流失用戶運營本質(zhì)是什么？其本質(zhì)就是基于用戶大數(shù)據(jù)分析的流失預(yù)警。流失預(yù)警需要運營能夠根據(jù)用戶流失特征準(zhǔn)確預(yù)測哪些用戶面臨流失？是平臺的高價值用戶還是一般價值用戶？我們從三個方面來探討用戶流失預(yù)警體系如何搭建。

流失用戶運營本質(zhì)是什么？這是用戶運營中面臨的一個最具挑戰(zhàn)的課題。

相信許多企業(yè)非常關(guān)注這個課題，也許每天運營大boss會盯著用戶數(shù)據(jù)面板大聲呵斥：用戶流失率為什么這么高？你們在做流失用戶的召回工作嗎？

這時，許多人回答流失用戶運營的本質(zhì)不就是流失用戶召回嘛！

于是，運營人員會煞有介事的搭建一套流失用戶運營召回體系。在這套體系的指導(dǎo)下常見的運營場景，是將一段時間內(nèi)未登陸或購買的用戶定義為流失用戶；策劃召回活動并用push或短信去觸達用戶。

許多企業(yè)的用戶運營在重復(fù)著這樣的工作，但是會發(fā)現(xiàn)流失用戶的召回概率非常低。一方面，用戶流失意味著用戶放棄了產(chǎn)品，想把用戶再召回?zé)o疑變成了一次拉新工作；另一方面，用戶流失的原因不清楚，想通過一張券或促銷活動文案將用戶召回，用戶在看到這樣的召回短信時往往進行了主動屏蔽。

那么流失用戶運營的真正本質(zhì)是什么？其本質(zhì)就是基于用戶大數(shù)據(jù)分析的流失預(yù)警。用戶大數(shù)據(jù)分析需要運營能夠?qū)⒂脩舻幕A(chǔ)畫像數(shù)據(jù)、行為數(shù)據(jù)、消費數(shù)據(jù)進行建模并挖掘用戶流失特征；流失預(yù)警需要運營能夠根據(jù)用戶流失特征準(zhǔn)確預(yù)測哪些用戶面臨流失？是平臺的高價值用戶還是一般價值用戶？每種用戶流失挽回的策略不同。

我們從三個方面來探討用戶流失預(yù)警體系如何搭建。

一、流失預(yù)警建模原理

首先我們來明晰流失預(yù)警的原理：

• 首先建立一個觀察窗口。通過搜集、分析用戶歷史數(shù)據(jù)表現(xiàn)，包括登陸頻次、登陸時長、瀏覽時長、瀏覽深度、跳出率、下單頻次等用戶行為數(shù)據(jù)確定一個觀察窗口，觀察窗口期內(nèi)可以通過流失定義來確定一批已知流失用戶。
• 其次建立一個表現(xiàn)窗口，通過建立用戶大數(shù)據(jù)模型來分析已知流失用戶畫像特征、消費行為特征、用戶生命周期特征來建立流失規(guī)則集，并不斷優(yōu)化模型提升預(yù)測的覆蓋率和命中率。
• 再次建立預(yù)測窗口，在未來幾周或幾個月內(nèi)，通過模型對尚未明確流失的用戶進行預(yù)測，并建立流失評分體系，通過評分規(guī)則打上相應(yīng)流失標(biāo)簽，比如：高風(fēng)險流失用戶、中風(fēng)險流失用戶、低風(fēng)險流失用戶。

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

在觀察期窗口，我們需要從歷史數(shù)據(jù)庫里挖掘一批樣本數(shù)據(jù)用戶，并完善流失評價維度，在這個階段，流失評價維度需要全方位用戶字段數(shù)據(jù)，以方便接下來建模過程中，由模型通過多元算法評價各維度與流失的關(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)測模型，模型通過觀察期樣本數(shù)據(jù)用戶進行訓(xùn)練，判斷已知流失用戶有哪些？

這個時候從幾方面來評價模型的準(zhǔn)確度：

• 命中率：在對用戶流失進行預(yù)測的時候，假設(shè)訓(xùn)練集中的用戶10%為流失用戶，其余都為留存用戶。模型在輸出的結(jié)果中，所有預(yù)測流失用戶中實際流失的百分比，百分比越接近真實流失比例，證明此模型訓(xùn)練的效果越好。
• 查全率：假設(shè)我們通過數(shù)據(jù)挖掘給出業(yè)務(wù)部門一個20人的流失名單，結(jié)果該名單中16人確實流失了，這個模型的查準(zhǔn)率達到了80%，相當(dāng)不錯，可是問題是最終流失用戶是1000名，這時業(yè)務(wù)部門不干了，模型預(yù)測的結(jié)果離實際業(yè)務(wù)情景十萬八千里。這個時候模型需要引入一個指標(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。

在預(yù)警期窗口，我們最終通過樣本數(shù)據(jù)建立起流失預(yù)測模型，并通過數(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。接下來我們可以預(yù)測下個月或下個季度用戶流失名單，需要將全量用戶數(shù)據(jù)導(dǎo)入模型，獲得一個流失規(guī)則的評分集或者規(guī)則集，并為用戶打標(biāo)進行精準(zhǔn)的分層運營。

二、流失預(yù)警模型搭建

為了更好闡述模型搭建思路，我們虛擬一個案例：某電信運營商為減少客戶流失，需要通過用戶流失預(yù)警模型來預(yù)測用戶的流失概率，我們通過虛擬數(shù)據(jù)來確定建模樣本數(shù)據(jù)，篩選了以下數(shù)據(jù)字段：

我們在拿到樣本數(shù)據(jù)后開始訓(xùn)練模型，針對用戶流失預(yù)警在建模思路方面有三種算法：

1. cox生存模型：這個模型算法最大的作用是可以分析各個用戶變量與流失的關(guān)系，并通過生存算法預(yù)測出不同用戶在未來流失概率。
2. 決策樹模型：可以提供不同流失的規(guī)則集，用戶運營可以通過流失規(guī)則快速分層用戶并進行運營。
3. 神經(jīng)網(wǎng)絡(luò)模型：可以計算每個用戶的流失評分，用戶運營可以根據(jù)評分高低來確定不同流失風(fēng)險用戶的運營策略。

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

我們再來看下模型的效果，以下為本次樣本分析數(shù)據(jù)的實際流失客戶。

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

（1）哪些維度會影響用戶的流失

最終模型計算出強相關(guān)的幾個影響指標(biāo)，包括地址、職業(yè)、電話卡服務(wù)、無線網(wǎng)服務(wù)、有線網(wǎng)絡(luò)服務(wù)、電話時長等。

• 地址的 Exp(B) 值表示，對于居住在同一地址的客戶，每年的流失風(fēng)險會降低 100%?(100%× 0.972)=2.8% 。在同一地址居住兩年的客戶的流失風(fēng)險會降低 100%?(100%×0.9722)=5.5%。
• 電話卡的 Exp(B) 值表示沒有訂購電話卡服務(wù)的客戶流失的風(fēng)險比率是訂購此服務(wù)的客戶的 2.024 倍。
• 網(wǎng)絡(luò)服務(wù)的 Exp(B) 值表示未訂購網(wǎng)絡(luò)服務(wù)的客戶流失的風(fēng)險比率是訂購此服務(wù)的客戶的 0.577 倍。

（2）平均客戶的存活曲線

客戶存活曲線是“平均”客戶的模型預(yù)測流失時間的可視化顯示。X軸顯示事件發(fā)生的時間。Y軸顯示生存概率。存活曲線上的任何一點表示“平均”客戶經(jīng)過某段時間仍未流失的概率。

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

確定窗口值后，我們可以將從數(shù)據(jù)庫中篩選入網(wǎng)時長56個月及以上的用戶數(shù)據(jù)輸入模型，預(yù)測在未來一個季度或不同季度的流失概率。

（3）模型輸出流失用戶評分及名單

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：

如果我們對模型感到滿意，那么我們會希望對客戶進行評分以確認下一年一個季度內(nèi)最可能流失的客戶。

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

從模型導(dǎo)出的明細表中我們可以看到每一個用戶的流失概率評分，如何通過流失評分來判斷流失傾向，需要用到模型里的累計增益圖功能，當(dāng)然篇幅受限就不在文章里一一細講，大家可以在我的視頻教程《用戶生命周期spss數(shù)據(jù)建模及營銷》里獲得詳細教程講解。

三、用戶分層運營和數(shù)據(jù)監(jiān)測

用戶標(biāo)簽的意義在于豐富用戶運營的場景。

我們通過用戶流失預(yù)警模型可以獲得不同流失風(fēng)險用戶的標(biāo)簽，如果針對單維度用戶標(biāo)簽做運營會存在分組用戶過多營銷資源有限的情況，因此，實際運營中，我們需要建立一套良好的用戶分層機制和push機制，做到千人千面?zhèn)€性化營銷。

用戶分層可以通過多維度交叉實現(xiàn)：

在做日常用戶分層運營策略，我們以用戶生命周期、用戶價值、用戶流失預(yù)警進行交叉，可以實現(xiàn)多個有營銷意義的分組。

不同分組的營銷策略不累述，在之前文章《用一個實戰(zhàn)案例講解用戶畫像如何應(yīng)用》相應(yīng)講了不同分組用戶如何進行畫像，基于畫像特征制定不同分組用戶的營銷策略。

再者就是要做好分組用戶的可視化監(jiān)測：

我們通過這張可視化報表可以了解到做整個用戶運營數(shù)據(jù)BI報表體系，以用戶生命周期為框架，動態(tài)監(jiān)測不同生命周期用戶的潛力表現(xiàn)和風(fēng)險表現(xiàn)。

通過風(fēng)險預(yù)警模型輸出不同流失風(fēng)險水平的用戶，分布為高流失風(fēng)險、中流失風(fēng)險、低流失風(fēng)險，再結(jié)合生命周期的不同標(biāo)簽和用戶價值不同的標(biāo)簽，可以分組更多有營銷場景意義的用戶，比如高流失風(fēng)險成熟期的高價值用戶，這個用戶分組以后進行相應(yīng)的push計劃和可視化監(jiān)測即可。

以上我們闡述了用戶流失預(yù)警體系的搭建方法，用戶運營從大體系來講，用戶建模是基礎(chǔ)，用戶畫像標(biāo)簽的輸出離不開模型的支撐，運營掌握一門建模技術(shù)方能做好用戶運營。

作者：趙文彪，微信公眾號：用戶運營觀察（ID：yunyingguancha），某社區(qū)o2o平臺用戶運營負責(zé)人，7年互聯(lián)網(wǎng)運營經(jīng)驗，樂于干貨分享，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

題圖來自Unsplash，基于CC0協(xié)議