1）业务理解：为什么要做流失预警这件事？

首先通过一个公式了解一下为什么要做沉默预警：

MAU = 当月新增用户+ 沉默唤醒用户+ 上月留存用户

其中，当月新增与拉新获客有关，沉默唤醒则是把已经沉默的用户通过各种手段将其唤醒，让这部分用户重新回归APP，剩余部分则是MAU占比最重（一般超过60%）的上月留存用户，即上个月活跃当月也活跃的用户。

同时，获取一个新用户的成本是维护一个老客户的5倍，并且用户流失之后再将其唤醒的效率是非常低的。所以提升MAU见效最快、投入产出比最高的办法就是提升用户留存，减少用户流失。

从另一个维度来理解：产品就像是蓄水池，用户就像是池子里的水。

池子中每时每刻都有新用户源源不断地加入，也有一部分用户选择离开。

如果用户流失超过新用户的补给，且速度越来越快、规模越来越大时，产品如若不警惕，蓄水池迟早会干涸。

从MAU公式来看，当流失用户的量越来越大，且大于新增用户和沉默用户唤醒的用户总量时，MAU这个蓄水池就会逐渐干涸。

那如何减少用户流失呢？

“防患于未然”，建立一套沉默用户预警及挽留机制，以提升用户留存，拉动活跃。具体而言，即建立一套流失预警的分类模型，用于预测用户次月的流失概率。

2）业务界定：谁是目标客户？

不同行业对流失用户的定义都不尽相同。

流失用户的定义需要结合产品自身的特定来确定，主要有两点因素：关键行为和未进行操作的时间长度。

例如电商类产品可能要三个月未登录或者一年没有关键行为才能被认定为流失用户。

合适的时间长度除了可以通过此前积累的经验来确定，还可以通过拐点法来确认，即观察流失期限与回访率或未使用比例的相关曲线，在合理的范围内选择拐点来确定合理的流失时间间隔。

这里以某金融APP为例。用户的账单一般以月的维度生成，所以我们将流失用户定义为30天没有登陆APP的用户，进一步也绘制了流失期限与回访率的曲线，如下图所示，也初步验证了我们对目标客群的界定范围是合理的。

界定完目标客群之后，再对目标客群的画像进行一个初步的探索，如下图。

可以看到APP用户的构成情况：

- 新注册用户中仅60%用户登录过APP

- 40%用户没有来过APP

说明前端获客之后用户激活有待提升，登录过APP的新户其次月留存也仅52%。

APP中98%的用户为存量用户，其中仅23%的用户近30天登录过APP，但其次月有80%的用户还留存在APP。

通过以上分析可以看出，新户和存量用户其流失概率存在显著差异，为了提升模型的准确度，因此后续建模过程中会将用户划分为新户和存量用户分别建模。

除此之外，存量用户的规模是相对较大的，整体的用户活跃度也相对较低。

通常召回的资源往往是有限的，用户沉默时间越长，其彻底流失的可能性越大，因此我们考虑将客群进行细分后再进行建模，下图为注册用户的活跃情况以及近1年活跃用户在未来1个月的活跃情况。综合用户体量以及正负样本的分布情况，故选择近6个月活跃过的用户作为目标客群建模。

3）模型构建：怎么建立流失预警模型？

模型构建侧重技术，在这里不多阐述，欢迎留言交流。

4）模型验证与调优：这个模型效果好吗？