| 版本 | 创建人 | 创建时间 |
|---|---|---|
| v1.0 | jinpeng | 2020-07-12 |
一、为什么和是什么
首先 我们需要思考的问题是为什么需要做用户流失预警以及用户流失预警是什么。<br /> 对于一个比较成熟的产品来说，它已经有了自己一套比较稳定的运营模式，这时候获客的成本就会远远高于维护老客的成本，所以尽可能多的去避免老客的流失其实是在变相的减少损失，增加收益。那么为什么不去针对已经流失的客户做召回呢？1 首先，这部分客户已经选择了不再使用，很可能已经卸载了app，那么和app相关的触达方式如push基本无效，这时候使用短信或者电销去触达产生强打扰可能会使用户产生反感，实为不智。2 这部分用户重新回来的可能性本身不大。 <br /> 所以我们就要在用户呈现出一个流失用户会有的特征时，在他流失前对其进行触达。做一系列流失预警的手段，避免用户的流失，从而达到挽回客户的目的。<br /> 这就是要做用户流失预警的原因。
二、怎么做
1.1 定义流失
对于不同的产品，关注的核心指标不同，其判断流失的定义也不同。如果关注订单，流失可以是 用户半年内没有下单；如果关注内容，可以是 用户半个月没有登录/浏览。通过这两个例子可以发现，用户流失主要由两部分组成：行为+周期。对于这块的定义，需要业务方结合经验去判断具体的行为和周期，如果你自己拿不准，多和业务方沟通。<br /> 
1.2 分析流失原因
我们为什么要看用户流失原因？因为在搭建完流失预警模型后，对于不同原因的用户可以做针对性的触达，精细化运营。也是帮助我们更精准定位到用户需求的手段。<br /> 
1.3 用户生命周期
用户的生命周期，简单来说就是：用户从开始接触产品到离开产品的整个过程。 <br /> 不同生命周期的用户，其流失的可能性不同，召回的可能性也不一样。<br />
1.4 流失预警模型搭建
流失预警模型本质上是利用了算法来对用户可能的行为进行预测，比较靠谱的有随机森林或者XGBoost算法。大概的逻辑是：可以将数据分为三个阶段：历史期、表现期、预测期。历史期：假设我们取上月的数据作为历史期，当月数据作为表现期，这两部分数据就可以对搭建的流失预警模型就行验证。如果根据历史期的数据做出的预测与表现期的数据基本吻合，我们可以说这个模型是OK的，如果不行，那么就需要不断调整参数进行迭代优化。<br /> 直到模型ok之后，在用当月的数据带入到模型之中，去预测下个月的数据，就能拿到用户在下个月是否会活跃的信息了。简而言之，先要根据已有数据获取用户流失规则，之后再进行预测用户的流失概率。<br />
四、后续收尾工作
1.1 分层运营
为了达到更好的用户召回效果，需要做精细化运营，我们能够对用进行分层的层次有：用户流失概率*用户生命周期*用户流失原因。结合这几点对不同层次的用户采取不同的触达手段。
1.2 流失风险用户促活、召回方式
1. 发送优惠券及优惠金额调整<br /> 2. 增加app内的用户引导，场景化提醒文案等<br /> 3. 优化关联推荐<br /> 4. 个性化push文案、短信等<br /> 5. 其他针对特定流失原因的优化方案
若有收获，就点个赞吧
0 人点赞
