中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

流失用戶(hù)運(yùn)營(yíng)本質(zhì)是什么？其本質(zhì)就是基于用戶(hù)大數(shù)據(jù)分析的流失預(yù)警。流失預(yù)警需要運(yùn)營(yíng)能夠根據(jù)用戶(hù)流失特征準(zhǔn)確預(yù)測(cè)哪些用戶(hù)面臨流失？是平臺(tái)的高價(jià)值用戶(hù)還是一般價(jià)值用戶(hù)？我們從三個(gè)方面來(lái)探討用戶(hù)流失預(yù)警體系如何搭建。

流失用戶(hù)運(yùn)營(yíng)本質(zhì)是什么？這是用戶(hù)運(yùn)營(yíng)中面臨的一個(gè)最具挑戰(zhàn)的課題。

相信許多企業(yè)非常關(guān)注這個(gè)課題，也許每天運(yùn)營(yíng)大boss會(huì)盯著用戶(hù)數(shù)據(jù)面板大聲呵斥：用戶(hù)流失率為什么這么高？你們?cè)谧隽魇в脩?hù)的召回工作嗎？

這時(shí)，許多人回答流失用戶(hù)運(yùn)營(yíng)的本質(zhì)不就是流失用戶(hù)召回嘛！

于是，運(yùn)營(yíng)人員會(huì)煞有介事的搭建一套流失用戶(hù)運(yùn)營(yíng)召回體系。在這套體系的指導(dǎo)下常見(jiàn)的運(yùn)營(yíng)場(chǎng)景，是將一段時(shí)間內(nèi)未登陸或購(gòu)買(mǎi)的用戶(hù)定義為流失用戶(hù)；策劃召回活動(dòng)并用push或短信去觸達(dá)用戶(hù)。

許多企業(yè)的用戶(hù)運(yùn)營(yíng)在重復(fù)著這樣的工作，但是會(huì)發(fā)現(xiàn)流失用戶(hù)的召回概率非常低。一方面，用戶(hù)流失意味著用戶(hù)放棄了產(chǎn)品，想把用戶(hù)再召回?zé)o疑變成了一次拉新工作；另一方面，用戶(hù)流失的原因不清楚，想通過(guò)一張券或促銷(xiāo)活動(dòng)文案將用戶(hù)召回，用戶(hù)在看到這樣的召回短信時(shí)往往進(jìn)行了主動(dòng)屏蔽。

那么流失用戶(hù)運(yùn)營(yíng)的真正本質(zhì)是什么？其本質(zhì)就是基于用戶(hù)大數(shù)據(jù)分析的流失預(yù)警。用戶(hù)大數(shù)據(jù)分析需要運(yùn)營(yíng)能夠?qū)⒂脩?hù)的基礎(chǔ)畫(huà)像數(shù)據(jù)、行為數(shù)據(jù)、消費(fèi)數(shù)據(jù)進(jìn)行建模并挖掘用戶(hù)流失特征；流失預(yù)警需要運(yùn)營(yíng)能夠根據(jù)用戶(hù)流失特征準(zhǔn)確預(yù)測(cè)哪些用戶(hù)面臨流失？是平臺(tái)的高價(jià)值用戶(hù)還是一般價(jià)值用戶(hù)？每種用戶(hù)流失挽回的策略不同。

我們從三個(gè)方面來(lái)探討用戶(hù)流失預(yù)警體系如何搭建。

一、流失預(yù)警建模原理

首先我們來(lái)明晰流失預(yù)警的原理：

• 首先建立一個(gè)觀(guān)察窗口。通過(guò)搜集、分析用戶(hù)歷史數(shù)據(jù)表現(xiàn)，包括登陸頻次、登陸時(shí)長(zhǎng)、瀏覽時(shí)長(zhǎng)、瀏覽深度、跳出率、下單頻次等用戶(hù)行為數(shù)據(jù)確定一個(gè)觀(guān)察窗口，觀(guān)察窗口期內(nèi)可以通過(guò)流失定義來(lái)確定一批已知流失用戶(hù)。
• 其次建立一個(gè)表現(xiàn)窗口，通過(guò)建立用戶(hù)大數(shù)據(jù)模型來(lái)分析已知流失用戶(hù)畫(huà)像特征、消費(fèi)行為特征、用戶(hù)生命周期特征來(lái)建立流失規(guī)則集，并不斷優(yōu)化模型提升預(yù)測(cè)的覆蓋率和命中率。
• 再次建立預(yù)測(cè)窗口，在未來(lái)幾周或幾個(gè)月內(nèi)，通過(guò)模型對(duì)尚未明確流失的用戶(hù)進(jìn)行預(yù)測(cè)，并建立流失評(píng)分體系，通過(guò)評(píng)分規(guī)則打上相應(yīng)流失標(biāo)簽，比如：高風(fēng)險(xiǎn)流失用戶(hù)、中風(fēng)險(xiǎn)流失用戶(hù)、低風(fēng)險(xiǎn)流失用戶(hù)。

上圖是接下來(lái)要搭建流失預(yù)警模型的一個(gè)原理圖，做流失預(yù)測(cè)分析，我們從大數(shù)據(jù)角度一一剖析：

在觀(guān)察期窗口，我們需要從歷史數(shù)據(jù)庫(kù)里挖掘一批樣本數(shù)據(jù)用戶(hù)，并完善流失評(píng)價(jià)維度，在這個(gè)階段，流失評(píng)價(jià)維度需要全方位用戶(hù)字段數(shù)據(jù)，以方便接下來(lái)建模過(guò)程中，由模型通過(guò)多元算法評(píng)價(jià)各維度與流失的關(guān)系并做排序處理。

在表現(xiàn)期窗口，需要搭建最終的流失預(yù)測(cè)模型，模型通過(guò)觀(guān)察期樣本數(shù)據(jù)用戶(hù)進(jìn)行訓(xùn)練，判斷已知流失用戶(hù)有哪些？

這個(gè)時(shí)候從幾方面來(lái)評(píng)價(jià)模型的準(zhǔn)確度：

• 命中率：在對(duì)用戶(hù)流失進(jìn)行預(yù)測(cè)的時(shí)候，假設(shè)訓(xùn)練集中的用戶(hù)10%為流失用戶(hù)，其余都為留存用戶(hù)。模型在輸出的結(jié)果中，所有預(yù)測(cè)流失用戶(hù)中實(shí)際流失的百分比，百分比越接近真實(shí)流失比例，證明此模型訓(xùn)練的效果越好。
• 查全率：假設(shè)我們通過(guò)數(shù)據(jù)挖掘給出業(yè)務(wù)部門(mén)一個(gè)20人的流失名單，結(jié)果該名單中16人確實(shí)流失了，這個(gè)模型的查準(zhǔn)率達(dá)到了80%，相當(dāng)不錯(cuò)，可是問(wèn)題是最終流失用戶(hù)是1000名，這時(shí)業(yè)務(wù)部門(mén)不干了，模型預(yù)測(cè)的結(jié)果離實(shí)際業(yè)務(wù)情景十萬(wàn)八千里。這個(gè)時(shí)候模型需要引入一個(gè)指標(biāo)是查全率，該指標(biāo)也叫做模型覆蓋率，也就是模型在輸入大數(shù)據(jù)后，能夠更加全面的覆蓋到我們需要找到的流失用戶(hù)。

在預(yù)警期窗口，我們最終通過(guò)樣本數(shù)據(jù)建立起流失預(yù)測(cè)模型，并通過(guò)數(shù)據(jù)不斷訓(xùn)練，使模型的查準(zhǔn)率和查全率得到有效提升。接下來(lái)我們可以預(yù)測(cè)下個(gè)月或下個(gè)季度用戶(hù)流失名單，需要將全量用戶(hù)數(shù)據(jù)導(dǎo)入模型，獲得一個(gè)流失規(guī)則的評(píng)分集或者規(guī)則集，并為用戶(hù)打標(biāo)進(jìn)行精準(zhǔn)的分層運(yùn)營(yíng)。

二、流失預(yù)警模型搭建

為了更好闡述模型搭建思路，我們虛擬一個(gè)案例：某電信運(yùn)營(yíng)商為減少客戶(hù)流失，需要通過(guò)用戶(hù)流失預(yù)警模型來(lái)預(yù)測(cè)用戶(hù)的流失概率，我們通過(guò)虛擬數(shù)據(jù)來(lái)確定建模樣本數(shù)據(jù)，篩選了以下數(shù)據(jù)字段：

我們?cè)谀玫綐颖緮?shù)據(jù)后開(kāi)始訓(xùn)練模型，針對(duì)用戶(hù)流失預(yù)警在建模思路方面有三種算法：

1. cox生存模型：這個(gè)模型算法最大的作用是可以分析各個(gè)用戶(hù)變量與流失的關(guān)系，并通過(guò)生存算法預(yù)測(cè)出不同用戶(hù)在未來(lái)流失概率。
2. 決策樹(shù)模型：可以提供不同流失的規(guī)則集，用戶(hù)運(yùn)營(yíng)可以通過(guò)流失規(guī)則快速分層用戶(hù)并進(jìn)行運(yùn)營(yíng)。
3. 神經(jīng)網(wǎng)絡(luò)模型：可以計(jì)算每個(gè)用戶(hù)的流失評(píng)分，用戶(hù)運(yùn)營(yíng)可以根據(jù)評(píng)分高低來(lái)確定不同流失風(fēng)險(xiǎn)用戶(hù)的運(yùn)營(yíng)策略。

我們這次建模是通過(guò)cox生存模型進(jìn)行預(yù)警，后邊還會(huì)寫(xiě)文章詳細(xì)闡述另外兩種算法模型的應(yīng)用。模型搭建效果如下：

我們?cè)賮?lái)看下模型的效果，以下為本次樣本分析數(shù)據(jù)的實(shí)際流失客戶(hù)。

模型個(gè)案處理摘要顯示 506 個(gè)個(gè)案已刪失。該數(shù)字表示尚未流失的客戶(hù)量，占比72.3%。

（1）哪些維度會(huì)影響用戶(hù)的流失

最終模型計(jì)算出強(qiáng)相關(guān)的幾個(gè)影響指標(biāo)，包括地址、職業(yè)、電話(huà)卡服務(wù)、無(wú)線(xiàn)網(wǎng)服務(wù)、有線(xiàn)網(wǎng)絡(luò)服務(wù)、電話(huà)時(shí)長(zhǎng)等。

• 地址的 Exp(B) 值表示，對(duì)于居住在同一地址的客戶(hù)，每年的流失風(fēng)險(xiǎn)會(huì)降低 100%?(100%× 0.972)=2.8% 。在同一地址居住兩年的客戶(hù)的流失風(fēng)險(xiǎn)會(huì)降低 100%?(100%×0.9722)=5.5%。
• 電話(huà)卡的 Exp(B) 值表示沒(méi)有訂購(gòu)電話(huà)卡服務(wù)的客戶(hù)流失的風(fēng)險(xiǎn)比率是訂購(gòu)此服務(wù)的客戶(hù)的 2.024 倍。
• 網(wǎng)絡(luò)服務(wù)的 Exp(B) 值表示未訂購(gòu)網(wǎng)絡(luò)服務(wù)的客戶(hù)流失的風(fēng)險(xiǎn)比率是訂購(gòu)此服務(wù)的客戶(hù)的 0.577 倍。

（2）平均客戶(hù)的存活曲線(xiàn)

客戶(hù)存活曲線(xiàn)是“平均”客戶(hù)的模型預(yù)測(cè)流失時(shí)間的可視化顯示。X軸顯示事件發(fā)生的時(shí)間。Y軸顯示生存概率。存活曲線(xiàn)上的任何一點(diǎn)表示“平均”客戶(hù)經(jīng)過(guò)某段時(shí)間仍未流失的概率。

通過(guò)模型輸出的結(jié)果，我們可以看到隨著入網(wǎng)年限的增加，用戶(hù)的平均生存概率隨之下降，當(dāng)入網(wǎng)年限達(dá)到56個(gè)月后，曲線(xiàn)形成塊狀不在平滑，客戶(hù)生存概率急速下降。那本次案例做用戶(hù)流失預(yù)警的窗口值可以確定為56個(gè)月。

確定窗口值后，我們可以將從數(shù)據(jù)庫(kù)中篩選入網(wǎng)時(shí)長(zhǎng)56個(gè)月及以上的用戶(hù)數(shù)據(jù)輸入模型，預(yù)測(cè)在未來(lái)一個(gè)季度或不同季度的流失概率。

（3）模型輸出流失用戶(hù)評(píng)分及名單

在模型最底部，我們有一條數(shù)據(jù)流做流失名單的預(yù)測(cè)：

如果我們對(duì)模型感到滿(mǎn)意，那么我們會(huì)希望對(duì)客戶(hù)進(jìn)行評(píng)分以確認(rèn)下一年一個(gè)季度內(nèi)最可能流失的客戶(hù)。

圖中分別是第一季度預(yù)測(cè)流失27名用戶(hù)、第二季度預(yù)測(cè)流失104名用戶(hù)、第三季度預(yù)測(cè)流失162名用戶(hù)，最后一個(gè)季度流失213名用戶(hù)。

從模型導(dǎo)出的明細(xì)表中我們可以看到每一個(gè)用戶(hù)的流失概率評(píng)分，如何通過(guò)流失評(píng)分來(lái)判斷流失傾向，需要用到模型里的累計(jì)增益圖功能，當(dāng)然篇幅受限就不在文章里一一細(xì)講，大家可以在我的視頻教程《用戶(hù)生命周期spss數(shù)據(jù)建模及營(yíng)銷(xiāo)》里獲得詳細(xì)教程講解。

三、用戶(hù)分層運(yùn)營(yíng)和數(shù)據(jù)監(jiān)測(cè)

用戶(hù)標(biāo)簽的意義在于豐富用戶(hù)運(yùn)營(yíng)的場(chǎng)景。

我們通過(guò)用戶(hù)流失預(yù)警模型可以獲得不同流失風(fēng)險(xiǎn)用戶(hù)的標(biāo)簽，如果針對(duì)單維度用戶(hù)標(biāo)簽做運(yùn)營(yíng)會(huì)存在分組用戶(hù)過(guò)多營(yíng)銷(xiāo)資源有限的情況，因此，實(shí)際運(yùn)營(yíng)中，我們需要建立一套良好的用戶(hù)分層機(jī)制和push機(jī)制，做到千人千面?zhèn)€性化營(yíng)銷(xiāo)。

用戶(hù)分層可以通過(guò)多維度交叉實(shí)現(xiàn)：

在做日常用戶(hù)分層運(yùn)營(yíng)策略，我們以用戶(hù)生命周期、用戶(hù)價(jià)值、用戶(hù)流失預(yù)警進(jìn)行交叉，可以實(shí)現(xiàn)多個(gè)有營(yíng)銷(xiāo)意義的分組。

不同分組的營(yíng)銷(xiāo)策略不累述，在之前文章《用一個(gè)實(shí)戰(zhàn)案例講解用戶(hù)畫(huà)像如何應(yīng)用》相應(yīng)講了不同分組用戶(hù)如何進(jìn)行畫(huà)像，基于畫(huà)像特征制定不同分組用戶(hù)的營(yíng)銷(xiāo)策略。

再者就是要做好分組用戶(hù)的可視化監(jiān)測(cè)：

我們通過(guò)這張可視化報(bào)表可以了解到做整個(gè)用戶(hù)運(yùn)營(yíng)數(shù)據(jù)BI報(bào)表體系，以用戶(hù)生命周期為框架，動(dòng)態(tài)監(jiān)測(cè)不同生命周期用戶(hù)的潛力表現(xiàn)和風(fēng)險(xiǎn)表現(xiàn)。

通過(guò)風(fēng)險(xiǎn)預(yù)警模型輸出不同流失風(fēng)險(xiǎn)水平的用戶(hù)，分布為高流失風(fēng)險(xiǎn)、中流失風(fēng)險(xiǎn)、低流失風(fēng)險(xiǎn)，再結(jié)合生命周期的不同標(biāo)簽和用戶(hù)價(jià)值不同的標(biāo)簽，可以分組更多有營(yíng)銷(xiāo)場(chǎng)景意義的用戶(hù)，比如高流失風(fēng)險(xiǎn)成熟期的高價(jià)值用戶(hù)，這個(gè)用戶(hù)分組以后進(jìn)行相應(yīng)的push計(jì)劃和可視化監(jiān)測(cè)即可。

以上我們闡述了用戶(hù)流失預(yù)警體系的搭建方法，用戶(hù)運(yùn)營(yíng)從大體系來(lái)講，用戶(hù)建模是基礎(chǔ)，用戶(hù)畫(huà)像標(biāo)簽的輸出離不開(kāi)模型的支撐，運(yùn)營(yíng)掌握一門(mén)建模技術(shù)方能做好用戶(hù)運(yùn)營(yíng)。

作者：趙文彪，微信公眾號(hào)：用戶(hù)運(yùn)營(yíng)觀(guān)察（ID：yunyingguancha），某社區(qū)o2o平臺(tái)用戶(hù)運(yùn)營(yíng)負(fù)責(zé)人，7年互聯(lián)網(wǎng)運(yùn)營(yíng)經(jīng)驗(yàn)，樂(lè)于干貨分享，歡迎交流學(xué)習(xí)

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Unsplash，基于CC0協(xié)議