(shí)間窗口？

進(jìn)行流失分析的目的是在客戶流失前就能發(fā)現(xiàn)他，從而采取挽留措施。那么分析時(shí)該采用多長(zhǎng)時(shí)間段內(nèi)的數(shù)據(jù)作為樣本數(shù)據(jù)量呢？

取的時(shí)間過(guò)短，用戶特征可能不具代表性；取的時(shí)間過(guò)長(zhǎng)，建模運(yùn)算時(shí)間太長(zhǎng)以及難以查錯(cuò)，所以定義一個(gè)合適的預(yù)測(cè)時(shí)間窗口顯得很重要。

經(jīng)與洗衣頻道運(yùn)營(yíng)人員研究用戶的歷史消費(fèi)數(shù)據(jù)，綜合數(shù)據(jù)的可獲取性和有效性，我們?nèi)v史3個(gè)月的數(shù)據(jù)作為預(yù)測(cè)窗口，當(dāng)月用戶數(shù)據(jù)作為驗(yàn)證依據(jù)，建立流失預(yù)測(cè)時(shí)間窗口模型：

四、如何搭建用戶流失模型？

模型具體搭建過(guò)程屬于太技術(shù)工作，不在本文探討范圍，我們主要探討流失模型的搭建原理，希望能起到舉一反三的作用。

首先需要對(duì)用戶特征數(shù)據(jù)與流失字段之間進(jìn)行探索性分析，查驗(yàn)每個(gè)特征維度與流失之間是否存在強(qiáng)關(guān)聯(lián)關(guān)系，我們對(duì)高度相關(guān)的數(shù)據(jù)進(jìn)行保留，剔除弱相關(guān)數(shù)據(jù)。

以上是我們利用大數(shù)據(jù)分析工具建立的一個(gè)洗衣用戶探索分析模型，根據(jù)這個(gè)模型，可以得到關(guān)聯(lián)分析結(jié)果，如下：

通過(guò)分析結(jié)果可以看到注冊(cè)時(shí)間較長(zhǎng)的老用戶流失較為嚴(yán)重，說(shuō)明頻道對(duì)老用戶的營(yíng)銷工作還是有待加強(qiáng)的。通過(guò)關(guān)聯(lián)分析，我們保留了8個(gè)與流失強(qiáng)相關(guān)的用戶數(shù)據(jù)字段，即用戶的種類、來(lái)源、會(huì)員類型、城市、性別、注冊(cè)天數(shù)、最近一單距今時(shí)間、客單價(jià)。

其次，我們需要建立用戶流失規(guī)則，用以預(yù)測(cè)其他用戶的流失情況。同樣也需要采取建模的方法，最常用的便是利用決策樹(shù)算法生成用戶流失規(guī)則：

模型建立好后，需要模型對(duì)數(shù)據(jù)進(jìn)行計(jì)算生成流失規(guī)則以及各個(gè)數(shù)據(jù)維度對(duì)流失重要性排序。由于為了快速生成模型采用少量數(shù)據(jù)進(jìn)行建模，預(yù)測(cè)結(jié)果可能不大準(zhǔn)確，僅為參考：

根據(jù)模型生成的流失規(guī)則可以發(fā)現(xiàn)，流失特征包含4個(gè)規(guī)則。

以規(guī)則1為例：如果注冊(cè)天數(shù)>53天且會(huì)員類型為鉆石會(huì)員易流失，而這個(gè)群組用戶在運(yùn)營(yíng)層面是高價(jià)值用戶，需要洗衣頻道的運(yùn)營(yíng)人員格外要關(guān)注高價(jià)值老用戶的挽留，同樣右圖顯示注冊(cè)天數(shù)和會(huì)員類型是兩個(gè)重要的影響因子。

五、如何搭建流失用戶運(yùn)營(yíng)策略？

流失規(guī)則和影響流失的因子確定后，就可以幫助洗衣頻道預(yù)測(cè)哪些用戶會(huì)有流失傾向，在流失之前進(jìn)行挽留，需要給到頻道具體的運(yùn)營(yíng)策略。

• 細(xì)分策略：通過(guò)建立細(xì)分模型將具有流失傾向用戶分成若干群組，分析得出流失可能性較高群組特征，并制定針對(duì)性的營(yíng)銷措施進(jìn)行挽留。
• 評(píng)分策略：將頻道高價(jià)值客戶單獨(dú)分群，對(duì)高價(jià)值客戶的流失可能性進(jìn)行建模評(píng)分，頻道對(duì)流失得分較高的高價(jià)值用戶給予格外關(guān)注，設(shè)計(jì)合適的挽留活動(dòng)進(jìn)行挽留。

細(xì)分策略是全量用戶的分群運(yùn)營(yíng)，需要頻道針對(duì)每個(gè)群組設(shè)計(jì)針對(duì)性的營(yíng)銷活動(dòng)，這種策略指導(dǎo)下如果頻道預(yù)算充足又有足夠的精力來(lái)做可以采用；評(píng)分策略只針對(duì)部分高價(jià)值用戶進(jìn)行預(yù)測(cè)評(píng)分，對(duì)評(píng)分較高的高價(jià)值用戶采取挽留營(yíng)銷措施，相對(duì)來(lái)說(shuō)可以用最低的營(yíng)銷成本達(dá)到最好的營(yíng)銷效果。

以上是個(gè)人流失用戶的具體運(yùn)營(yíng)方法，歡迎大家關(guān)注公眾號(hào)探討交流。

作者：趙文彪，社區(qū)o2o用戶運(yùn)營(yíng)負(fù)責(zé)人，7年互聯(lián)網(wǎng)運(yùn)營(yíng)經(jīng)驗(yàn)，微信公眾號(hào)：用戶運(yùn)營(yíng)觀察（ID：yunyingguancha）。

本文由 @趙文彪 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來(lái)自 Pexels，基于 CC0 協(xié)議