流失用戶預警模型知識解讀「流失用戶分析及預測模型」

在做用戶運營的時候，除了要了解用戶，為用戶建立畫像外，另一個重要的方向就是用戶流失分析，對可能流失的用戶進行分析、預警，及時採取措施進行用戶挽留，最大可能的減少企業的損失。

通常情況下，企業挽留一個老用戶相比於拉動一個新用戶，在增加營業收入、產品周期維護方面都是有好處的。眾多實踐證明，提升用戶留存率，減少用戶流失，對於任何一家企業來說都是非常重要的。隨着互聯網的高速發展，對於企業來說，用戶留存也逐漸成為了反映企業及產品核心競爭力的關鍵要素。

如何進行用戶流失分析與預警？主要包括識別流失用戶、定位流失原因、預警即將流失的用戶，最終提供用戶流失名單給運營人員做重點運營。

一定義流失用戶

不同的產品對用戶流失有着不同的定義，一般情況下，用戶流失其實指的是在一段時間內不再使用產品的用戶，可以通過迴流率來判斷，即：迴流用戶數/流失用戶數*100%。在分析時，需先找出可以定義用戶的核心行為，例如用戶多久沒有瀏覽網頁算流失；用戶多久不使用產品算流失。在根據迴流率採用拐點理論來確定流失周期，如下圖可以看出第4周後迴流率下降速度減慢，後期迴流率趨於平緩，因此將第4周定義為流失周期，這樣就可以通過流失周期將用戶劃分為流失與非流失用戶。

二流失原因分析

流失原因分析可從兩個方面着手，一方面可利用構建的用戶流失預測模型，定量的探索找出影響用戶流失的主要原因，從而針對性的進行用戶挽回。另一方面考慮到數據分析的局限性，採用用戶調研問卷、競品調研、客戶反饋評價等定性的分析用戶流失的原因。兩者相結合，可幫助運營人員深入了解流失原因，為後續預防用戶流失制定運營策略。

三構建流失預警模型

在建立模型時，我們需要從歷史數據中獲取到一定時間內的用戶基礎數據（性別、年齡、地域、會員類型、用戶來源等）、用戶行為數據（登錄天數、在線時長、登錄頻次等）以及用戶消費數據（最近一單距今天數、累計單量、累計消費金額、客單價等），同時需要將用戶按是否為流失用戶貼標籤。在數據預處理後可採用機器學習的方法建立模型，由於是二分類問題，同時需要用戶的流失規則及各特徵指標的重要性排序，因此可以選擇隨機森林、決策樹、邏輯回歸等算法。最後通過模型評價指標例如正確率、召回率、精確度等，篩選出最優模型進行模型部署，對未來用戶流失做預警。

接下來舉一個電信的實例，眾所周知，客戶在電信運營商戶群中的地位十分重要，如何有效地保留現有客戶、開發潛在客戶、迴流已流失客戶是電信運營商市場競爭中的三個重要環節，因此對電信客戶流失進行預測尤為重要。

已知從運營商獲取數據：

1、用戶基礎數據，包括性別、年齡、職業、教育程度、所在地區等；

2、用戶的行為數據，包括入網時間、投訴次數、通話時長、基本月租、話費額等。

首先需要先定義流失用戶，確定哪些用戶的核心行為可以代表流失，是連續欠費不交還是號碼長期不用？定義完核心行為後，就可以根據公式計算迴流率，利用拐點理論找出流失周期，

從而為用戶貼標籤。貼完標籤後利用Yonghong Z-Suite中的深度分析模塊建立的用戶流失預警模型界面如下：

以上採用的是邏輯回歸的算法進行建模，模型需要選擇自變量包括性別、年齡、職業、入網時間等，因變量表示是否流失，確定好訓練集和驗證集的比例後便可以運行模型，訓練集用於訓練模型，驗證集用於驗證模型以便輸出最優模型，模型運行完輸出的結果包括模型係數，還有訓練集、驗證集的正確率、召回率、精確度等，如下圖：

建立完模型後可通過產品自帶的調度任務，利用模型應用，定期自動執行實驗，對未來的用戶預測，並將模型預測結果存入到數據集中，方便數據分析人員分析及運營人員採取相應的挽留措施。

在進行完用戶流失分析與預警後，我們拿到了流失名單，可通過聚類、RFM模型等將用戶分群，如下圖給出各類客戶流失率的佔比，也可以進一步細分客戶按性別、年齡等分析用戶的流失率，實現對不同的用戶採用不同的召回策略。

總之，在日益嚴峻的競爭環境下，企業及時的預警和防範用戶流失將變得尤為重要，這就要求運營不僅需要有數據思維和對前沿數據技術的了解，還需挖掘數據深層的價值，以用戶為中心，深入理解用戶需求，增加用戶體驗，用體驗促進轉化。