流失用戶運(yùn)營本質(zhì)是什么？其本質(zhì)就是基于用戶大數(shù)據(jù)分析的流失預(yù)警。流失預(yù)警需要運(yùn)營能夠根據(jù)用戶流失特征準(zhǔn)確預(yù)測哪些用戶面臨流失？是平臺的高價(jià)值用戶還是一般價(jià)值用戶？我們從三個(gè)方面來探討用戶流失預(yù)警體系如何搭建。

流失用戶運(yùn)營本質(zhì)是什么？這是用戶運(yùn)營中面臨的一個(gè)最具挑戰(zhàn)的課題。

相信許多企業(yè)非常關(guān)注這個(gè)課題，也許每天運(yùn)營大boss會盯著用戶數(shù)據(jù)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(shí)，許多人回答流失用戶運(yùn)營的本質(zhì)不就是流失用戶召回嘛！

于是，運(yùn)營人員會煞有介事的搭建一套流失用戶運(yùn)營召回體系。在這套體系的指導(dǎo)下常見的運(yùn)營場景是將一段時(shí)間內(nèi)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(dá)用戶。許多企業(yè)的用戶運(yùn)營在重復(fù)著這樣的工作，但是會發(fā)現(xiàn)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(chǎn)品，想把用戶再召回?zé)o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(shí)往往進(jìn)行了主動屏蔽。

那么流失用戶運(yùn)營的真正本質(zhì)是什么？其本質(zhì)就是基于用戶大數(shù)據(jù)分析的流失預(yù)警。用戶大數(shù)據(jù)分析需要運(yùn)營能夠?qū)⒂脩舻幕A(chǔ)畫像數(shù)據(jù)、行為數(shù)據(jù)、消費(fèi)數(shù)據(jù)進(jìn)行建模并挖掘用戶流失特征；流失預(yù)警需要運(yùn)營能夠根據(jù)用戶流失特征準(zhǔn)確預(yù)測哪些用戶面臨流失？是平臺的高價(jià)值用戶還是一般價(jià)值用戶？每種用戶流失挽回的策略不同。我們從三個(gè)方面來探討用戶流失預(yù)警體系如何搭建？

一、流失預(yù)警建模原理

首先我們來明晰流失預(yù)警的原理：

首先建立一個(gè)觀察窗口。通過搜集、分析用戶歷史數(shù)據(jù)表現(xiàn)，包括登陸頻次、登陸時(shí)長、瀏覽時(shí)長、瀏覽深度、跳出率、下單頻次等用戶行為數(shù)據(jù)確定一個(gè)觀察窗口，觀察窗口期內(nèi)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(gè)表現(xiàn)窗口，通過建立用戶大數(shù)據(jù)模型來分析已知流失用戶畫像特征、消費(fèi)行為特征、用戶生命周期特征來建立流失規(guī)則集，并不斷優(yōu)化模型提升預(yù)測的覆蓋率和命中率。

再次建立預(yù)測窗口，在未來幾周或幾個(gè)月內(nèi)，通過模型對尚未明確流失的用戶進(jìn)行預(yù)測，并建立流失評分體系，通過評分規(guī)則打上相應(yīng)流失標(biāo)簽，比如：高風(fēng)險(xiǎn)流失用戶、中風(fēng)險(xiǎn)流失用戶、低風(fēng)險(xiǎn)流失用戶。

上圖是接下來要搭建流失預(yù)警模型的一個(gè)原理圖，做流失預(yù)測分析，我們從大數(shù)據(jù)角度一一剖析：

在觀察期窗口，我們需要從歷史數(shù)據(jù)庫里挖掘一批樣本數(shù)據(jù)用戶，并完善流失評價(jià)維度，在這個(gè)階段，流失評價(jià)維度需要全方位用戶字段數(shù)據(jù)，以方便接下來建模過程中，由模型通過多元算法評價(jià)各維度與流失的關(guān)系并做排序處理。

在表現(xiàn)期窗口，需要搭建最終的流失預(yù)測模型，模型通過觀察期樣本數(shù)據(jù)用戶進(jìn)行訓(xùn)練，判斷已知流失用戶有哪些？這個(gè)時(shí)候從幾方面來評價(jià)模型的準(zhǔn)確度：

命中率：在對用戶流失進(jìn)行預(yù)測的時(shí)候，假設(shè)訓(xùn)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(jié)果中，所有預(yù)測流失用戶中實(shí)際流失的百分比，百分比越接近真實(shí)流失比例，證明此模型訓(xùn)練的效果越好。

查全率：假設(shè)我們通過數(shù)據(jù)挖掘給出業(yè)務(wù)部門一個(gè)20人的流失名單，結(jié)果該名單中16人確實(shí)流失了，這個(gè)模型的查準(zhǔn)率達(dá)到了80%，相當(dāng)不錯(cuò)，可是問題是最終流失用戶是1000名，這時(shí)業(yè)務(wù)部門不干了，模型預(yù)測的結(jié)果離實(shí)際業(yè)務(wù)情景十萬八千里。這個(gè)時(shí)候模型需要引入一個(gè)指標(biāo)是查全率，該指標(biāo)也叫做模型覆蓋率，也就是模型在輸入大數(shù)據(jù)后，能夠更加全面的覆蓋到我們需要找到的流失用戶。

在預(yù)警期窗口，我們最終通過樣本數(shù)據(jù)建立起流失預(yù)測模型，并通過數(shù)據(jù)不斷訓(xùn)練，使模型的查準(zhǔn)率和查全率得到有效提升，接下來我們可以預(yù)測下個(gè)月或下個(gè)季度用戶流失名單，需要將全量用戶數(shù)據(jù)導(dǎo)入模型，獲得一個(gè)流失規(guī)則的評分集或者規(guī)則集，并為用戶打標(biāo)進(jìn)行精準(zhǔn)的分層運(yùn)營。

二、流失預(yù)警模型搭建

為了更好闡述模型搭建思路，我們虛擬一個(gè)案例：某電信運(yùn)營商為減少客戶流失，需要通過用戶流失預(yù)警模型來預(yù)測用戶的流失概率，我們通過虛擬數(shù)據(jù)來確定建模樣本數(shù)據(jù)，篩選了以下數(shù)據(jù)字段：

我們在拿到樣本數(shù)據(jù)后開始訓(xùn)練模型，針對用戶流失預(yù)警在建模思路方面有三種算法：

1、cox生存模型：這個(gè)模型算法最大的作用是可以分析各個(gè)用戶變量與流失的關(guān)系，并通過生存算法預(yù)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(guī)則集，用戶運(yùn)營可以通過流失規(guī)則快速分層用戶并進(jìn)行運(yùn)營。

3、神經(jīng)網(wǎng)絡(luò)模型：可以計(jì)算每個(gè)用戶的流失評分，用戶運(yùn)營可以根據(jù)評分高低來確定不同流失風(fēng)險(xiǎn)用戶的運(yùn)營策略。

我們這次建模是通過cox生存模型進(jìn)行預(yù)警，后邊還會寫文章詳細(xì)闡述另外兩種算法模型的應(yīng)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(shù)據(jù)的實(shí)際流失客戶。

模型個(gè)案處理摘要顯示 506 個(gè)個(gè)案已刪失。該數(shù)字表示尚未流失的客戶量，占比72.3%。

（一）、哪些維度會影響用戶的流失：

最終模型計(jì)算出強(qiáng)相關(guān)的幾個(gè)影響指標(biāo)，包括地址、職業(yè)、電話卡服務(wù)、無線網(wǎng)服務(wù)、有線網(wǎng)絡(luò)服務(wù)、電話時(shí)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(fēng)險(xiǎn)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(fēng)險(xiǎn)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(wù)的客戶流失的風(fēng)險(xiǎn)比率是訂購此服務(wù)的客戶的 2.024 倍。

網(wǎng)絡(luò)服務(wù) 的 Exp(B) 值表示未訂購網(wǎng)絡(luò)服務(wù)的客戶流失的風(fēng)險(xiǎn)比率是訂購此服務(wù)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(yù)測流失時(shí)間的可視化顯示。X軸顯示事件發(fā)生的時(shí)間。Y軸顯示生存概率。存活曲線上的任何一點(diǎn)表示“平均”客戶經(jīng)過某段時(shí)間仍未流失的概率。

通過模型輸出的結(jié)果，我們可以看到隨著入網(wǎng)年限的增加，用戶的平均生存概率隨之下降，當(dāng)入網(wǎng)年限達(dá)到56個(gè)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(yù)警的窗口值可以確定為56個(gè)月。

確定窗口值后，我們可以將從數(shù)據(jù)庫中篩選入網(wǎng)時(shí)長56個(gè)月及以上的用戶數(shù)據(jù)輸入模型，預(yù)測在未來一個(gè)季度或不同季度的流失概率。

（三）、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(shù)據(jù)流做流失名單的預(yù)測：

如果我們對模型感到滿意，那么我們會希望對客戶進(jìn)行評分以確認(rèn)下一年一個(gè)季度內(nèi)最可能流失的客戶。

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

從模型導(dǎo)出的明細(xì)表中我們可以看到每一個(gè)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(jì)增益圖功能，當(dāng)然篇幅受限就不在文章里一一細(xì)講，大家可以在我的視頻教程《用戶生命周期spss數(shù)據(jù)建模及營銷》里獲得詳細(xì)教程講解。

三、用戶分層運(yùn)營和數(shù)據(jù)監(jiān)測

用戶標(biāo)簽的意義在于豐富用戶運(yùn)營的場景。

我們通過用戶流失預(yù)警模型可以獲得不同流失風(fēng)險(xiǎn)用戶的標(biāo)簽，如果針對單維度用戶標(biāo)簽做運(yùn)營會存在分組用戶過多營銷資源有限的情況，因此，實(shí)際運(yùn)營中，我們需要建立一套良好的用戶分層機(jī)制和push機(jī)制，做到千人千面?zhèn)€性化營銷。

用戶分層可以通過多維度交叉實(shí)現(xiàn)：

在做日常用戶分層運(yùn)營策略，我們以用戶生命周期、用戶價(jià)值、用戶流失預(yù)警進(jìn)行交叉，可以實(shí)現(xiàn)多個(gè)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(gè)實(shí)戰(zhàn)案例講解用戶畫像如何應(yīng)用》相應(yīng)講了不同分組用戶如何進(jìn)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(jiān)測：

我們通過這張可視化報(bào)表可以了解到做整個(gè)用戶運(yùn)營數(shù)據(jù)BI報(bào)表體系，以用戶生命周期為框架，動態(tài)監(jiān)測不同生命周期用戶的潛力表現(xiàn)和風(fēng)險(xiǎn)表現(xiàn)。

通過風(fēng)險(xiǎn)預(yù)警模型輸出不同流失風(fēng)險(xiǎn)水平的用戶，分布為高流失風(fēng)險(xiǎn)、中流失風(fēng)險(xiǎn)、低流失風(fēng)險(xiǎn)，再結(jié)合生命周期的不同標(biāo)簽和用戶價(jià)值不同的標(biāo)簽，可以分組更多有營銷場景意義的用戶，比如高流失風(fēng)險(xiǎn)成熟期的高價(jià)值用戶，這個(gè)用戶分組以后進(jìn)行相應(yīng)的push計(jì)劃和可視化監(jiān)測即可。

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

本文經(jīng)作者授權(quán)轉(zhuǎn)載，想獲取文章中“用戶預(yù)警模型產(chǎn)品”的同學(xué)，可以關(guān)注公眾號：用戶運(yùn)營觀察（ID：yunyingguancha），回復(fù)關(guān)鍵詞：模型。即可定向贈送哦！

【投稿人原創(chuàng)】?? 本文由投稿人原創(chuàng)發(fā)布于愛盈利，未經(jīng)投稿人許可，禁止轉(zhuǎn)載。如有侵權(quán)聯(lián)系:shanliqiang@aiyingli.com