流失用户分析及预测模型(流失用户预警模型知识解读)

一、什么是用户的流失预警

我们都知道,对于一款相对发展已经较成熟以及市场相对饱和的产品而言,获取一个新用户的成本会远远高于留住一个老用户,老用户的流失意味着收益的减少。所以相信很多人都会去搭建一套流失用户的召回体系,会先定义流失用户,然后会用各类触达方式,例如短信、push等去进行流失用户召回。然而,很多情况下这类召回工作的召回率并不理想。一方面,已经真正流失的用户很可能已经卸载了app,关闭了推送信息,不能进行有效触达,另一方面用户因为某种原因放弃了app,在收到召回信息的时候很可能会无视及产生反感,召回的难度可能并不比获取一个新用户低。

所以,当用户已经离开,就已经非常难再让他回来。所以我们希望能够在一个用户成为流失用户之前,就根据他的自身属性及行为等特征识别出用户的流失风险,及时采取措施进行用户挽留,这就是用户的流失预警。流失预警一可以将用户召回时间前置,二与流失召回相比,成本低、召回难度低,三可以在app内进行召回促活,玩法形式更多元。

二、如何搭建用户流失预警

2.1定义流失用户

用户流失其实指的是在一段时间内不再使用产品的用户,实际上不同产品对于用户流失衡量的维度规则是不一样,不会有一个通用的定义。定义流失通常是两个维度组合而成,即行为加周期,例如有的产品将一周不登录定义为流失,一些产品将半年未付费定义为流失。此外,定义流失还可以结合用户属性来分层,例如对于不同性别用户、不同级别用户,基于不同的流失阈值设定。

流失用户分析及预测模型(流失用户预警模型知识解读)

2.2分析流失原因

我们为什么要分析用户流失原因?是因为在搭建完流失预警模型后,我们需要知道不同用户产生离开的念头及行为的原因,针对性的进行用户挽回。以及寻找用户留存的关键行为,进行用户行为引导。根据不同的流失用户,做针对性流失原因分析,方式主要有以下4类:

2.3流失预警模型搭建

流失预警模型需要针对不同生命周期的用户采取不同模型来进行预测,可以将用户分为获取期、提升期、成熟期、衰退期。分周期是为了在后续将用户生命阶段纳入精细化运营的预警召回策略中。流失预警即提取用户历史数据,观察一定窗口时间各相关数据情况,然后根据上述的流失用户定义评估用户在表现窗口内流失的情况,从而预测当前用户在未来的流失概率。

那么哪些用户数据可以影响到用户流失?可以粗略的划分为三个维度,即用户画像数据、用户行为数据、用户消费数据。此外,我们还需要定义预测的时间窗口,即我们应该分析多长时间段内的样本数据呢?这就需要结合业务人员经验以及历史的用户行为数据,再综合数据的可获取性,最终确立一个合理时间预测窗口。

在观察期内,我们需要从历史数据挖掘一批样本用户,并依据用户画像数据、用户行为数据、用户消费数据这三个主维度,完善各层面评价指标,尽量涵盖全方位的字段数据,以方便后续建模中评价各指标与流失的相关性。获取表现期窗口内的结果数据,可以搭建最终的预测模型,获取用户的流失规则及各特征指标的重要性排序。常用的预警算法包含决策树、随机森林、逻辑回归等。在预测期窗口,我们将训练的模型不停优化,剔除一些相关性低的特性。使得模型准确率、命中率、覆盖率提升,接下来即可预测下个月的用户流失概率,输出流失用户评分及名单。

三、分层运营、预警用户召回

3.1用户分层

做好流失预警模型只是把可能有流失倾向的用户圈出来了,而不采取针对性召回引导等于白做。此时,我们已经拥有不同维度标签的数据,即用户生命周期*流失风险概率等级*流失原因等。我们将多维度进行分组交叉排列,可以获得具有不同营销场景意义的用户,可据此建立一套良好的预警召回用户分层机制。

3.2流失风险用户促活、召回方式

发送优惠券及优惠金额调整

增加app内的用户引导,场景化提醒文案等

优化关联推荐

个性化push文案、短信等

其他针对特定流失原因的优化方案

关于各类的精细化运营用户促活及召回的手段,有非常多的文章在讲,在此不详细赘述。此外,在实际操作中,我们需要注重用户的促活、召回效果分析,分析用户的挽回成本。再结合召回效果收益来分析整体的roi,结合ab实验等手段来不断优化roi。以上我们阐述了用户流失预警的一个大概搭建方法。

发表评论

登录后才能评论