有同學問：用戶流失該怎么分析？用戶流失率的數據可以算，可算出來以后呢？只看數據似乎完全看不出什么流失原因，只知道用戶已經X個月沒有來了，也不知道看到這個能干啥。今天系統解答一下。

用戶流失分析常見錯誤

錯誤1：試圖挽留每一位用戶

這是運營最常見的錯誤，很多新人都會踩這個坑。不購物了就發券，不登錄了搖轉盤。結果空燒經費，養出來一幫無利不起早的羊毛客。

實際上，用戶流失是不可避免的，天下沒有100%的留存。每種業務都要關注自己的核心用戶。在談及用戶流失的時候，我們真正要做的是：把流失率關在籠子里，控制在一個可以接受的水平上。

錯誤2：試圖搞懂每一個流失原因

這是分析最常見的錯誤，很多新人都會踩這個坑。用戶不喜歡？我們沒做好？對手太厲害？用戶沒錢了？

總之想給每個人一個理由?？蓧焊鶝]數據，于是大眼瞪小眼。實際上，我們沒必要、也沒能力窮舉所有原因。同上一條，我們只要控制可控因素，減少明顯錯誤即可。

錯誤3：只盯流失不看活躍，事后諸葛

這是另一個常見錯誤。在流失率實際增高以后才開始分析。結果木已成舟，用戶都跑了，分析了也沒啥用。流失率是個相對滯后的指標。在數據上“流失”以前，用戶可能已經跑掉了，早前幾個月就沒活躍了。

所以，流失率要和活躍率結合起來看。對于影響用戶活躍的事件要盡早關注，對于核心用戶活躍率要緊密跟蹤，避免事后做無用功。

用戶流失分析基本思路

用戶流失分析的目標是把流失率關在籠子里，因此在數據上，我們首先關注的是流失率走勢，尤其關注三類問題（如下圖所示）。

1. 事件型問題。由一次/多次事件引發的短期流失率波動。
2. 系統型問題。公司整體流失率高于同行/經驗水平，并且居高不下。
3. 持續型問題。流失率從某時間開始持續增高，未見好轉跡象。

流失率是一個和活躍率相對的概念。雖然我們習慣上會給一個：用戶X月不登錄/不購貨即為流失用戶的定義，但當用戶已經不活躍的時候，真實的流失可能已經發生了。

為了更好的發現流失問題，往往自然周期和生命周期兩種方式，結合活躍率一起看。自然周期往往指向事件型問題（因為事件是按自然日期發生的），生命周期往往指向系統型問題（業務做得不好，用戶生命周期短or存在斷點）。

事件型問題分析方法

負面的事件會引發用戶流失。比如缺貨、漲價、系統BUG、用戶投訴、對手大促銷（我們還恰好沒做）等等。這一類事件最容易被識別到。體現在數據上，受事件影響的用戶群體活躍率，會在事件發生后應聲而落，之后N個月，流失率開始增長。

在分析時，需要：

1. 收集并密切注意相關事件。
2. 做好事件歸類（內部/外部、系統/價格/商品……）。
3. 鎖定受影響用戶群體（打好標簽備觀察）。
4. 關注受影響用戶活躍變化。
5. 觀察事件對整體流失影響。

這樣就事論事，更容易看出結果。在設計挽留方法時，也更容易對癥下藥。找到真正讓用戶不爽的原因，比單純的塞優惠券更能保留用戶。

需注意：正面事件也會提升流失率。特別是用戶拉新、促活、留存、喚醒等等。單純的刺激非消費類軟指標，最容易引發虛假繁榮。

客觀上：只要有優惠活動，就會吸引套利的羊毛客，這類用戶天生流失率就高。

主觀上講：運營方為了制造好看的數據，也會減少限制，留下套利空間。兩下作用，使得正面活動的效果往往會打折。比如新用戶注冊，由拉新活動產生的用戶生命周期流失率很容易明顯高于正常新用戶的（如下圖），之后N個月，這一批用戶流失率勢必高。

因此，在做活動的時候，就得提前考慮相關后果。正面事件不同于負面，該做還得做，我們全面評估它就好了。雖然最后的結果，可能是策劃、運營不想面對的，這里實際考察的是大家的節操值。

系統型問題分析方法

如果發生系統型問題，只說明一點：我們的業務做得比對手差。此時，診斷業務問題，改善業務表現才是核心。診斷方法，可以參照用戶生命周期理論。

用戶在進入期、成長期、成熟期的流失原因有所不同，分析的側重點也有不同，為了節省篇幅，這里簡單總結如下圖。有興趣的同學可以在文末點個在看，數量超過20個再看我們專門分享噢。

在應對系統型問題時，不同階段考慮的重點不同。一般在進入期，會無差別改善。在進入期，用戶實際上還沒有體驗到我們提供的核心賣點，因此需要無差別改善流程，讓用戶盡可能體驗到核心賣點再說。

在互聯網行業往往關注黑色一分鐘（下載到注冊的一分鐘）關注新手教程的過程。在傳統行業，往往強調迎客話術，盡快讓用戶做一次體驗，試用一下產品。

進入成長期后，需要分類對待。進入成長期后，邊緣用戶、羊毛用戶會被淘汰，用戶價值也開始分化。非核心用戶，就該讓他流失掉，一味挽留只是空浪費經費，還會因為打折頻繁讓品牌貶值。這時要特別關注的是核心用戶的流失，核心用戶的活躍率下降，生命周期縮短，新進用戶中核心用戶占比下降，都是大問題，需要細致梳理和解決。有可能沒有等到流失率真的漲上來，就已經開始行動了。

系統型問題可能不是一步解決的，而是持續迭代的過程。有可能我們能診斷出問題，但解決方案并不好使喚，并不能改善數據。因此如果發現存在系統型問題，需要：

1. 選好參照標桿，找準差距
2. 設計解決方案，投入測試
3. 記錄測試結果，觀察數據變化
4. 積累經驗，保留有效方法

最終，我們看到的是我們的用戶留存曲線越來越接近競爭對手，流失率持續下降，這時候可以說：系統型流失問題已得到解決。這中間可能要很多次試驗、嘗試，因此需要做好觀察和記錄，打持久戰。

持續型問題分析方法

持續型問題往往最難解決。因為實際上流失率、活躍率、留存率等數據，經常出現不規則小幅度波動，而不是大幅度持續增長。這就是真正的雞肋問題：放著不管、領導總問。想管一管，沒有頭緒。甚至還有流失率漲了幾天，分析報告還沒寫出來丫就跌回來了，真是尷尬。

處理的順序，事件型 》系統型 》持續型。因為單次的重大事件最容易被識別到，容易通過數據看清楚。同時，往往一系列事件是導致系統型、持續型問題的根源，能識別具體事件對處理其他問題也有幫助。系統型問題，在業務方經驗豐富的情況下，能找到合適的標桿，因此相對容易處理。

最難的事持續型問題，往往流失率變化不會持續到特別嚴重，而是小范圍反復波動（如下圖），在缺少經驗、數據積累的情況下，很難完全識別這些小波動，所以最后解決。如果真解決不了，就設立觀察指標，先追蹤起來。等到有一定程度，可能可以找到線索。

不同業務類型流失處理差異

因為流失問題和業務高度相關，因此不同業務流失分析方向也不同。從大類上看，有兩個最重要的區分維度。

貴重低頻產品VS便宜的快消品

越貴的產品（車、房、大件家居、婚慶……），用戶決策流程越長，越傾向于事前判斷，不存在復購一說。此類業務用戶決策有明顯的窗口期，越往deadline接近，用戶最后下判斷可能越大。

所以，此類業務用戶流失是個倒計時沙漏，在接觸到用戶的第一時間要搞清楚用戶狀態：用戶需求是什么、對比了哪些競品、是否已經開始議價，這樣可以大概判斷：留給我們的時間還有多少。從而更好抓住成交機會，趕緊跟進。而不是傻傻不分需求，按部就班介紹、跟進，黃花菜都涼了。

快消品，或者購買頻次高的消費類產品（比如衣服、鞋、手機）用戶天生忠誠度低，很容易被流行趨勢、促銷活動改變態度。完全可以采用無差距挽留的策略。反正用戶這一次不買，過一段時間也會回來買。

因此處理此類產品，互聯網企業往往區分平臺流失與產品流失兩個流失留存。只要用戶還停留在平臺上，就持續做喚醒。傳統企業往往利用換季、新品上市、周期慶、節日活動等手段，多頻次激活用戶?？傊?，只要用戶價值足夠大，就不拋棄、不放棄。

傳統行業VS互聯網行業

兩者在用戶生命周期上積累的數據量不一樣?；ヂ摼W行業數據較多，往往可以記錄用戶從點擊推廣鏈接-落地頁-注冊-瀏覽-下單全過程，因此常采用漏斗分析法，看流失用戶會卡在哪些步驟，鎖定問題點做改進。特別是新人注冊階段，往往是無差別優化。

傳統行業往往只有消費數據，因此只能用消費頻次、消費間隔來衡量用戶。一般用戶在消費n次以后，不喜歡的會流失，喜歡的會持續買，這就是所謂的魔法數字。通過魔法數字的大小對比，可以知道自己與對手的差距。至于用戶到店-迎客-體驗-服務-評價等行為層面，完全沒有數據，需要通過市場調查等手段補齊。

這里主要是提醒，業務間差異很大，雖然流失的定義可以定成XX月不登錄/不購買。但是實際流失場景可能早就發生了，制止流失的關鍵動作也有可能沒有數據記錄。多結合具體業務思考辦法，比機械碼數字管用。

小結

很多同學覺得用戶流失問題很難處理。從明面上看，是因為用戶流失的數據少，我們不知道用戶心理怎么想的?？蓮谋举|上看，是因為會導致用戶流失的原因，與用戶生命周期、用戶分群、用戶決策流程、用戶成長路徑、新用戶轉化流程、用戶體驗、用戶MOT、競品影響等眾多因素有關。

這里隨便一個主題拿出來都能單獨擺一篇文章。整明白了這些，基本就搞懂了整個用戶運營的流程。本質上，用戶流失分析難，難在：做分析的同學們很少懂用戶運營的業務。

拉一個做分析的同學出來問：

• 生命周期該是多長？
• 行業性留存率是多少？
• 核心用戶是什么群體？
• 核心賣點是什么體驗？
• 競爭對手有多大差異？
• 最近運營發生了啥事？
• 出現哪些意外bug？
• 最新改動有什么影響？
• ……

回答都是：不太知道。甚至是：統統不知道。你問他知道啥？他只知道計算個流失率的數據，然后按用戶年齡、性別、注冊渠道、購買頻次……等指標做一大堆交叉表。然后對著一組組數據1%、2%、3%的差異發呆：到底說明什么了呢？

以上是個玩笑?？傊治霾粌H僅是跑個數據拉個表，更是深入問題內部、找到業務上真正病根。

這篇文章已經很長很長了，有不詳細之處，以后慢慢補全。歡迎大家持續追劇哦。

#專欄作家#

接地氣的陳老師，微信公眾號：接地氣學堂，人人都是產品經理專欄作家。資深咨詢顧問，在互聯網，金融，快消，零售，耐用，美容等15個行業有豐富數據相關經驗。

本文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