如何搭建用戶流失預警?

2 評論 18048 瀏覽 148 收藏 9 分鐘

在一個用戶成為流失用戶之前,就根據他的自身屬性及行為等特征識別出用戶的流失風險,及時采取措施進行用戶挽留,這就是用戶的流失預警。搭建用戶流失預警主要分為三步:定義——分析——搭建,文章對此展開了詳細的分析,與大家分享。

一、什么是用戶的流失預警?

我們都知道,對于一款相對發展已經較成熟以及市場相對飽和的產品而言,獲取一個新用戶的成本會遠遠高于留住一個老用戶,老用戶的流失意味著收益的減少。所以相信很多人都會去搭建一套流失用戶的召回體系,會先定義流失用戶,然后會用各類觸達方式,例如短信、push等去進行流失用戶召回。

然而,很多情況下這類召回工作的召回率并不理想。一方面,已經真正流失的用戶很可能已經卸載了app,關閉了推送信息,不能進行有效觸達,另一方面用戶因為某種原因放棄了app,在收到召回信息的時候很可能會無視及產生反感,召回的難度可能并不比獲取一個新用戶低。

所以,當用戶已經離開,就已經非常難再讓他回來。所以我們希望能夠在一個用戶成為流失用戶之前,就根據他的自身屬性及行為等特征識別出用戶的流失風險,及時采取措施進行用戶挽留,這就是用戶的流失預警。流失預警一可以將用戶召回時間前置,二與流失召回相比,成本低、召回難度低,三可以在app內進行召回促活,玩法形式更多元。

二、如何搭建用戶流失預警?

1. 定義流失用戶

用戶流失其實指的是在一段時間內不再使用產品的用戶,實際上不同產品對于用戶流失衡量的維度規則是不一樣,不會有一個通用的定義。定義流失通常是兩個維度組合而成,即行為加周期,例如有的產品將一周不登錄定義為流失,一些產品將半年未付費定義為流失。

此外,定義流失還可以結合用戶屬性來分層,例如對于不同性別用戶、不同級別用戶,基于不同的流失閾值設定。

用戶的行為會非常多,我們需要結合產品類型及此階段的總運營目標,找出可以定義用戶的核心行為。例如電商產品可以用購買行為來定義,用戶多久未購買算流失;內容型產品的消費者可以用用戶瀏覽來定義,用戶多久沒有瀏覽算流失,創作者可以用用戶發表來定義,即創作者多久未發表作品才算流失。

而周期則可以用拐點理論結合業務特性來作為周期界定的參考,最終用行為+周期定義流失用戶。

2. 分析流失原因

我們為什么要分析用戶流失原因?是因為在搭建完流失預警模型后,我們需要知道不同用戶產生離開的念頭及行為的原因,針對性的進行用戶挽回。以及尋找用戶留存的關鍵行為,進行用戶行為引導。

根據不同的流失用戶,做針對性流失原因分析,方式主要有以下4類:

3. 流失預警模型搭建

流失預警模型需要針對不同生命周期的用戶采取不同模型來進行預測,可以將用戶分為獲取期、提升期、成熟期、衰退期。分周期是為了在后續將用戶生命階段納入精細化運營的預警召回策略中。流失預警即提取用戶歷史數據,觀察一定窗口時間各相關數據情況,然后根據上述的流失用戶定義評估用戶在表現窗口內流失的情況,從而預測當前用戶在未來的流失概率。

那么哪些用戶數據可以影響到用戶流失?可以粗略的劃分為三個維度,即用戶畫像數據、用戶行為數據、用戶消費數據。此外,我們還需要定義預測的時間窗口,即我們應該分析多長時間段內的樣本數據呢?這就需要結合業務人員經驗以及歷史的用戶行為數據,再綜合數據的可獲取性,最終確立一個合理時間預測窗口。

在觀察期內,我們需要從歷史數據挖掘一批樣本用戶,并依據用戶畫像數據、用戶行為數據、用戶消費數據這三個主維度,完善各層面評價指標,盡量涵蓋全方位的字段數據,以方便后續建模中評價各指標與流失的相關性。

獲取表現期窗口內的結果數據,可以搭建最終的預測模型,獲取用戶的流失規則及各特征指標的重要性排序。常用的預警算法包含決策樹、隨機森林、邏輯回歸等。在預測期窗口,我們將訓練的模型不停優化,剔除一些相關性低的特性。使得模型準確率、命中率、覆蓋率提升,接下來即可預測下個月的用戶流失概率,輸出流失用戶評分及名單。

三、分層運營、預警用戶召回

1. 用戶分層

做好流失預警模型只是把可能有流失傾向的用戶圈出來了,而不采取針對性召回引導等于白做。此時,我們已經擁有不同維度標簽的數據,即用戶生命周期*流失風險概率等級*流失原因等。我們將多維度進行分組交叉排列,可以獲得具有不同營銷場景意義的用戶,可據此建立一套良好的預警召回用戶分層機制。

2. 流失風險用戶促活、召回方式

  1. 發送優惠券及優惠金額調整
  2. 增加app內的用戶引導,場景化提醒文案等
  3. 優化關聯推薦
  4. 個性化push文案、短信等
  5. 其他針對特定流失原因的優化方案

關于各類的精細化運營用戶促活及召回的手段,有非常多的文章在講,在此不詳細贅述。此外,在實際操作中,我們需要注重用戶的促活、召回效果分析,分析用戶的挽回成本。再結合召回效果收益來分析整體的roi,結合ab實驗等手段來不斷優化roi。

以上我們闡述了用戶流失預警的一個大概搭建方法。歡迎關注我的微信公眾號,隨時交流數據分析方面問題。

 

作者:趙小洛,公眾號:趙小洛洛洛

本文由 @趙小洛 原創發布于人人都是產品經理,未經許可,禁止轉載

題圖來自Unsplash,基于CC0協議

本文由@數據分析星球 原創發布于人人都是產品經理,未經許可,禁止轉載。

題圖來自 Unsplash,基于CC0協議

該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 為啥是觀察窗口再到表現窗口呢?我理解的是,先看當前的表現窗口,確定已流失的用戶,再往前推這些用戶的歷史數據是如何表現的,從而確定從哪些方面可以判斷用戶可能存在流失。不知道我的理解對不對?

    來自廣東 回復
    1. 你說的是建模階段,而作者說的是建模完成后了。

      來自浙江 回復