? ? ? ?

? ? ? ? 有一個比喻非常恰當：產(chǎn)品如同蓄水池，用戶好比池中之水。池子中每時每刻都有新用戶源源不斷地加入，也有一部分用戶選擇離開。

　　如果用戶流失超過新用戶的補給，且速度越來越快、規(guī)模越來越大時，產(chǎn)品如若不警惕，蓄水池遲早會干涸。

　　這是用戶流失研究的背景。產(chǎn)品階段不同，重心也會從拉新轉(zhuǎn)移到留存，對于一個成熟的產(chǎn)品和飽和的市場而言，獲取一個新用戶的成本可能是留住一個老用戶的數(shù)倍，流失率的降低也意味著營收的增加，在這種條件下，流失研究的價值是顯而易見的。

　　而研究流失用戶所面臨的主要問題，是如何衡量用戶流失的規(guī)模，重中之重是梳理清楚“流失用戶”和“流失率”的定義?；蛟S你腦海中早已經(jīng)羅列好了幾點困惑：

　　為了給流失一個明確、又能符合產(chǎn)品特征的定義，并且相對準確地識別出可能流失的用戶，我們引入二元邏輯回歸作為定量流失研究的模型。

　　在模型中，我們將一段時間內(nèi)用戶的一系列行為特征數(shù)據(jù)(如在線天數(shù)、充值金額、積分等級、點擊次數(shù)……)，代入二元邏輯回歸方程中，就可以計算出相應(yīng)的流失概率。

　　也可以用下圖數(shù)據(jù)采集與流失預(yù)測的時間窗口來理解這一過程。選擇產(chǎn)品中一部分老用戶，觀察和收集他們在一個月內(nèi)的行為數(shù)據(jù)(深藍色部分)，通過這些數(shù)據(jù)，我們可以預(yù)測其在未來一段時間內(nèi)(紅色部分)的流失與留存情況。

　　在預(yù)測周期 1 內(nèi)出現(xiàn)但周期 2 未出現(xiàn)的，說明在周期 2 內(nèi)流失了，如果兩個周期內(nèi)都沒有出現(xiàn)，那么可能在觀察期內(nèi)就流失了，上述兩種都屬于流失;而周期 1 和周期 2 都有出現(xiàn)的用戶，則是留存用戶。

　　但是，在通過定量模型來研究流失的過程中，往往存在著幾個常見的誤區(qū)：

　　一、數(shù)據(jù)僅為工具，產(chǎn)品理解貫穿始終

　　如何界定流失用戶，避免概念誤區(qū)

　　在構(gòu)建流失模型時，通常以月作為分析和數(shù)據(jù)提取的周期，比如在上圖時間窗口中，以連續(xù)一個月沒有使用算作流失。但這種簡單粗暴的劃分方法往往會帶來三方面的問題。

　　1、流失周期受用戶使用間隔決定，不同周期劃分影響用戶結(jié)構(gòu)比例

　　如果以 1 個月作為流失周期，那么十月出現(xiàn)但十一月沒有出現(xiàn)(藍色圓點代表出現(xiàn))的用戶在十一月流失了，而實際上，他在十二月又出現(xiàn)了，是一個回訪用戶(見回訪3)，并沒有真實流失。

　　如果我們以 2 個月為周期，則“回訪3”的用戶在10~ 11 月， 12 月以后兩個周期內(nèi)都出現(xiàn)過，應(yīng)該是一個留存用戶。周期劃分對用戶流失界定有著直接影響。

　　2、如果簡單以一個月為周期進行用戶分類，回訪用戶過多(比如占總體15%)，無法忽視且難以處理

　　無論以何種周期劃分，必然存在一定比例的回訪用戶，將回訪用戶作為缺失值、算作留存用戶或者作為流失用戶，均對模型準確率有較大影響。

　　3、流失周期劃分會影響模型的準確率與平衡性

　　如下表，以總樣本100w為例，分別以 4 周、 5 周、 6 周作為流失標準，劃分出的流失和留存用戶是不同的，對應(yīng)的流失留存預(yù)測準確率也不同。

　　流失周期過短，流失預(yù)測的準確率低，因為定義為流失的用戶中有大量實際留存的用戶，只是其使用間隔長而已(比如以 1 周沒登錄就算流失，但實際上很多留存用戶2~ 3 周才登錄一次，也被劃分成流失用戶);同時周期過短，定義為留存的用戶實際上后來也會流失。

　　因此，不合理的周期造成預(yù)測準確率低且不平衡，我們需要不斷嘗試周期劃分，在保證整體準確率的情況下尋求流失與留存準確率最佳的平衡點，才能更為準確地同時預(yù)測流失及留存情況。

　　如果流失準確率有90%但留存只有50%，那么雖然我們預(yù)測流失的用戶幾乎都是真正會流失的，但可能只識別出了總體用戶中一小部分流失用戶，還有大量流失用戶被劃分在了留存用戶中，導致留存準確率過低。

　　在這種情況下，選擇恰當?shù)亩x方法顯得至關(guān)重要。通過查閱資料，我們發(fā)現(xiàn)對流失比較經(jīng)典的定義是“一段時間內(nèi)未進行關(guān)鍵行為的用戶”，關(guān)鍵點在于如何界定時間周期(流失周期)和關(guān)鍵行為(流失行為)。

　　我們選擇經(jīng)典的拐點理論來作為周期界定的參考：

　　用戶回訪率拐點(用戶回訪率 = 回訪用戶數(shù) ÷ 流失用戶數(shù) × 100%)

　　同時結(jié)合對產(chǎn)品的理解，選擇“主動登錄”這一行為作為是否流失的關(guān)鍵行為。

　　但經(jīng)典的理論也會遇到尷尬：沒有出現(xiàn)拐點怎么辦?

　　回訪率拐點可能與產(chǎn)品存在一個平臺期(瓶頸)有關(guān)：用戶/玩家處在哪些等級可能流失加劇，或者是在線時長達到多少會產(chǎn)生疲倦加劇流失，哪些角色的用戶更容易流失等等。

　　比如游戲，游戲的特點是：回合、關(guān)卡、任務(wù)、日常與升級，但這與一些產(chǎn)品長周期、長間隔的用戶使用行為模式并不相同。

　　在沒有拐點的情況下，可以依據(jù)產(chǎn)品經(jīng)驗或結(jié)合模型預(yù)測準確率判斷，一般產(chǎn)品的回訪率5%-10%，不管劃分多長的時間周期都會存在回訪，誤差不可避免。

　　二、指標沒選好，模型調(diào)到老

　　如何優(yōu)化數(shù)據(jù)模型，避免方法誤區(qū)

　　搭建數(shù)據(jù)模型的關(guān)鍵在于行為數(shù)據(jù)的選擇，這也是最耗時耗力的地方。在建立模型之前，有必要和數(shù)據(jù)&開發(fā)的同事來一次促膝談心，對數(shù)據(jù)庫和埋點的情況進行摸底，再次明確一些數(shù)據(jù)概念的操作化定義，避免發(fā)生誤解。

　　比如，誤解通常來自于以下幾點：

　　可問題往往沒有那么簡單，即使定義得再精確細致，模型的準確性也可能不高。如果明白“管中窺豹”這個成語的意思，你很可能找到了答案。

　　通常我們以一個月為周期，提取用戶一個月內(nèi)的行為數(shù)據(jù)。但是產(chǎn)品不同，用戶操作習慣是大相徑庭的，有的產(chǎn)品 1 個月的時間周期太短，就難以形成足夠的行為數(shù)據(jù)，好比是盲人摸象，摸到一條尾巴要預(yù)測出是一頭大象，的確很有難度。

　　另一方面，時間過短部分用戶尚在好奇和探索階段，沒有完全沉淀下來成為真正的用戶。反之，如果一味增加提取數(shù)據(jù)的時間周期，項目執(zhí)行的時間成本也會水漲船高;同時，等提取周期結(jié)束，一些用戶早已流失，即使預(yù)測成功也難以挽回。

　　模型的準確性依賴于數(shù)據(jù)提取周期問題的解決，我們需要一個用戶多長時間的數(shù)據(jù)才能準確預(yù)測該用戶下一階段的行為?

　　通過二元邏輯回歸的ROC曲線可以進行評估，如下圖， 6 周的數(shù)據(jù)明顯優(yōu)于 1 個月(曲線右下方面積越大預(yù)測準確性越高)，而 2 個月的數(shù)據(jù)只略優(yōu)于 6 周，幅度有限，且時間成本較大，因此選擇 6 周作為數(shù)據(jù)提取的周期。

　　第二個難點在于流失原因的分析，也即流失影響因素的選擇。選擇一些具有流失用戶典型特征的指標維度作為自變量，一步步嘗試修改指標，迭代模型。

　　如果前期流失模型準確性低，并且流失用戶的特征與模型的特征不符，則需要尋找新的流失因素，并納入流失預(yù)警模型的提取數(shù)據(jù)點。指標的選擇，一方面需要不斷試錯，最主要還是基于對業(yè)務(wù)的理解。

　　建模過程中的主要問題是模型預(yù)測準確性低，我們可以通過檢查是否沒有納入典型的指標維度、是否存在多重共線性來有的放矢地加以解決，有時不顯著的原因可能出乎意料——比如產(chǎn)品功能更新了，或者年底積分折半了，拿到的是被污染過的數(shù)據(jù)而不自知。

　　三、不止預(yù)測：模型只是方法而非終點

　　如何支持用戶運營，避免應(yīng)用誤區(qū)

　　通過流失預(yù)警模型，我們可以獲得產(chǎn)品一系列功能模塊或指標對流失留存的影響因子，并計算出每個用戶的流失概率。通過影響因子，我們可以對流失原因有所了解，在此基礎(chǔ)上進行深入研究和確認，結(jié)合用戶反饋的頻率、專家意見等確定改版的優(yōu)先級。

　　計算流失概率只是一種方法，而不是研究的最終目的，流失研究也不能到此就淺嘗輒止。區(qū)分出可能流失的用戶是為了提高挽留策略的針對性，提高效率與減少成本，實現(xiàn)精細化運營——這也是流失模型的核心價值所在。

　　比如，從用戶使用的輕重程度出發(fā)(如上圖)，在通過模型計算出用戶未來的流失概率后，將使用App的頻率和時長作為用戶輕重度的劃分標準，結(jié)合用戶流失留存預(yù)期，將用戶劃分為高價值、重點發(fā)展、重點轉(zhuǎn)化、有待挽留等幾種類型，分析每個類型用戶不同的行為特點和使用痛點，采取針對性的運營策略。

　　當然，流失模型也可結(jié)合付費維度進行研究。先篩選出極有可能將會流失的用戶，再根據(jù)購買頻次和付費金額來進行細分。

　　比如從未付費的用戶可通過優(yōu)惠券、促銷活動或超低價商品吸引回訪、促成首單購買;少量付費且客單價低的用戶可以精準推送符合個性化偏好的商品，或者推薦符合該用戶消費層次的超值商品;多次付費的老用戶，可以增加會員專屬優(yōu)惠，通過回饋激勵增強用戶粘性，延長使用周期。

　　以上只是流失模型的兩個層面的應(yīng)用，在不同項目中還可以結(jié)合多種方式對用戶進行精細化運營。模型準確性高的話，可以用更少的成本、對用戶更少的干擾來留住更有價值的用戶。

　　當然，提及用戶細分、精細化運營和產(chǎn)品功能體驗的優(yōu)化，又離不開對用戶的理解和對產(chǎn)品業(yè)務(wù)的積淀。和這種不斷的積淀一樣，流失預(yù)警模型也需要不斷地修正和迭代，以適應(yīng)產(chǎn)品發(fā)展的需求。

　　以模型作為一種研究技術(shù)，以對用戶和業(yè)務(wù)的理解積淀作為基礎(chǔ)，來一起推動產(chǎn)品迭代和運營活動的落地，這兩者都是用戶研究的價值所在。

本文鏈接: http://www.yixieshi.com/89757.html (轉(zhuǎn)載請保留)