Python流失预警 流失用户预警模型

文章目录

• 一、如何搭建用户流失预警

• 1.1 定义流失用户
• 1.2 分析流失原因
• 1.3 流失预警模型搭建

• 二、分层运营、预警用户召回

• 2.1 用户分层
• 2.2 流失风险用户促活、召回方式

召回效果不好：

• 已经真正流失的用户很可能已经卸载了app，关闭了推送信息，不能进行有效触达
• 用户因为某种原因放弃了app，在收到召回信息的时候很可能会无视及产生反感，召回的难度可能并不比获取一个新用户低

希望能够在一个用户成为流失用户之前，就根据他的自身属性及行为等特征识别出用户的流失风险，及时采取措施进行用户挽留，这就是用户的流失预警。

一、如何搭建用户流失预警

1.1 定义流失用户

通俗的定义是在一段时间内不再使用产品的用户。定义流失一般通过两个维度，行为加周期。

• 一周不登录
• 半年未付费
• $\cdots$

行为：

• 电商平台可以用购买
• 内容型产品（知乎、抖音、小红书）可以用用户浏览来定义

1.2 分析流失原因

在搭建完流失预警模型后，我们需要知道不同用户产生离开的念头及行为的原因，针对性的进行用户挽回；以及寻找用户留存的关键行为，进行用户行为引导。

• 竞品调研分析：外部环境调研，分析是否有竞品动作吸走用户
• 用户调研：问卷、访谈形式进行流失用户调研
• 客服反馈系统：收集客服反馈数据，问题分类
• 用户数据分析：用户行为路径分析、流失用户关键行为分析、画像分析

1.3 流失预警模型搭建

流失预警模型需要针对不同生命周期的用户采取不同模型来进行预测，可以将用户分为获取期、提升期、成熟期、衰退期。

流失预警即提取用户历史数据，观察一定窗口时间各相关数据情况，然后根据上述的流失用户定义评估用户在表现窗口内流失的情况，从而预测当前用户在未来的流失概率。、

那么，哪些用户数据可以影响到用户流失？

可以粗略的划分为三个维度，即用户画像数据、用户行为数据、用户消费数据。

常用的预警算法包含决策树、随机森林、逻辑回归等。

在预测期窗口，我们将训练的模型不停优化，剔除一些相关性低的特性。

使得模型准确率、命中率、覆盖率提升，接下来即可预测下个月的用户流失概率，输出流失用户评分及名单。

二、分层运营、预警用户召回

2.1 用户分层

此时，我们已经拥有不同维度标签的数据，即用户生命周期$\times$流失风险概率等级$\times$流失原因等。

2.2 流失风险用户促活、召回方式

• 发送优惠券及优惠金额调整
• 增加app内的用户引导，场景化提醒文案等
• 优化关联推荐
• 个性化push文案、短信等
• 其他针对特定流失原因的优化方案

此外，在实际操作中，我们需要注重用户的促活、召回效果分析，分析用户的挽回成本；再结合召回效果收益来分析整体的ROI，结合AB实验等手段来不断优化ROI。