編輯導(dǎo)語：在上篇文章中，作者從三個方面展開了分析，告訴我們當(dāng)用戶逐漸流失時，企業(yè)應(yīng)該怎么做。在這篇文章中，作者又從價值與流失的分析角度出發(fā)，為我們做出了更進(jìn)一步的探討，希望看后對你有所啟發(fā)。

之前發(fā)過一篇文章的上篇，《帶你遍歷用戶生命價值與流失挽救（上) : 流量下的價值套路》，主要是用一個短視頻的案例來做分析，闡述了用戶價值體系。

本文下篇，將從價值與流失的分析角度來做一些分享。

本文涉及到的知識點(diǎn)有：用戶生命周期、流量方向的分析方法論、用戶分群、用戶挖掘、算法、渠道歸因、拉新、端承接、運(yùn)營、產(chǎn)品等。

除了遍歷這些知識外，文章的核心部分是關(guān)于兩個數(shù)據(jù)產(chǎn)品的，關(guān)于數(shù)據(jù)產(chǎn)品方向文章沒有做更多闡述。

一、用戶水池與流失

關(guān)于流失與召回，這個是長久不衰的一個話題。

在業(yè)務(wù)活動中，涉及到的角色還是蠻多的，比如產(chǎn)品角色、運(yùn)營角色、數(shù)據(jù)分析角色、甚至渠道市場角色都有。

本文將從數(shù)據(jù)分析的角度來探索一個關(guān)于流失的業(yè)務(wù)場景，以及通過驅(qū)動運(yùn)營、投放等一系列的動作來應(yīng)對流失挽救，這些落地就成為一個系統(tǒng)化的工作。

曾經(jīng)繁榮的第三方應(yīng)用市場，這幾年前來逐漸走向沒落。從百度巨資吞了 91 助手，到應(yīng)用手機(jī)廠商崛起達(dá)到頂峰，整個應(yīng)用市場已經(jīng)經(jīng)歷過多輪洗牌。

“莢，再見！豌豆莢、PP 助手宣布下架，從此再無免費(fèi)軟件？” 你是否還記得豌豆莢這些應(yīng)用？它們也曾在繁華的第三方應(yīng)用市場里激起過一點(diǎn)浪花。

到現(xiàn)在，不管是應(yīng)用寶、360 手機(jī)助手、華為、小米等應(yīng)用商店，都在構(gòu)建自己的城池。

記得在 2016 年左右一個拓新的成本從之前的幾塊錢升到 10 塊錢、最高時能到幾十元，留住老用戶或許一條短信、一點(diǎn)積分、活動就可以，相對的成本是很低廉的。

從用戶生命周期與成本來講，留住老用戶的成本與拓新的成本是完全不同的。留住老用戶的成本之所以很低，是因?yàn)槔嫌脩糁捞茁罚掠脩魧μ茁窡o感且教育成本就很高了。

運(yùn)營的同學(xué)在每日面對剛涌進(jìn)來的、將要離開的、已經(jīng)離開的這幾個類型的用戶還是很頭痛。一邊是通過渠道拼命買量拉來的新用戶，一邊是保持耿直不變或緩緩下降的DAU曲線。

如果把每日 NU 數(shù)據(jù)曲線疊加到 DAU 上，從這個DAU曲線緩緩下降的趨勢來看，每日的 NU 增量或許大幾十萬，每日不活躍用戶也是大幾十萬或上百萬。

從數(shù)據(jù)的表現(xiàn)來看用戶的新增與流失相當(dāng)，一邊是花錢買量，一邊是留不住用戶，如果趕上產(chǎn)品、業(yè)務(wù)、環(huán)境形勢問題，更是一個讓人心碎的問題。

下圖中給出的是 2016 年某個第三方應(yīng)用市場的日 DAU、次日留存、7 日留存的的數(shù)據(jù)情況， 從數(shù)據(jù)上明顯看出來，這個 Android App 的 DAU 量級在短短幾個月中一直抖動著下滑。

結(jié)合數(shù)據(jù)來看，每周的 WAU 中有千萬級別的用戶，但是在一周內(nèi) AU 角度流失的用戶占比為 30%，在 LU 中流失的比例為 50%以及以上。

從每月的數(shù)據(jù)來看，50%以上的 AU 將會最終流失掉，LU 的流水占比也是在 50%。

用戶不斷的流失，就像水池的水位不斷的在下降，用戶流失超過新用戶的補(bǔ)給，且速度越來越快、規(guī)模越來越大。

如果不做任何動作，這個水池遲早會干枯。就像前面說的，很多業(yè)務(wù)都會面臨類似的問題，這種問題不管怎么樣都是要解決的。

二、如何解決

1. 先來看幾個問題

• 挽救了這些用戶對業(yè)務(wù)有什么好處？
• 流失的用戶都來自哪里？
• 流失的用戶都會有什么先兆？
• 在資源有限的情況應(yīng)該挽救哪些用戶？

如果能夠解決上面的事情就已經(jīng)夠了嗎？實(shí)際上還是不夠的。

2. 還需要

• 需要清晰的知道用戶長的樣子。
• 通過哪些角度來刻畫流失用戶，各群體用戶中流失用戶的規(guī)模都是多少？
• 用戶流失的可能性有多大，如何第一時間發(fā)現(xiàn)征兆？
• 發(fā)現(xiàn)征兆后如何挽救？
• 該如何形成自動化流失與挽救呢？

差不多需要將以上的問題都回答了，才可以把流失問題認(rèn)識的清晰一點(diǎn)。

三、流失與深度挖掘數(shù)據(jù)據(jù)價值

要研究這個課題，首先需要定義什么叫流失用戶、活躍用戶、新用戶流失。

這里簡單的引用一篇文章，是在 2012 年發(fā)表的一篇名為《網(wǎng)站的活躍用戶與流失用戶》 這一篇講述的非常清晰：

活躍用戶：這里是相對于“流失用戶”的一個概念，是指那些“存活”著的用戶，用戶會時不時地光顧下網(wǎng)站，同時為網(wǎng)站帶來一些價值。同時，我們還需要知道到底有多少用戶可能已經(jīng)拋棄了我們的網(wǎng)站，不可能再為網(wǎng)站創(chuàng)造任何的價值，也就是所謂的流失用戶。

流失用戶：是指那些曾經(jīng)訪問過網(wǎng)站或注冊過的用戶，但由于對網(wǎng)站漸漸失去興趣后逐漸遠(yuǎn)離網(wǎng)站，進(jìn)而徹底脫離網(wǎng)站的那批用戶。當(dāng)然，一個網(wǎng)站一定會存在流失用戶，這是網(wǎng)站用戶新老交替中不可避免的，但流失用戶的比例和變化趨勢能夠說明網(wǎng)站保留用戶的能力及發(fā)展趨勢?！?/p>

這里我給出的公式就是：

當(dāng)前時間點(diǎn) – 用戶注冊時間點(diǎn) > 流失臨界時間間隔

結(jié)合本案例，我們要研究是移動互聯(lián)網(wǎng) App 方向，可以用 “當(dāng)前時間點(diǎn)- 用戶首次安裝且激活時間點(diǎn)> 流失臨界時間間隔”，這個時間拐點(diǎn)是需要通過分析來得到的。

例如下圖的流用戶流失高風(fēng)險(xiǎn)是在第 20 周至第 25 周，至于本次案例講解的 APP 的流失時間拐點(diǎn)，同理的分析方法可以得到的

有次團(tuán)隊(duì)里數(shù)據(jù)同學(xué)做用戶分群，遇到了幾個糾結(jié)問題，比如該如何分群，分群的意義，分群該從哪個角度入手，如何將流失率等計(jì)算出來，是否要細(xì)化到個體去做挽救等等。

舉個例子來說，我們在研究用戶流失、用戶使用的那些產(chǎn)品有什么特點(diǎn)、用戶看了什么內(nèi)容、搜索了什么、消費(fèi)了什么這些問題的時候，換一個角度來說就是在研究用戶-產(chǎn)品-內(nèi)容三者之間的關(guān)系，拿人、貨、場理論來套用也是沒得挑。

拿第三方應(yīng)用分發(fā)這個業(yè)務(wù)來說，用戶安裝了第三方應(yīng)用市場， 使用這個應(yīng)用市場App的搜索、推薦、信息流、搜藏、 自動更新、備份等，來尋找自己的需要的App。

這個過程從人貨場來解析就是：

• 人：就是用戶
• 貨：一切內(nèi)容就是App
• 場：第三方應(yīng)用各種功能場景

從BI的分析模型角度來講，這里研究的幾個關(guān)系的意義：

• 用戶、產(chǎn)品、業(yè)務(wù)內(nèi)容之間關(guān)系來講，可以從高低風(fēng)險(xiǎn)的的角度來刻畫不同的流失用戶群。
• 理清用戶、產(chǎn)品、業(yè)務(wù)的價值邊界，讓產(chǎn)品功能定位更清晰。
• 在內(nèi)容定投上，結(jié)合用戶畫像與標(biāo)簽，可以在前期分析發(fā)現(xiàn)用戶顯性特征、群體特征，用作小流量定投效果測試。

做用戶研究的課題時，切入點(diǎn)還是蠻多的，比如從業(yè)務(wù)黏性、用戶屬性、正負(fù)用戶體驗(yàn)、用戶活躍度等角度進(jìn)行切入。但之前肯定會梳理一個比較完整的鏈路來盤點(diǎn)這個事情。

例如：對某包月業(yè)務(wù)的用戶盤子價值做個分解，拉新用戶、增加已有價值、減少流失。

有時在第一次做用戶分群時通常切入的點(diǎn)有流失用戶群體的研究、活躍用戶群體的研究、新用戶群體的對比研究，這幾個切入點(diǎn)流失用戶群體的研究成本是最低的，可能帶來的效果是最好的。

切入流失分析流程后，關(guān)于流失挽救的過程，網(wǎng)上相關(guān)的文章多的數(shù)不清，大多數(shù)都是些基本必備與固定流程：

• 流失用戶的定義
• 畫像數(shù)據(jù)的準(zhǔn)備
• 流失模型的搭建
• 分析流失數(shù)據(jù)找到特征
• 建立流失壁壘
• 開展召回以及活動

把這個流程整理一下就是這樣的：

1. 畫像構(gòu)建

有些人不喜歡一上來就開始構(gòu)建用戶畫像，因?yàn)楫嬒穸际且欢褬?biāo)簽，畫像一般按業(yè)務(wù)屬性劃分多個類別模塊。

因?yàn)槊恳粋€標(biāo)簽都要經(jīng)過大量的分析與挖掘，到實(shí)際可應(yīng)用時的周期還是漫長的。標(biāo)簽的精準(zhǔn)度與覆蓋度也經(jīng)常受到訓(xùn)練的數(shù)據(jù)所影響，有時會準(zhǔn)備很多畫像的基礎(chǔ)變量來做更多不同角度研究。

隨著自己對業(yè)務(wù)的分析與拆解，然后可以加入更多的基礎(chǔ)變量來參與到模型研究中。

關(guān)于用戶的pv行為、用戶點(diǎn)擊行為、用戶的播放行為，我會做更詳細(xì)的分片拆分，這樣能得到更多顯著特征與更多特征。當(dāng)然在某個地方可以叫做連續(xù)變量的區(qū)間化。

當(dāng)然，大部分情況下會存在一個比較成熟的畫像體系，比如常見的人口統(tǒng)計(jì)、社會屬性外，還有用戶消費(fèi)畫像、用戶行為畫像，用戶興趣畫像等。

人口屬性和行為特征是大部分互聯(lián)網(wǎng)公司做用戶畫像時會包含的：人口屬性主要指用戶的年齡、性別、所在的省份和城市、教育程度、婚姻情況、生育情況、工作所在的行業(yè)和職業(yè)等。行為特征主要包含活躍度、忠誠度等指標(biāo)。

2. 模型準(zhǔn)備階段

模型算法與標(biāo)簽還是有一些關(guān)系的，不同的算法可以用在不同標(biāo)簽中。

監(jiān)督算法中會用到logic 回歸、c5.0決策樹、svm算法、最優(yōu)算法、神經(jīng)網(wǎng)絡(luò)、矩陣算法。非監(jiān)督類的，聚類、離散統(tǒng)計(jì)分析、隨機(jī)游走、小波/F變換，這些算法用在哪些標(biāo)簽會更合適的，給出一個很明確的圖(整個訓(xùn)練過程就不進(jìn)入深談)。

從另外一個角度來看一下這個體系這個會顯得很直觀：

3. 流失模型

在分析中會選擇一個用戶樣本進(jìn)行觀察與分析，在流失模型中選擇每一個變量參與到模型計(jì)算都是需要做不同的評估的。

例如：用戶基礎(chǔ)屬性中年齡、App使用時長、興趣標(biāo)簽、上網(wǎng)行為、手機(jī)品牌等，這是從模型角度要考慮的變量，通過找到的一些線索，分析不同用戶群體在這些標(biāo)簽上有什么屬性，從而識別哪一類用戶忠誠度比較高。

流失模型里面不做更多討論，圖示給出流失模型中的某一個節(jié)點(diǎn)判斷。

4. 人群的分析

經(jīng)過反復(fù)的分析以及定量與定性的分析與刻畫，可以從流失角度對用戶分群進(jìn)行定量描述。

每一個分群除了含有流失的描述外，還有很多其它相關(guān)顯著屬性來進(jìn)行刻畫，再進(jìn)一步根據(jù)分群的用戶特征來做下一步的業(yè)務(wù)活動。

例如 ：第三方應(yīng)用分發(fā)這個業(yè)務(wù)，根據(jù)特征可以劃分為十幾個用戶群體，其中有兩個群體可以定位為低活躍低黏性、易流失搜索用戶群體。

低活躍低黏性的群體顯著特征是一日游用戶很多，都是新安裝的用戶過來看一下就離開了（不排除有潛在的作弊用戶可能性）。

這個用戶的特征是很多用戶有click 響應(yīng)、95%的用戶沒有安裝任何工具類App或游戲類的App（猜測一下，這個來看新機(jī)或潛在作弊刷量可能，或被其它的APP或升級功能引導(dǎo)到這個應(yīng)用市場，也可能中間被渠道截胡了）。

有了這些定量描述后，可以群體的定性刻畫與業(yè)務(wù)上的觸達(dá)動作。

5. 用戶觸達(dá)及渠道評估階段

下圖給出的三個易流失用戶群體的定量描述，有了這些定量描述與群體規(guī)模可以在業(yè)務(wù)上做些事情。

能做什么事情呢？

針對這些用戶群體指定不同的觸達(dá)文案、觸達(dá)活動頁面與內(nèi)容，然后再選擇比較合適的通道，像站內(nèi)信、APP push、短信、電子郵件、成本更高的電話回訪等一系列手段，進(jìn)行用戶觸達(dá)拉活等，過后再進(jìn)行效果的評估。

比如這三個群體、低活躍低黏性、易流失搜索、邊緣性型三個群體，需要開始做用戶觸達(dá)， 考慮成本，在用戶觸達(dá)的方案上選擇了Push的方式來做流量測試。

相比較產(chǎn)品改造的風(fēng)險(xiǎn)和開發(fā)時間，Push有著快速驗(yàn)證的優(yōu)點(diǎn)。

與此同時，為了控制影響，避免騷擾正常用戶，在Push投放時，一個用戶最多只能收到一條，那么可以對流失風(fēng)險(xiǎn)較高的用戶進(jìn)行投放。

投放結(jié)束后需要總結(jié)，從啟動率的比較、Push CTR% click ctr%等一系列角度進(jìn)行分析并輸出相關(guān)結(jié)論。

當(dāng)然這個過程只是針對不太啟動的用戶群體做Push拉活，也還有很多的其它抓手與觸點(diǎn)需要與用戶做更多的作用，才能達(dá)到想要的結(jié)果。

例如在已經(jīng)曾經(jīng)值得紀(jì)念那款第三方的APP分發(fā)平臺，從運(yùn)營入口、內(nèi)容入口、產(chǎn)品入口分別盤點(diǎn)出來的所有渠道資源與觸達(dá)給用戶的內(nèi)容，可以參考一下， 這塊業(yè)務(wù)沒什么可以做深入分析了。

到此，從流失到挽留的一個比較簡單的完整動作就此結(jié)束了。

現(xiàn)在很多App的前后臺都支持在線的定向投放、小流量測試、a/b測試等一系列測試功能，對于觸達(dá)用戶拉活還是有特別大的幫助。

總結(jié)一下，用戶生命周期中的數(shù)據(jù)驅(qū)動，因?yàn)樯婕暗疆a(chǎn)品運(yùn)營、數(shù)據(jù)分析與挖掘、用戶運(yùn)營，在分工上每一個團(tuán)隊(duì)關(guān)注的重點(diǎn)必然是不同的。

6. 用戶流失與數(shù)據(jù)產(chǎn)品化

數(shù)據(jù)分析與挖掘，是要研究消費(fèi)用戶群體、建立流失指數(shù)、沉淀回流拉動目標(biāo)群體圈定與用戶分析等。

這樣可以給業(yè)務(wù)一個瞄準(zhǔn)器，可以讓大家知道需要觸達(dá)哪些用戶、什么時間節(jié)點(diǎn)觸達(dá)、以什么樣的活動可以觸達(dá)。

同時也能給業(yè)務(wù)傳遞一套比較客觀與科學(xué)的上線評估體系，而不用業(yè)務(wù)自己上線、自己評估、自己說了算（ 例如：有的業(yè)務(wù)會觀察組對照組都搞的不對，這種潛在的小故障是不在少數(shù)的）。

通過數(shù)據(jù)分析與挖掘，拿到了瞄準(zhǔn)器與打擊節(jié)奏，接下來就是要解決武器與打擊地點(diǎn)的問題，結(jié)合產(chǎn)品運(yùn)營方向、用戶運(yùn)營方向，從產(chǎn)品的運(yùn)營內(nèi)活動、Push渠道不同內(nèi)容推薦、產(chǎn)品優(yōu)化與完善的的角度就是要解決用什么手段觸達(dá)用戶了。

我在針對這個方法論提煉一下就是如下圖所示：

有了場景、方法論，我們的數(shù)據(jù)產(chǎn)品經(jīng)理就有空間去到更多的系統(tǒng)化與產(chǎn)品化，將這整個過程從體系化的角度進(jìn)行泛化，讓更多的前線運(yùn)營、產(chǎn)品運(yùn)營同學(xué)參與工作。用一個通用詞來說就是”賦能“給他們。

這個賦能過程是要從”探索“和”效果評估“的體系化來規(guī)劃，還需要加上觸達(dá)資源庫管理與用戶分群變量管理，講到這里或許一些懂這個方向產(chǎn)品的讀者已經(jīng)能夠構(gòu)思這款產(chǎn)品該是個什么樣子。

如果展開講，共有六層是要思考：

1. 底層就是需要數(shù)據(jù)的支持，需要用戶畫像、標(biāo)簽支持，切入點(diǎn)就是要很容易的添加補(bǔ)充與管理很多標(biāo)簽。
2. 模型支持層就是有各種算法模型的可視化與非常容易的組織，做好更多興趣標(biāo)簽的挖掘與管理，切入點(diǎn)就是探索與輸出更多的模型。
3. 用戶分群層，就是根據(jù)變量進(jìn)行人群的細(xì)分與各種角度角度刻畫，切入點(diǎn)就是定向人群分析、人群差異化分析等等。
4. 策略層，支持人工運(yùn)營、人工調(diào)整，自動化的調(diào)整等， 切入點(diǎn)就是系統(tǒng)化與人工方式。
5. 內(nèi)容層， 包裝了大量的個性化內(nèi)容專題、促活的運(yùn)營活動、文案引導(dǎo)模板等等等素材庫，切入點(diǎn)就是產(chǎn)品化策略優(yōu)化，運(yùn)營的策略固化。
6. 觸達(dá)渠道層，就是要從用戶路徑角度盤點(diǎn)清楚運(yùn)營入口、內(nèi)容入口、產(chǎn)品入口等觸達(dá)點(diǎn)能夠很容易的觸達(dá)到用戶， 切入點(diǎn)就是產(chǎn)品、運(yùn)營資源庫的各種內(nèi)容。

如下圖所示：

這個架構(gòu)產(chǎn)品化后，會給業(yè)務(wù)的生產(chǎn)效率帶來很大的提升（這里只是放了一個核心圖），跟這款產(chǎn)品有關(guān)的其它的知識等內(nèi)容不在這里做闡述與分享。

四、寫在最后

在寫完這篇文章后，發(fā)現(xiàn)與自己最開始列的大綱還是有很大的差異。

原計(jì)劃是寫一個完整的流失分析，在整理過程發(fā)現(xiàn)所牽涉的知識面還是非常廣的，也讓自己整理了很多項(xiàng)目的材料，并對這些材料進(jìn)行了脫敏處理。

這個文章可以給業(yè)務(wù)一些參考，也可以給分析師一些分析方向上的參考，同時可以給數(shù)據(jù)產(chǎn)品經(jīng)理一個從業(yè)務(wù)到模型到數(shù)據(jù)產(chǎn)品的規(guī)劃參考。按照慣例，里面涉及到的很多案例不做更詳細(xì)的解釋，如果有感興趣可以私下交流。

上篇回顧：帶你遍歷用戶生命價值與流失挽救（上) : 流量下的價值套路

作者：松子（李博源），自由撰稿人，數(shù)據(jù)產(chǎn)品 & BI 資深總監(jiān)。公眾號：songzi2016。

本文由 @松子 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

題圖來自 Unsplash，基于 CC0 協(xié)議