1. 用户流失预警
1.1. 用户生命周期
- 在用户生命周期中，用户进入成熟期之后，并不代表就运营人员可以高枕无忧，这一阶段的用户随时会滑向休眠阶段；
- 一旦用户进入休眠阶段、则用户随时流失，必须要尽快识别出休眠用户，并针对性调整精细化运营策略、唤醒用户，才能阻止用户流失；
- 新用户获取的成本高昂，用户流失后的召回成本也不低，而且效果很不理想；
- 相比而言，维系老用户的边际成本几乎可以忽略不计，及时发现用户流失倾向、对于产品运营者而言，所付出的成本和收益相比微乎其微；
- 用户流失预警模型，对于延长用户生命周期至关重要。
1.2. 用户流失预警数据
- 总的来说，流失预警模型需要以下三类数据；
- 用户基础数据
- 用户行为数据
- 用户消费数据
2. 用户基础数据
- 性别
- 省份
- 年龄/分层
- 电话号码所在区域/分层
- 是否临时账户
- 注册时间
- 新老用户标识
- 教育程度
- 职业类型
- 收入水平
- 星座
- 婚姻状况
- 生育状态
- 是否有老人
- 是否有小孩
- 是否二胎
- 手机品牌
- 汽车资产
- 会员身份
3. 用户行为数据
- 注册状态
- 活跃度
- 启动次数
- 启动间隔时间
- 在线时长
- 安装距今天数
- 重复咨询
- 退货频率
- 投诉频率
- 订单评价
- 邀请注册量
- 邀请新客量
- 首单营销方式
- 近30天行为
- 近30天购买次数（含退拒）
- 近30天购买金额（含退拒）
- 近30天购物车次数
- 近30天购物车放弃数
- 近30天购物车提交商品数
- 近30天客单价
- 近30天活跃天数
- 近7天行为
- 近7天购买次数（含退拒）
- 近7天购买金额（含退拒）
- 近7天客单价
- 近7天购物车次数
- 近7天购物车放弃数
- 近7天购物车提交商品数
- 近7天活跃天数
- 单笔订单最小金额
- 单笔订单最小金额
- 单笔订单最大金额
- 首单距今时间
- 尾单距今时间
- 购买阶段近5日
- 加购未下单
- 下单未支付
- 浏览未购买
- 未付款成功
- 最近加购距今天数
- 近7天行为
- 最近7天浏览次数最多的未购买的类目(三级类目）
- …
- 近3天行为
- 最近3天浏览次数最多的未购买的类目(三级类目）
- 最近3天搜索未购买的类目(三级类目
- …
- 近1天行为
- 最近1天订单情况（24小时后）
- …
- 最近行为
- 最近一次搜索未购买的类目(三级类目）
- 最近一次收藏商品类目(三级类目）
- 最近一次访问app日期
- 上一次支付成功距今天数
- …
- 历史行为
- 历史收藏商品中数量最多的类目(三级类目）
- …
- 用户偏好
- 购买单价偏好
- …
- 活跃地
- 最近7日常登陆地
4. 用户消费数据
- 购买活跃度
- 平均客单价
- 购买价格段偏好
- 一次购买后流失用户
- 最近一次活跃距离今天天数
- 最近一次购买距离今天天数
- 购买风格
- 搜索购买型
- 浏览购买型
- 促销购买型
- 历史购买状态
- 账户优惠券
- 消费状态
- 购买次数
- 平均购买金额
- 最近一次购买间隔
5. RFM 模型（电商类应用）
- 最近一次消费 (Recency)
- 理论上，上一次消费时间越近的顾客应该是比较好的顾客，对提供即时的商品或是服务也最有可能会有反应。
- 示例：
- 消费频率 (Frequency)
- 最常购买的消费者，忠诚度也就最高。
- 示例：
- 消费金额 (Monetary)
- 消费金额越高，客户价值越高。
- 示例：
- 口径规则
-
注意：理论上M值和F值是一样的，都带有时间范围。
- 示例：
-
- 维度交叉分析
- 八类人群
- 重要价值客户（111）
- RFM都很高，提供VIP服务。
- 重要保持客户（011）
- 最容易转化成第一类客户的群体，一定要想办法提高他们的消费频率。
- 重要发展客户（101）
- 主动保持联系，提高复购。
- 重要挽留客户（001）
- 客户消费频率低和最近消费时间间隔比较远，但是消费金额高，这种用户即将流失，要主动联系用户，调查问题出在哪里，想办法挽回。
- 一般价值客户（111）
- 一般保持客户（011）
- 一般发展客户（101）
- 一般挽留客户（001）
- 示例：
- 重要价值客户（111）
- 八类人群
6. 流失预警模型
- 流失预警模型，提取历史数据后，通过观察特定窗口期的各种相关数据，评估用户在表现窗口内流失可能性，从而预测当前用户在未来的表现。
- 特征工程指标：
- 用户的基本属性：
- 性别，年龄，收入水平，区域等；
- 不同类型的用户可能流失也有所区别
- 用户的产品行为：
- 所处产品的生命周期，活跃的频次，关键功能的使用频次等；
- 基础指标一般是流失原因的表象，和流失具有相关性，但不具备因果性，不是导致流失的关键特征
- 其他加工指标：
- 基础指标可能不能很好的挖掘到影响留存的关键特征，需要基于业务理解加工出新的指标，和基础指标一起作为模型训练的特征。
- 用户的基本属性：
-
常见的加工指标方法有：
-
深度指标：反应用户使用深度的指标，用户不仅要用，而且要用的比较深入，比如关键功能的使用次数。
-
频次指标：用户不仅要用的深，还要用的频繁，这个频繁的定义依据不同的产品类型而有不同的定义，有的产品可能需要每天都要用，甚至一天要用几次，有的可能要求一周要用几次，不一而足。但是可以根据产品的特点加工出一个频次指标，比如日/周均使用次数或者日/周均使用天数，这样用户的使用频次得以表征。
-
趋势指标：用户使用产品的趋势变化，用户使用的趋势直接关系着用户的流失，如果一个用户使用的越来越少了，那大概率用户是要流失了，所以一些常见的趋势指标如近三个月每周平均活跃天数的变化率，可以理解为一个斜率，如果每周的平均活跃天数在一直减少，斜率应该是负值，否则斜率应该是正值，以此表征用户使用情况的变化趋势。
-
-
常用的预警算法包含决策树、随机森林、逻辑回归等。
-
流失预警模型通常从准确率、命中率、覆盖率三个维度去评估。
-
准确率=（正确预测为流失的用户数+正确预测为不流失的用户数）/总用户数
-
命中率=正确预测为流失的用户数 / 预测为流失的用户数
-
覆盖率=正确预测为流失的用户数 / 实际为流失的用户数
-
8. 风险用户促活
- 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；
- 优化关联推荐；
- 个性化push文案；
- 个性化短信；
- 等。
