用户流失怎么办？三步教你搭建用户流失分析与预警模型

    在做用户运营的时候，除了要了解用户，为用户建立画像外，另一个重要的方向就是用户流失分析，对可能流失的用户进行分析、预警，及时采取措施进行用户挽留，最大可能的减少企业的损失。
    通常情况下，企业挽留一个老用户相比于拉动一个新用户，在增加营业收入、产品周期维护方面都是有好处的。众多实践证明，提升用户留存率，减少用户流失，对于任何一家企业来说都是非常重要的。随着互联网的高速发展，对于企业来说，用户留存也逐渐成为了反映企业及产品核心竞争力的关键要素。如何进行用户流失分析与预警？主要包括识别流失用户、定位流失原因、预警即将流失的用户，最终提供用户流失名单给运营人员做重点运营。


一、定义流失用户
    不同的产品对用户流失有着不同的定义，一般情况下，用户流失其实指的是在一段时间内不再使用产品的用户，可以通过回流率来判断，即：回流用户数/流失用户数*100%。在分析时，需先找出可以定义用户的核心行为，例如用户多久没有浏览网页算流失；用户多久不使用产品算流失。在根据回流率采用拐点理论来确定流失周期，如下图可以看出第4周后回流率下降速度减慢，后期回流率趋于平缓，因此将第4周定义为流失周期，这样就可以通过流失周期将用户划分为流失与非流失用户。


二、流失原因分析

    流失原因分析可从两个方面着手，一方面可利用构建的用户流失预测模型，定量的探索找出影响用户流失的主要原因，从而针对性的进行用户挽回。另一方面考虑到数据分析的局限性，采用用户调研问卷、竞品调研、客户反馈评价等定性的分析用户流失的原因。两者相结合，可帮助运营人员深入了解流失原因，为后续预防用户流失制定运营策略。
三、构建流失预警模型
    在建立模型时，我们需要从历史数据中获取到一定时间内的用户基础数据（性别、年龄、地域、会员类型、用户来源等）、用户行为数据（登录天数、在线时长、登录频次等）以及用户消费数据（最近一单距今天数、累计单量、累计消费金额、客单价等），同时需要将用户按是否为流失用户贴标签。在数据预处理后可采用机器学习的方法建立模型，由于是二分类问题，同时需要用户的流失规则及各特征指标的重要性排序，因此可以选择随机森林、决策树、逻辑回归等算法。最后通过模型评价指标例如正确率、召回率、精确度等，筛选出最优模型进行模型部署，对未来用户流失做预警。接下来举一个电信的实例，众所周知，客户在电信运营商户群中的地位十分重要，如何有效地保留现有客户、开发潜在客户、回流已流失客户是电信运营商市场竞争中的三个重要环节，因此对电信客户流失进行预测尤为重要。

    已知从运营商获取数据：
        1、用户基础数据，包括性别、年龄、职业、教育程度、所在地区等；

        2、用户的行为数据，包括入网时间、投诉次数、通话时长、基本月租、话费额等。

    首先需要先定义流失用户，确定哪些用户的核心行为可以代表流失，是连续欠费不交还是号码长期不用？定义完核心行为后，就可以根据公式计算回流率，利用拐点理论找出流失周期，从而为用户贴标签。贴完标签后利用Yonghong Z-Suite中的深度分析模块建立的用户流失预警模型界面如下：

    以上采用的是逻辑回归的算法进行建模，模型需要选择自变量包括性别、年龄、职业、入网时间等，因变量表示是否流失，确定好训练集和验证集的比例后便可以运行模型，训练集用于训练模型，验证集用于验证模型以便输出最优模型，模型运行完输出的结果包括模型系数，还有训练集、验证集的正确率、召回率、精确度等，如下图：

    建立完模型后可通过产品自带的调度任务，利用模型应用，定期自动执行实验，对未来的用户预测，并将模型预测结果存入到数据集中，方便数据分析人员分析及运营人员采取相应的挽留措施。在进行完用户流失分析与预警后，我们拿到了流失名单，可通过聚类、RFM模型等将用户分群，如下图给出各类客户流失率的占比，也可以进一步细分客户按性别、年龄等分析用户的流失率，实现对不同的用户采用不同的召回策略。

    总之，在日益严峻的竞争环境下，企业及时的预警和防范用户流失将变得尤为重要，这就要求运营不仅需要有数据思维和对前沿数据技术的了解，还需挖掘数据深层的价值，以用户为中心，深入理解用户需求，增加用户体验，用体验促进转化。