最主要的3大方面「用戶運營分析包括哪幾個方面」

流失用戶運營本質是什麼？其本質就是基於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徵準確預測哪些用戶面臨流失？是平台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麼？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：用戶流失率為什麼這麼高？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！

於是，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；策劃召回活動並用push或簡訊去觸達用戶。許多企業的用戶運營在重複著這樣的工作，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簡訊時往往進行了主動屏蔽。

那麼流失用戶運營的真正本質是什麼？其本質就是基於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、消費數據進行建模並挖掘用戶流失特徵；流失預警需要運營能夠根據用戶流失特徵準確預測哪些用戶面臨流失？是平台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徵、消費行為特徵、用戶生命周期特徵來建立流失規則集，並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，並建立流失評分體系，通過評分規則打上相應流失標籤，比如：高風險流失用戶、中風險流失用戶、低風險流失用戶。

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，我們需要從歷史資料庫里挖掘一批樣本數據用戶，並完善流失評價維度，在這個階段，流失評價維度需要全方位用戶欄位數據，以方便接下來建模過程中，由模型通過多元演算法評價各維度與流失的關係並做排序處理。

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，其餘都為留存用戶。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，這個模型的查准率達到了80%，相當不錯，可是問題是最終流失用戶是1000名，這時業務部門不幹了，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後，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，並通過數據不斷訓練，使模型的查准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，並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，篩選了以下數據欄位：

我們在拿到樣本數據後開始訓練模型，針對用戶流失預警在建模思路方面有三種演算法：

1、cox生存模型：這個模型演算法最大的作用是可以分析各個用戶變數與流失的關係，並通過生存演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並進行運營。

3、神經網路模型：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，後邊還會寫文章詳細闡述另外兩種演算法模型的應用。模型搭建效果如下：

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。

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，佔比72.3%。

（一）、哪些維度會影響用戶的流失：

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、有線網路服務、電話時長等。

地址的 Exp(B) 值表示，對於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。
網路服務的 Exp(B) 值表示未訂購網路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。

（二）、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。