PMCAFF（www.pmcaff.com）：互聯(lián)網(wǎng)產(chǎn)品社區(qū)，是百度，騰訊，阿里等產(chǎn)品經(jīng)理的學(xué)習(xí)交流平臺(tái)。定期出品深度產(chǎn)品觀察，互聯(lián)產(chǎn)品研究首選。

外包大師（www.waibaodashi.com）：要外包，找大師。PMCAFF旗下高質(zhì)量互聯(lián)網(wǎng)外包解決方案提供商。外包大師服務(wù)號(hào)：waibaodashi365

作者：項(xiàng)宇，網(wǎng)易發(fā)展部用戶(hù)研究員

引言

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

如果用戶(hù)流失超過(guò)新用戶(hù)的補(bǔ)給，且速度越來(lái)越快、規(guī)模越來(lái)越大時(shí)，產(chǎn)品如若不警惕，蓄水池遲早會(huì)干涸。

?

這是用戶(hù)流失研究的背景。產(chǎn)品階段不同，重心也會(huì)從拉新轉(zhuǎn)移到留存，對(duì)于一個(gè)成熟的產(chǎn)品和飽和的市場(chǎng)而言，獲取一個(gè)新用戶(hù)的成本可能是留住一個(gè)老用戶(hù)的數(shù)倍，流失率的降低也意味著營(yíng)收的增加，在這種條件下，流失研究的價(jià)值是顯而易見(jiàn)的。

?

而研究流失用戶(hù)所面臨的主要問(wèn)題，是如何衡量用戶(hù)流失的規(guī)模，重中之重是梳理清楚“流失用戶(hù)”和“流失率”的定義。或許你腦海中早已經(jīng)羅列好了幾點(diǎn)困惑：

• 研究對(duì)象是誰(shuí)：是登錄用戶(hù)、注冊(cè)用戶(hù)，還是全部用戶(hù)的流失率？

• 流失周期為何：是次日流失率、7日流失率還是月流失率？

• 如何定義流失：1個(gè)月沒(méi)有訪問(wèn)的用戶(hù)？2個(gè)月沒(méi)有下單/消費(fèi)的用戶(hù)？還是3個(gè)月沒(méi)有登錄的用戶(hù)？

為了給流失一個(gè)明確、又能符合產(chǎn)品特征的定義，并且相對(duì)準(zhǔn)確地識(shí)別出可能流失的用戶(hù)，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(shí)間內(nèi)用戶(hù)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(jí)、點(diǎn)擊次數(shù)……），代入二元邏輯回歸方程中，就可以計(jì)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(cè)的時(shí)間窗口來(lái)理解這一過(guò)程。選擇產(chǎn)品中一部分老用戶(hù)，觀察和收集他們?cè)谝粋€(gè)月內(nèi)的行為數(shù)據(jù)（深藍(lán)色部分），通過(guò)這些數(shù)據(jù)，我們可以預(yù)測(cè)其在未來(lái)一段時(shí)間內(nèi)（紅色部分）的流失與留存情況。

在預(yù)測(cè)周期1內(nèi)出現(xiàn)但周期2未出現(xiàn)的，說(shuō)明在周期2內(nèi)流失了，如果兩個(gè)周期內(nèi)都沒(méi)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(hù)，則是留存用戶(hù)。

但是，在通過(guò)定量模型來(lái)研究流失的過(guò)程中，往往存在著幾個(gè)常見(jiàn)的誤區(qū)：

• 概念誤區(qū)：自己研究的對(duì)象真的是流失用戶(hù)嗎？有多大比例是“偽流失用戶(hù)”（回流用戶(hù)&使用間隔大的用戶(hù)）？

• 方法誤區(qū)：定量模型的優(yōu)化只能依賴(lài)增減指標(biāo)嗎？是否數(shù)據(jù)一扔就能一勞永逸？還有哪些方法可以提升模型預(yù)測(cè)準(zhǔn)確性？

• 應(yīng)用誤區(qū)：流失預(yù)警模型只能用于區(qū)分流失與非流失用戶(hù)？定量數(shù)據(jù)和流失模型還可以怎樣支撐用戶(hù)細(xì)化與運(yùn)營(yíng)方案？

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(hù)，避免概念誤區(qū)

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

?

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

如果以1個(gè)月作為流失周期，那么十月出現(xiàn)但十一月沒(méi)有出現(xiàn)（藍(lán)色圓點(diǎn)代表出現(xiàn)）的用戶(hù)在十一月流失了，而實(shí)際上，他在十二月又出現(xiàn)了，是一個(gè)回訪用戶(hù)（見(jiàn)回訪3），并沒(méi)有真實(shí)流失。

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

2、如果簡(jiǎn)單以一個(gè)月為周期進(jìn)行用戶(hù)分類(lèi)，回訪用戶(hù)過(guò)多（比如占總體15%），無(wú)法忽視且難以處理

無(wú)論以何種周期劃分，必然存在一定比例的回訪用戶(hù)，將回訪用戶(hù)作為缺失值、算作留存用戶(hù)或者作為流失用戶(hù)，均對(duì)模型準(zhǔn)確率有較大影響。

3、流失周期劃分會(huì)影響模型的準(zhǔn)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(biāo)準(zhǔn)，劃分出的流失和留存用戶(hù)是不同的，對(duì)應(yīng)的流失留存預(yù)測(cè)準(zhǔn)確率也不同。

流失周期過(guò)短，流失預(yù)測(cè)的準(zhǔn)確率低，因?yàn)槎x為流失的用戶(hù)中有大量實(shí)際留存的用戶(hù)，只是其使用間隔長(zhǎng)而已（比如以1周沒(méi)登錄就算流失，但實(shí)際上很多留存用戶(hù)2~3周才登錄一次，也被劃分成流失用戶(hù)）；同時(shí)周期過(guò)短，定義為留存的用戶(hù)實(shí)際上后來(lái)也會(huì)流失。

因此，不合理的周期造成預(yù)測(cè)準(zhǔn)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(zhǔn)確率的情況下尋求流失與留存準(zhǔn)確率最佳的平衡點(diǎn)，才能更為準(zhǔn)確地同時(shí)預(yù)測(cè)流失及留存情況。

如果流失準(zhǔn)確率有90%但留存只有50%，那么雖然我們預(yù)測(cè)流失的用戶(hù)幾乎都是真正會(huì)流失的，但可能只識(shí)別出了總體用戶(hù)中一小部分流失用戶(hù)，還有大量流失用戶(hù)被劃分在了留存用戶(hù)中，導(dǎo)致留存準(zhǔn)確率過(guò)低。

在這種情況下，選擇恰當(dāng)?shù)亩x方法顯得至關(guān)重要。通過(guò)查閱資料，我們發(fā)現(xiàn)對(duì)流失比較經(jīng)典的定義是“一段時(shí)間內(nèi)未進(jìn)行關(guān)鍵行為的用戶(hù)”，關(guān)鍵點(diǎn)在于如何界定時(shí)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(diǎn)理論來(lái)作為周期界定的參考：

用戶(hù)回訪率拐點(diǎn)（用戶(hù)回訪率 = 回訪用戶(hù)數(shù) ÷ 流失用戶(hù)數(shù) × 100%）

同時(shí)結(jié)合對(duì)產(chǎn)品的理解，選擇“主動(dòng)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(huì)遇到尷尬：沒(méi)有出現(xiàn)拐點(diǎn)怎么辦？

回訪率拐點(diǎn)可能與產(chǎn)品存在一個(gè)平臺(tái)期（瓶頸）有關(guān)：用戶(hù)/玩家處在哪些等級(jí)可能流失加劇，或者是在線時(shí)長(zhǎng)達(dá)到多少會(huì)產(chǎn)生疲倦加劇流失，哪些角色的用戶(hù)更容易流失等等。

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

在沒(méi)有拐點(diǎn)的情況下，可以依據(jù)產(chǎn)品經(jīng)驗(yàn)或結(jié)合模型預(yù)測(cè)準(zhǔn)確率判斷，一般產(chǎn)品的回訪率5%-10%，不管劃分多長(zhǎng)的時(shí)間周期都會(huì)存在回訪，誤差不可避免。

二、指標(biāo)沒(méi)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(shí)耗力的地方。在建立模型之前，有必要和數(shù)據(jù)&開(kāi)發(fā)的同事來(lái)一次促膝談心，對(duì)數(shù)據(jù)庫(kù)和埋點(diǎn)的情況進(jìn)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(lái)自于以下幾點(diǎn)：

• 對(duì)活躍用戶(hù)的定義：是登錄用戶(hù)、打開(kāi)app的用戶(hù)還是在線用戶(hù)？

• 數(shù)據(jù)映射和匹配：是按用戶(hù)維度（賬號(hào)）提取還是按照設(shè)備維度（設(shè)備ID）提取數(shù)據(jù)？如何處理一個(gè)賬戶(hù)多臺(tái)設(shè)備和一個(gè)設(shè)備多個(gè)賬戶(hù)的關(guān)系？

• 數(shù)據(jù)埋點(diǎn)：登錄用戶(hù)和匿名用戶(hù)（非登錄）埋點(diǎn)是否一致？某些關(guān)鍵操作（比如主動(dòng)打開(kāi)App）的有無(wú)準(zhǔn)確埋點(diǎn)？能否區(qū)分前臺(tái)打開(kāi)還是后臺(tái)打開(kāi)？

• 數(shù)據(jù)狀態(tài)與記錄方式：能否獲取歷史數(shù)據(jù)，歷史數(shù)據(jù)是累加記錄還是覆蓋？

可問(wèn)題往往沒(méi)有那么簡(jiǎn)單，即使定義得再精確細(xì)致，模型的準(zhǔn)確性也可能不高。如果明白“管中窺豹”這個(gè)成語(yǔ)的意思，你很可能找到了答案。

?

通常我們以一個(gè)月為周期，提取用戶(hù)一個(gè)月內(nèi)的行為數(shù)據(jù)。但是產(chǎn)品不同，用戶(hù)操作習(xí)慣是大相徑庭的，有的產(chǎn)品1個(gè)月的時(shí)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(cè)出是一頭大象，的確很有難度。

另一方面，時(shí)間過(guò)短部分用戶(hù)尚在好奇和探索階段，沒(méi)有完全沉淀下來(lái)成為真正的用戶(hù)。反之，如果一味增加提取數(shù)據(jù)的時(shí)間周期，項(xiàng)目執(zhí)行的時(shí)間成本也會(huì)水漲船高；同時(shí)，等提取周期結(jié)束，一些用戶(hù)早已流失，即使預(yù)測(cè)成功也難以挽回。

?

模型的準(zhǔn)確性依賴(lài)于數(shù)據(jù)提取周期問(wèn)題的解決，我們需要一個(gè)用戶(hù)多長(zhǎng)時(shí)間的數(shù)據(jù)才能準(zhǔn)確預(yù)測(cè)該用戶(hù)下一階段的行為？

通過(guò)二元邏輯回歸的ROC曲線可以進(jìn)行評(píng)估，如下圖，6周的數(shù)據(jù)明顯優(yōu)于1個(gè)月（曲線右下方面積越大預(yù)測(cè)準(zhǔn)確性越高），而2個(gè)月的數(shù)據(jù)只略?xún)?yōu)于6周，幅度有限，且時(shí)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(gè)難點(diǎn)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(hù)典型特征的指標(biāo)維度作為自變量，一步步嘗試修改指標(biāo)，迭代模型。

如果前期流失模型準(zhǔn)確性低，并且流失用戶(hù)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(diǎn)。指標(biāo)的選擇，一方面需要不斷試錯(cuò)，最主要還是基于對(duì)業(yè)務(wù)的理解。

建模過(guò)程中的主要問(wèn)題是模型預(yù)測(cè)準(zhǔn)確性低，我們可以通過(guò)檢查是否沒(méi)有納入典型的指標(biāo)維度、是否存在多重共線性來(lái)有的放矢地加以解決，有時(shí)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(guò)的數(shù)據(jù)而不自知。

?

三、不止預(yù)測(cè)：模型只是方法而非終點(diǎn)

如何支持用戶(hù)運(yùn)營(yíng)，避免應(yīng)用誤區(qū)

?

通過(guò)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(biāo)對(duì)流失留存的影響因子，并計(jì)算出每個(gè)用戶(hù)的流失概率。通過(guò)影響因子，我們可以對(duì)流失原因有所了解，在此基礎(chǔ)上進(jìn)行深入研究和確認(rèn)，結(jié)合用戶(hù)反饋的頻率、專(zhuān)家意見(jiàn)等確定改版的優(yōu)先級(jí)。

計(jì)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(hù)是為了提高挽留策略的針對(duì)性，提高效率與減少成本，實(shí)現(xiàn)精細(xì)化運(yùn)營(yíng)——這也是流失模型的核心價(jià)值所在。

比如，從用戶(hù)使用的輕重程度出發(fā)（如上圖），在通過(guò)模型計(jì)算出用戶(hù)未來(lái)的流失概率后，將使用App的頻率和時(shí)長(zhǎng)作為用戶(hù)輕重度的劃分標(biāo)準(zhǔn)，結(jié)合用戶(hù)流失留存預(yù)期，將用戶(hù)劃分為高價(jià)值、重點(diǎn)發(fā)展、重點(diǎn)轉(zhuǎn)化、有待挽留等幾種類(lèi)型，分析每個(gè)類(lèi)型用戶(hù)不同的行為特點(diǎn)和使用痛點(diǎn)，采取針對(duì)性的運(yùn)營(yíng)策略。

當(dāng)然，流失模型也可結(jié)合付費(fèi)維度進(jìn)行研究。先篩選出極有可能將會(huì)流失的用戶(hù)，再根據(jù)購(gòu)買(mǎi)頻次和付費(fèi)金額來(lái)進(jìn)行細(xì)分。

比如從未付費(fèi)的用戶(hù)可通過(guò)優(yōu)惠券、促銷(xiāo)活動(dòng)或超低價(jià)商品吸引回訪、促成首單購(gòu)買(mǎi)；少量付費(fèi)且客單價(jià)低的用戶(hù)可以精準(zhǔn)推送符合個(gè)性化偏好的商品，或者推薦符合該用戶(hù)消費(fèi)層次的超值商品；多次付費(fèi)的老用戶(hù)，可以增加會(huì)員專(zhuān)屬優(yōu)惠，通過(guò)回饋激勵(lì)增強(qiáng)用戶(hù)粘性，延長(zhǎng)使用周期。

以上只是流失模型的兩個(gè)層面的應(yīng)用，在不同項(xiàng)目中還可以結(jié)合多種方式對(duì)用戶(hù)進(jìn)行精細(xì)化運(yùn)營(yíng)。模型準(zhǔn)確性高的話(huà)，可以用更少的成本、對(duì)用戶(hù)更少的干擾來(lái)留住更有價(jià)值的用戶(hù)。

當(dāng)然，提及用戶(hù)細(xì)分、精細(xì)化運(yùn)營(yíng)和產(chǎn)品功能體驗(yàn)的優(yōu)化，又離不開(kāi)對(duì)用戶(hù)的理解和對(duì)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(duì)用戶(hù)和業(yè)務(wù)的理解積淀作為基礎(chǔ)，來(lái)一起推動(dòng)產(chǎn)品迭代和運(yùn)營(yíng)活動(dòng)的落地，這兩者都是用戶(hù)研究的價(jià)值所在。

點(diǎn)擊閱讀原文，獲取5000個(gè)成熟解決方案

中高端求職 & 招聘，PMCAFF人才服務(wù)最懂你

=> alice.zhang@pmcaff.com

總結(jié)

以上是生活随笔為你收集整理的用户都跑了，你却还分不清流失用户和流失率的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。