用户都跑了，你却还分不清流失用户和流失率

PMCAFF(www.pmcaff.com)：最大互联网产物社区，是百度，腾讯，阿里等产物司理的进修交换平台。按期出品深度产物调查，互联产物研究首选。

作者：项宇，网易成长部用户研究员

有一个比喻很是适当：产物犹如蓄水池，用户比如池中之水。池子中时时候刻都有新用户绵绵不断地插手，也有一部门用户选择分开。

假如用户流失高出新用户的补给，且速率越来越快、局限越来越大时，产物如若不鉴戒，蓄水池早晚会凋谢。

这是用户流失研究的配景。产物阶段差异，重心也会从拉新转移到留存，对付一个成熟的产物和饱和的市场而言，获取一个新用户的本钱也许是留住一个老用户的数倍，流失率的低落也意味着营收的增进，在这种前提下，流失研究的代价是显而易见的。

而研究流失用户所面对的首要题目，是怎样权衡用户流失的局限，重中之重是梳理清晰“流失用户”和“流失率”的界说。或者你脑海中早已经摆列好了几点狐疑：

为了给流失一个明晰、又能切合产物特性的界说，而且相瞄精确地辨认出也许流失的用户，我们引入二元逻辑回归作为定量流失研究的模子。

在模子中，我们将一段时刻内用户的一系列举动特性数据(如在线天数、充值金额、积分品级、点击次数……)，代入二元逻辑回归方程中，就可以计较出响应的流失概率。

也可以用下图数据收罗与流失猜测的时刻窗口来领略这一进程。选择产物中一部门老用户，调查和网络他们在一个月内的举动数据(深蓝色部门)，通过这些数据，我们可以猜测其在将来一段时刻内(赤色部门)的流失与留存环境。

在猜测周期 1 内呈现但周期 2 未呈现的，声名在周期 2 内流失了，假如两个周期内都没有呈现，那么也许在调查期内就流失了，上述两种都属于流失;而周期 1 和周期 2 都有呈现的用户，则是留存用户。

可是，在通过定量模子来研究流失的进程中，每每存在着几个常见的误区：

一、数据仅为器材，产物领略贯串始终

怎样界定流失用户，停止观念误区

在构建流失模子时，凡是以月作为说明和数据提取的周期，好比在上图时刻窗口中，以持续一个月没有行使算作流失。但这种简朴粗暴的分别要领每每会带来三方面的题目。

1、流失周期受用户行使隔断抉择，差异周期分别影响用户布局比例

假如以 1 个月作为流失周期，那么十月呈现但十一月没有呈现(蓝色圆点代表呈现)的用户在十一月流失了，而现实上，他在十二月又呈现了，是一个回访用户(见回访3)，并没有真实流失。

假如我们以 2 个月为周期，则“回访3”的用户在10~ 11 月， 12 月往后两个周期内都呈现过，应该是一个留存用户。周期分别对用户流失界定有着直接影响。

2、假如简朴以一个月为周期举办用户分类，回访用户过多(好比占总体15%)，无法忽视且难以处理赏罚

无论以何种周期分别，肯定存在必然比例的回访用户，将回访用户作为缺失值、算作留存用户可能作为流失用户，均对模子精确率有较大影响。

3、流失周期分别会影响模子的精确率与均衡性

如下表，以总样本100w为例，别离以 4 周、 5 周、 6 周作为流失尺度，分别出的流失和留存用户是差异的，对应的流失留存猜测精确率也差异。

流失周期过短，流失猜测的精确率低，由于界说为流失的用户中有大量现实留存的用户，只是其行使隔断长罢了(好比以 1 周没登录就算流失，但现实上许多留存用户2~ 3 周才登录一次，也被分别成流失用户);同时周期过短，界说为留存的用户现实上其后也会流失。

因此，不公道的周期造成猜测精确率低且不服衡，我们必要不绝实行周期分别，在担保整体精确率的环境下寻求流失与留存精确率最佳的均衡点，才气更为精确地同时猜测流失及留存环境。

假如流失精确率有90%但留存只有50%，那么固然我们猜测流失的用户险些都是真正会流失的，但也许只辨认出了总体用户中一小部门流失用户，尚有大量流失用户被分别在了留存用户中，导致留存精确率过低。

在这种环境下，选择适当的界说要领显得至关重要。通过查阅资料，我们发明对流失较量经典的界说是“一段时刻内未举办要害举动的用户”，要害点在于怎样界按时刻周期(流失周期)和要害举动(流失举动)。

（编辑：厦门网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!