搭建流失預警模型
2018年10月12日
14:43
如何支持用戶運營，搭建流失預警模型
有一個比喻非常恰當：產品如同蓄水池，用戶好比池中之水。池子中每時每刻都有新用戶源源不斷地加入，也有一部分用戶選擇離開。如果用戶流失超過新用戶的補給，且速度越來越快、規模越來越大時，產品如若不警惕，蓄水池遲早會乾涸。
這是用戶流失研究的背景。產品階段不同，重心也會從拉新轉移到留存，對於一個成熟的產品和飽和的市場而言，獲取一個新用戶的成本可能是留住一個老用戶的數倍，流失率的降低也意味着營收的增加，在這種條件下，流失研究的價值是顯而易見的。
而研究流失用戶所面臨的主要問題，是如何衡量用戶流失的規模，重中之重是梳理清楚“流失用戶”和“流失率”的定義。或許你腦海中早已經羅列好了幾點困惑：
- 研究對象是誰：是登錄用戶、註冊用戶，還是全部用戶的流失率？
- 流失週期爲何：是次日流失率、7日流失率還是月流失率？
- 如何定義流失：1個月沒有訪問的用戶？2個月沒有下單/消費的用戶？還是3個月沒有登錄的用戶？
爲了給流失一個明確、又能符合產品特徵的定義，並且相對準確地識別出可能流失的用戶，我們引入二元邏輯迴歸作爲定量流失研究的模型。在模型中，我們將一段時間內用戶的一系列行爲特徵數據（如在線天數、充值金額、積分等級、點擊次數……），代入二元邏輯迴歸方程中，就可以計算出相應的流失概率。
也可以用下圖數據採集與流失預測的時間窗口來理解這一過程。選擇產品中一部分老用戶，觀察和收集他們在一個月內的行爲數據（深藍色部分），通過這些數據，我們可以預測其在未來一段時間內（紅色部分）的流失與留存情況。在預測週期1內出現但週期2未出現的，說明在週期2內流失了，如果兩個週期內都沒有出現，那麼可能在觀察期內就流失了，上述兩種都屬於流失；而週期1和週期2都有出現的用戶，則是留存用戶。
但是，在通過定量模型來研究流失的過程中，往往存在着幾個常見的誤區：
- 概念誤區：自己研究的對象真的是流失用戶嗎？有多大比例是“僞流失用戶”（迴流用戶&使用間隔大的用戶）？
- 方法誤區：定量模型的優化只能依賴增減指標嗎？是否數據一扔就能一勞永逸？還有哪些方法可以提升模型預測準確性？
- 應用誤區：流失預警模型只能用於區分流失與非流失用戶？定量數據和流失模型還可以怎樣支撐用戶細化與運營方案？
一、數據僅爲工具，產品理解貫穿始終
如何界定流失用戶，避免概念誤區
在構建流失模型時，通常以月作爲分析和數據提取的週期，比如在上圖時間窗口中，以連續一個月沒有使用算作流失。但這種簡單粗暴的劃分方法往往會帶來三方面的問題。
一是，流失週期受用戶使用間隔決定，不同週期劃分影響用戶結構比例。如果以1個月作爲流失週期，那麼十月出現但十一月沒有出現（藍色圓點代表出現）的用戶在十一月流失了，而實際上，他在十二月又出現了，是一個回訪用戶（見回訪3），並沒有真實流失。如果我們以2個月爲週期，則“回訪3”的用戶在10~11月，12月以後兩個週期內都出現過，應該是一個留存用戶。週期劃分對用戶流失界定有着直接影響。
二是，如果簡單以一個月爲週期進行用戶分類，回訪用戶過多（比如佔總體15%），無法忽視且難以處理。無論以何種週期劃分，必然存在一定比例的回訪用戶，將回訪用戶作爲缺失值、算作留存用戶或者作爲流失用戶，均對模型準確率有較大影響。
三是，流失週期劃分會影響模型的準確率與平衡性。如下表，以總樣本100w爲例，分別以4周、5周、6周作爲流失標準，劃分出的流失和留存用戶是不同的，對應的流失留存預測準確率也不同。流失週期過短，流失預測的準確率低，因爲定義爲流失的用戶中有大量實際留存的用戶，只是其使用間隔長而已（比如以1周沒登錄就算流失，但實際上很多留存用戶2~3周才登錄一次，也被劃分成流失用戶）；同時週期過短，定義爲留存的用戶實際上後來也會流失。
因此，不合理的週期造成預測準確率低且不平衡，我們需要不斷嘗試週期劃分，在保證整體準確率的情況下尋求流失與留存準確率最佳的平衡點，才能更爲準確地同時預測流失及留存情況。如果流失準確率有90%但留存只有50%，那麼雖然我們預測流失的用戶幾乎都是真正會流失的，但可能只識別出了總體用戶中一小部分流失用戶，還有大量流失用戶被劃分在了留存用戶中，導致留存準確率過低。
在這種情況下，選擇恰當的定義方法顯得至關重要。通過查閱資料，我們發現對流失比較經典的定義是“一段時間內未進行關鍵行爲的用戶”，關鍵點在於如何界定時間週期（流失週期）和關鍵行爲（流失行爲）。
我們選擇經典的拐點理論來作爲週期界定的參考：用戶回訪率拐點（用戶回訪率 = 回訪用戶數 ÷ 流失用戶數 × 100%），同時結合對產品的理解，選擇“主動登錄”這一行爲作爲是否流失的關鍵行爲。
但經典的理論也會遇到尷尬：沒有出現拐點怎麼辦？
回訪率拐點可能與產品存在一個平臺期（瓶頸）有關：用戶/玩家處在哪些等級可能流失加劇，或者是在線時長達到多少會產生疲倦加劇流失，哪些角色的用戶更容易流失等等——比如遊戲，遊戲的特點是：回合、關卡、任務、日常與升級，但這與一些產品長週期、長間隔的用戶使用行爲模式並不相同。
在沒有拐點的情況下，可以依據產品經驗或結合模型預測準確率判斷，一般產品的回訪率5%-10%，不管劃分多長的時間週期都會存在回訪，誤差不可避免。
二、指標沒選好，模型調到老
如何優化數據模型，避免方法誤區
搭建數據模型的關鍵在於行爲數據的選擇，這也是最耗時耗力的地方。在建立模型之前，有必要和數據&開發的同事來一次促膝談心，對數據庫和埋點的情況進行摸底，再次明確一些數據概念的操作化定義，避免發生誤解。
比如，誤解通常來自於以下幾點：
- 對活躍用戶的定義：是登錄用戶、打開app的用戶還是在線用戶？
- 數據映射和匹配：是按用戶維度（賬號）提取還是按照設備維度（設備ID）提取數據？如何處理一個賬戶多臺設備和一個設備多個賬戶的關係？
- 數據埋點：登錄用戶和匿名用戶（非登錄）埋點是否一致？某些關鍵操作（比如主動打開App）的有無準確埋點？能否區分前臺打開還是後臺打開？
- 數據狀態與記錄方式：能否獲取歷史數據，歷史數據是累加記錄還是覆蓋？
可問題往往沒有那麼簡單，即使定義得再精確細緻，模型的準確性也可能不高。如果明白“管中窺豹”這個成語的意思，你很可能找到了答案。
通常我們以一個月爲週期，提取用戶一個月內的行爲數據。但是產品不同，用戶操作習慣是大相徑庭的，有的產品1個月的時間週期太短，就難以形成足夠的行爲數據，好比是盲人摸象，摸到一條尾巴要預測出是一頭大象，的確很有難度；另一方面，時間過短部分用戶尚在好奇和探索階段，沒有完全沉澱下來成爲真正的用戶。反之，如果一味增加提取數據的時間週期，項目執行的時間成本也會水漲船高；同時，等提取週期結束，一些用戶早已流失，即使預測成功也難以挽回。
模型的準確性依賴於數據提取週期問題的解決，我們需要一個用戶多長時間的數據才能準確預測該用戶下一階段的行爲？通過二元邏輯迴歸的ROC曲線可以進行評估，如下圖，6周的數據明顯優於1個月（曲線右下方面積越大預測準確性越高），而2個月的數據只略優於6周，幅度有限，且時間成本較大，因此選擇6周作爲數據提取的週期。
第二個難點在於流失原因的分析，也即流失影響因素的選擇。選擇一些具有流失用戶典型特徵的指標維度作爲自變量，一步步嘗試修改指標，迭代模型。如果前期流失模型準確性低，並且流失用戶的特徵與模型的特徵不符，則需要尋找新的流失因素，並納入流失預警模型的提取數據點。指標的選擇，一方面需要不斷試錯，最主要還是基於對業務的理解。
建模過程中的主要問題是模型預測準確性低，我們可以通過檢查是否沒有納入典型的指標維度、是否存在多重共線性來有的放矢地加以解決，有時不顯著的原因可能出乎意料——比如產品功能更新了，或者年底積分折半了，拿到的是被污染過的數據而不自知。
三、不止預測：模型只是方法而非終點
如何支持用戶運營，避免應用誤區
通過流失預警模型，我們可以獲得產品一系列功能模塊或指標對流失留存的影響因子，並計算出每個用戶的流失概率。通過影響因子，我們可以對流失原因有所瞭解，在此基礎上進行深入研究和確認，結合用戶反饋的頻率、專家意見等確定改版的優先級。
計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。區分出可能流失的用戶是爲了提高挽留策略的針對性，提高效率與減少成本，實現精細化運營——這也是流失模型的核心價值所在。
比如，從用戶使用的輕重程度出發（如上圖），在通過模型計算出用戶未來的流失概率後，將使用App的頻率和時長作爲用戶輕重度的劃分標準，結合用戶流失留存預期，將用戶劃分爲高價值、重點發展、重點轉化、有待挽留等幾種類型，分析每個類型用戶不同的行爲特點和使用痛點，採取針對性的運營策略。
當然，流失模型也可結合付費維度進行研究。先篩選出極有可能將會流失的用戶，再根據購買頻次和付費金額來進行細分：從未付費的用戶可通過優惠券、促銷活動或超低價商品吸引回訪、促成首單購買；少量付費且客單價低的用戶可以精準推送符合個性化偏好的商品，或者推薦符合該用戶消費層次的超值商品；多次付費的老用戶，可以增加會員專屬優惠，通過回饋激勵增強用戶粘性，延長使用週期。
以上只是流失模型的兩個層面的應用，在不同項目中還可以結合多種方式對用戶進行精細化運營。模型準確性高的話，可以用更少的成本、對用戶更少的干擾來留住更有價值的用戶。
當然，提及用戶細分、精細化運營和產品功能體驗的優化，又離不開對用戶的理解和對產品業務的積澱。和這種不斷的積澱一樣，流失預警模型也需要不斷地修正和迭代，以適應產品發展的需求。以模型作爲一種研究技術，以對用戶和業務的理解積澱作爲基礎，來一起推動產品迭代和運營活動的落地，這兩者都是用戶研究的價值所在。
從六個方面做好用戶運營
粉絲經濟的時代，擁有用戶數越多，打開市場的能力就越強！任何一家公司，只要擁有足夠大基數的用戶，它就擁有更強大的衍生能力。想想騰訊的產品，雖然並不是所有都能成功，但基於龐大的用戶基數，依然會有很強的影響力。
人們常說，電商本質就7個字：產品、流量、轉化率，做好用戶運營，則能夠有效提升流量和轉化率。可見用戶運營是互聯網產品運營最重要的一環，下面就一起來聊聊如何做好互聯網產品的用戶運營。
一、從不同的渠道獲取新用戶
做用戶運營，首先得獲取新用戶，解決用戶從哪裏來的問題。應儘量從不同的渠道獲取新用戶，避免新用戶來源單一對後期所造成的風險。
Android/iOS App：App Store、應用市場/商店、手機助手、App廣告聯盟、社會化媒體廣告、自有網站、線下廣告、軟文、資源置換等。
PC站：網址導航、搜索引擎、傳統廣告聯盟、軟文、資源置換等。
手機站：網址導航、搜索引擎、移動端廣告聯盟、社會化媒體廣告、線下廣告、病毒式傳播活動、軟文、資源置換等。
以上所列舉的只是獲取新用戶的一部分渠道，在實際操作中需不斷拓展和補充。
二、提升用戶留存率
從獲取新用戶這一步開始，就應該思考 “如何提升用戶留存率” ，如：用利益誘導新用戶註冊、優化註冊流程和註冊體驗。需要注意的是，應儘量讓用戶留下聯繫方式，如手機號、Email、微信聯繫方式、關注微信公衆號、關注微博等，以便進行二次營銷。
另外，選擇與自身產品定位相關的推廣渠道、多參加各個渠道的推廣活動也很重要，這有利於提高推廣效率，降低推廣成本。
通過用戶反饋，不斷完善產品體驗，滿足用戶需求，讓用戶用得更方便。具體措施如下：
- 及時傳達產品信息，如：優惠活動、新功能等；
- 快速處理用戶建議、反饋、問題等，建立專業的客服團隊；
- 對用戶反饋進行定期收集，分析用戶數據，對產品進行快速迭代和優化；
- 提供必要的使用幫助，如：新功能使用引導、FAQ等；
- 核心用戶貼心服務、關懷，如：生日、節日活動提前告知、專享優惠、新功能優先體驗等。這需要在建立用戶體系的基礎上進行，接下來會提到 。
小米MIUI系統的迭代更新就充分體現了這一思維。
三、建立用戶體系
要對用戶進行精準營銷，給用戶帶來歸屬感，就需要建立完善的用戶體系。區分用戶分類可以從以下幾個維度劃分，併爲每個用戶打上相應的標籤。
- 按訪問活躍度劃分：新用戶、活躍用戶、沉默用戶、迴流用戶；
- 按用戶價值劃分：意見領袖、普通用戶；
- 按平均訂單金額劃分：y元以上、x~y元之間、x元以下；
- 按下單頻率劃分：近半年0個訂單、近半年1個訂單、近半年2~5個訂單……；
- 按用戶屬性劃分：地域、性別、生日、職業、行業、收入、行爲、文化、年齡、興趣愛好等；
以上僅列舉了部分劃分用戶類型的維度，不同的行業、平臺對用戶有不同的劃分方式。應根據自身行業、平臺能力建立完善的用戶體系。當用戶體系足夠成熟，就可以對用戶進行精準營銷、通過大數據對用戶進行智能廣告推薦。
四、提升用戶活躍度
不斷策劃、舉辦不同形式的活動，利益誘導用戶，讓用戶持續關注，提升活躍度。而此時，需要通過各種渠道讓用戶知道這些消息，消息推送是最常用的方式。
常見的消息推送方式包括：短信、微信公衆號、App通知消息、微博粉絲服務。它能夠快速提高產品活躍度、帶動功能模塊的使用率、增加用戶黏性、喚醒沉睡用戶。
但它是一把雙刃劍，用不好會對用戶造成騷擾，久而久之用戶對推送消息會變得麻木。那麼如何做好消息推送呢？
- 細分消息推送對象，利用建立好的用戶體系進行分組推送，不隨意把消息推送給全部用戶；
- 尊重用戶，讓用戶選擇是否接收推送；
- 從用戶接收消息的場景反推消息推送時間；
- 尋找用戶打開的理由，推送用戶感興趣的內容；
- 根據用戶的使用頻次，決定消息推送的頻率；
除了策劃活動、消息推送之外，還可以建立用戶成長體系，激活用戶的積極性，提升產品活躍度，具體措施有：每日積分簽到、帶社交屬性的用戶等級、天天特價、爲積極互動的用戶贈送F碼等。
五、提升轉化率，增強營收
用戶運營中，要提升轉化率，就要對用戶進行分層管理，對不同的用戶使用不同的營銷策略。如：爲購買頻次較高的用戶贈送小禮品、新用戶下單即送大禮包、老用戶專享特惠、購滿xx元即可參與抽獎100%中獎、限時購買再送優惠券、早買早划算、滿減等。
挖掘用戶更深入的需求，給付費用戶一些其它用戶所享受不到的增值服務，付費時間越長價格約便宜。這方面微博會員、QQ會員等各種會員體系中均有充分體現。
六、用戶維護
- 隨時隨地進行用戶調研，定期分析用戶數據。充分理解和尊重用戶的建議，瞭解和提煉用戶的需求，讓用戶參與到產品和運營設計之中，把提煉出的用戶需求在產品中體現出來。
- 從微信、微博、論壇、貼吧、QQ羣等多渠道蒐集用戶問題，及時處理並提供幫助，培養產品和用戶之間的情感。最好擁有自己專業的客服團隊，第一時間能予以解答。服務好願意和你溝通的用戶，只有這樣，用戶纔有可能成爲核心用戶。
- 和用戶打成一片，從願意反饋的活躍用戶中挖掘編外人員。藉助這批用戶的力量，把產品內容建設好，新版本、新活動上線前，讓這批用戶優先測試，蒐集意見反饋，並及時改進，助力產品發展。