用户都跑了，你却还分不清流失用户和流失率

另一方面，时刻过短部门用户尚在好奇和试探阶段，没有完全沉淀下来成为真正的用户。反之，假如一味增进提取数据的时刻周期，项目执行的时刻本钱也会水涨船高;同时，等提取周期竣事，一些用户早已流失，纵然猜测乐成也难以挽回。

模子的精确性依靠于数据提取周期题目的办理，我们必要一个用户多长时刻的数据才气精确猜测该用户下一阶段的举动?

通过二元逻辑回归的ROC曲线可以举办评估，如下图， 6 周的数据明明优于 1 个月(曲线右下方面积越大猜测精确性越高)，而 2 个月的数据只略优于 6 周，幅度有限，且时刻本钱较大，因此选择 6 周作为数据提取的周期。

第二个难点在于流失缘故起因的说明，也即流失影响身分的选择。选择一些具有流失用户典范特性的指标维度作为自变量，一步步实行修改指标，迭代模子。

假如前期流失模子精确性低，而且流失用户的特性与模子的特性不符，则必要探求新的流失身分，并纳入流失预警模子的提取数据点。指标的选择，一方面必要不绝试错，最首要照旧基于对营业的领略。

建模进程中的首要题目是模子猜测精确性低，我们可以通过搜查是否没有纳入典范的指标维度、是否存在多重共线性来对症下药地加以办理，偶然不明显的缘故起因也许出乎料想——好比产物成果更新了，可能年底积分折半了，拿到的是被污染过的数据而不自知。

三、不止猜测：模子只是要领而非终点

怎样支持用户运营，停止应用误区

通过流失预警模子，我们可以得到产物一系列成果模块或指标对流失留存的影响因子，并计较出每个用户的流失概率。通过影响因子，我们可以对流失缘故起因有所相识，在此基本长举办深入研究和确认，结实用户反馈的频率、专家意见等确定改版的优先级。

计较流失概率只是一种要领，而不是研究的最终目标，流失研究也不能到此就浅尝辄止。区分出也许流失的用户是为了进步挽留计策的针对性，进步服从与镌汰本钱，实现风雅化运营——这也是流失模子的焦点代价地址。

好比，从用户行使的轻重水平出发(如上图)，在通过模子计较出用户将来的流失概率后，将行使App的频率和时长作为用户轻重度的分别尺度，结实用户流失留存预期，将用户分别为高代价、重点成长、重点转化、有待挽留等几种范例，说明每个范例用户差异的举动特点和行使痛点，采纳针对性的运营计策。

虽然，流失模子也可团结付费维度举办研究。先筛选出极有也许将会流失的用户，再按照购置频次和付费金额来举办细分。

好比从未付费的用户可通过优惠券、促销勾当或超低价商品吸引回访、促成首单购置;少量付费且客单价低的用户可以精准推送切合本性化偏好的商品，可能保举切合该用户斲丧条理的超值商品;多次付费的老用户，可以增进会员专属优惠，通过回馈鼓励加强用户粘性，延迟行使周期。

以上只是流失模子的两个层面的应用，在差异项目中还可以团结多种方法对用户举办风雅化运营。模子精确性高的话，可以用更少的本钱、对用户更少的滋扰来留住更有代价的用户。

虽然，说起用户细分、风雅化运营和产物成果体验的优化，又离不开对用户的领略和对产物营业的积淀。和这种不绝的积淀一样，流失预警模子也必要不绝地批改和迭代，以顺应产物成长的需求。

以模子作为一种研究技能，以对用户和营业的领略积淀作为基本，来一路敦促产物迭代和运营勾当的落地，这两者都是用户研究的代价地址。

（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!