3個方面,告訴你用戶流失預警體系如何搭建

3 評論 6392 瀏覽 44 收藏 15 分鐘

流失用戶運營本質是什么?其本質就是基于用戶大數據分析的流失預警。流失預警需要運營能夠根據用戶流失特征準確預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警體系如何搭建。

流失用戶運營本質是什么?這是用戶運營中面臨的一個最具挑戰的課題。

相信許多企業非常關注這個課題,也許每天運營大boss會盯著用戶數據面板大聲呵斥: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。在這套體系的指導下常見的運營場景,是將一段時間內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。

許多企業的用戶運營在重復著這樣的工作,但是會發現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品,想把用戶再召回無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是什么?其本質就是基于用戶大數據分析的流失預警。用戶大數據分析需要運營能夠將用戶的基礎畫像數據、行為數據、消費數據進行建模并挖掘用戶流失特征;流失預警需要運營能夠根據用戶流失特征準確預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警體系如何搭建。

一、流失預警建模原理

首先我們來明晰流失預警的原理:

  • 首先建立一個觀察窗口。通過搜集、分析用戶歷史數據表現,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據確定一個觀察窗口,觀察窗口期內可以通過流失定義來確定一批已知流失用戶。
  • 其次建立一個表現窗口,通過建立用戶大數據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則集,并不斷優化模型提升預測的覆蓋率和命中率。
  • 再次建立預測窗口,在未來幾周或幾個月內,通過模型對尚未明確流失的用戶進行預測,并建立流失評分體系,通過評分規則打上相應流失標簽,比如:高風險流失用戶、中風險流失用戶、低風險流失用戶。

流失用戶運營本質是什么?從3個方面解析用戶流失預警體系如何搭建

上圖是接下來要搭建流失預警模型的一個原理圖,做流失預測分析,我們從大數據角度一一剖析:

在觀察期窗口,我們需要從歷史數據庫里挖掘一批樣本數據用戶,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據,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系并做排序處理。

在表現期窗口,需要搭建最終的流失預測模型,模型通過觀察期樣本數據用戶進行訓練,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確度:

  • 命中率:在對用戶流失進行預測的時候,假設訓練集中的用戶10%為流失用戶,其余都為留存用戶。模型在輸出的結果中,所有預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,證明此模型訓練的效果越好。
  • 查全率:假設我們通過數據挖掘給出業務部門一個20人的流失名單,結果該名單中16人確實流失了,這個模型的查準率達到了80%,相當不錯,可是問題是最終流失用戶是1000名,這時業務部門不干了,模型預測的結果離實際業務情景十萬八千里。這個時候模型需要引入一個指標是查全率,該指標也叫做模型覆蓋率,也就是模型在輸入大數據后,能夠更加全面的覆蓋到我們需要找到的流失用戶。

在預警期窗口,我們最終通過樣本數據建立起流失預測模型,并通過數據不斷訓練,使模型的查準率和查全率得到有效提升。接下來我們可以預測下個月或下個季度用戶流失名單,需要將全量用戶數據導入模型,獲得一個流失規則的評分集或者規則集,并為用戶打標進行精準的分層運營。

二、流失預警模型搭建

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警模型來預測用戶的流失概率,我們通過虛擬數據來確定建模樣本數據,篩選了以下數據字段:

流失用戶運營本質是什么?從3個方面解析用戶流失預警體系如何搭建

我們在拿到樣本數據后開始訓練模型,針對用戶流失預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系,并通過生存算法預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則集,用戶運營可以通過流失規則快速分層用戶并進行運營。
  3. 神經網絡模型:可以計算每個用戶的流失評分,用戶運營可以根據評分高低來確定不同流失風險用戶的運營策略。

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

流失用戶運營本質是什么?從3個方面解析用戶流失預警體系如何搭建

我們再來看下模型的效果,以下為本次樣本分析數據的實際流失客戶。

流失用戶運營本質是什么?從3個方面解析用戶流失預警體系如何搭建

模型個案處理摘要顯示 506 個個案已刪失。該數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

流失用戶運營本質是什么?從3個方面解析用戶流失預警體系如何搭建

最終模型計算出強相關的幾個影響指標,包括地址、職業、電話卡服務、無線網服務、有線網絡服務、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的客戶流失的風險比率是訂購此服務的客戶的 2.024 倍。
  • 網絡服務的 Exp(B) 值表示未訂購網絡服務的客戶流失的風險比率是訂購此服務的客戶的 0.577 倍。

(2)平均客戶的存活曲線

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

流失用戶運營本質是什么?從3個方面解析用戶流失預警體系如何搭建

通過模型輸出的結果,我們可以看到隨著入網年限的增加,用戶的平均生存概率隨之下降,當入網年限達到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警的窗口值可以確定為56個月。

流失用戶運營本質是什么?從3個方面解析用戶流失預警體系如何搭建

確定窗口值后,我們可以將從數據庫中篩選入網時長56個月及以上的用戶數據輸入模型,預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,我們有一條數據流做流失名單的預測:

流失用戶運營本質是什么?從3個方面解析用戶流失預警體系如何搭建

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最可能流失的客戶。

流失用戶運營本質是什么?從3個方面解析用戶流失預警體系如何搭建

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

流失用戶運營本質是什么?從3個方面解析用戶流失預警體系如何搭建

從模型導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數據建模及營銷》里獲得詳細教程講解。

三、用戶分層運營和數據監測

用戶標簽的意義在于豐富用戶運營的場景。

我們通過用戶流失預警模型可以獲得不同流失風險用戶的標簽,如果針對單維度用戶標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,做到千人千面個性化營銷。

用戶分層可以通過多維度交叉實現:

流失用戶運營本質是什么?從3個方面解析用戶流失預警體系如何搭建

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、用戶流失預警進行交叉,可以實現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《用一個實戰案例講解用戶畫像如何應用》相應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測:

流失用戶運營本質是什么?從3個方面解析用戶流失預警體系如何搭建

我們通過這張可視化報表可以了解到做整個用戶運營數據BI報表體系,以用戶生命周期為框架,動態監測不同生命周期用戶的潛力表現和風險表現。

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

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

 

作者:趙文彪,微信公眾號:用戶運營觀察(ID:yunyingguancha),某社區o2o平臺用戶運營負責人,7年互聯網運營經驗,樂于干貨分享,歡迎交流學習

本文由 @趙文彪 原創發布于人人都是產品經理。未經許可,禁止轉載

題圖來自Unsplash,基于CC0協議

給作者打賞,鼓勵TA抓緊創作!
1人打賞
更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 為啥是觀察窗口再到表現窗口呢?我理解的是,先看當前的表現窗口,確定已流失的用戶,再往前推這些用戶的歷史數據是如何表現的,從而確定從哪些方面可以判斷用戶可能存在流失。不知道我的理解對不對?

    回復
  2. 想要用戶流失預警模型原件的同學,微信搜索我的公號:用戶運營觀察,回復:模型。

    回復
    1. 我想要指標體系

      回復