流失用户分析及预测模型_流失用户预警模型知识解读

流失用户分析及预测模型_流失用户预警模型知识解读,第1张

流失用户分析及预测模型_流失用户预警模型知识解读 在做用户运营的时候,除了要了解用户,为用户建立画像外,另一个重要的方向就是用户流失分析,对可能流失的用户进行分析、预警,及时采取措施进行用户挽留,最大可能的减少企业的损失。


通常情况下,企业挽留一个老用户相比于拉动一个新用户,在增加营业收入、产品周期维护方面都是有好处的。


众多实践证明,提升用户留存率,减少用户流失,对于任何一家企业来说都是非常重要的。


随着互联网的高速发展,对于企业来说,用户留存也逐渐成为了反映企业及产品核心竞争力的关键要素。


如何进行用户流失分析与预警?主要包括识别流失用户、定位流失原因、预警即将流失的用户,最终提供用户流失名单给运营人员做重点运营。


一定义流失用户不同的产品对用户流失有着不同的定义,一般情况下,用户流失其实指的是在一段时间内不再使用产品的用户,可以通过回流率来判断,即:回流用户数/流失用户数*100%。


在分析时,需先找出可以定义用户的核心行为,例如用户多久没有浏览网页算流失;用户多久不使用产品算流失。


在根据回流率采用拐点理论来确定流失周期,如下图可以看出第4周后回流率下降速度减慢,后期回流率趋于平缓,因此将第4周定义为流失周期,这样就可以通过流失周期将用户划分为流失与非流失用户。


二流失原因分析流失原因分析可从两个方面着手,一方面可利用构建的用户流失预测模型,定量的探索找出影响用户流失的主要原因,从而针对性的进行用户挽回。


另一方面考虑到数据分析的局限性,采用用户调研问卷、竞品调研、客户反馈评价等定性的分析用户流失的原因。


两者相结合,可帮助运营人员深入了解流失原因,为后续预防用户流失制定运营策略。


三构建流失预警模型在建立模型时,我们需要从历史数据中获取到一定时间内的用户基础数据(性别、年龄、地域、会员类型、用户来源等)、用户行为数据(登录天数、在线时长、登录频次等)以及用户消费数据(最近一单距今天数、累计单量、累计消费金额、客单价等),同时需要将用户按是否为流失用户贴标签。


在数据预处理后可采用机器学习的方法建立模型,由于是二分类问题,同时需要用户的流失规则及各特征指标的重要性排序,因此可以选择随机森林、决策树、逻辑回归等算法。


最后通过模型评价指标例如正确率、召回率、精确度等,筛选出最优模型进行模型部署,对未来用户流失做预警。


接下来举一个电信的实例,众所周知,客户在电信运营商户群中的地位十分重要,如何有效地保留现有客户、开发潜在客户、回流已流失客户是电信运营商市场竞争中的三个重要环节,因此对电信客户流失进行预测尤为重要。


已知从运营商获取数据:1、用户基础数据,包括性别、年龄、职业、教育程度、所在地区等;2、用户的行为数据,包括入网时间、投诉次数、通话时长、基本月租、话费额等。


首先需要先定义流失用户,确定哪些用户的核心行为可以代表流失,是连续欠费不交还是号码长期不用?定义完核心行为后,就可以根据公式计算回流率,利用拐点理论找出流失周期,从而为用户贴标签。


贴完标签后利用Yonghong Z-Suite中的深度分析模块建立的用户流失预警模型界面如下:以上采用的是逻辑回归的算法进行建模,模型需要选择自变量包括性别、年龄、职业、入网时间等,因变量表示是否流失,确定好训练集和验证集的比例后便可以运行模型,训练集用于训练模型,验证集用于验证模型以便输出最优模型,模型运行完输出的结果包括模型系数,还有训练集、验证集的正确率、召回率、精确度等,如下图:建立完模型后可通过产品自带的调度任务,利用模型应用,定期自动执行实验,对未来的用户预测,并将模型预测结果存入到数据集中,方便数据分析人员分析及运营人员采取相应的挽留措施。


在进行完用户流失分析与预警后,我们拿到了流失名单,可通过聚类、RFM模型等将用户分群,如下图给出各类客户流失率的占比,也可以进一步细分客户按性别、年龄等分析用户的流失率,实现对不同的用户采用不同的召回策略。


总之,在日益严峻的竞争环境下,企业及时的预警和防范用户流失将变得尤为重要,这就要求运营不仅需要有数据思维和对前沿数据技术的了解,还需挖掘数据深层的价值,以用户为中心,深入理解用户需求,增加用户体验,用体验促进转化。


欢迎分享,转载请注明来源:内存溢出

原文地址: http://outofmemory.cn/tougao/636518.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2022-04-16
下一篇 2022-04-16

发表评论

登录后才能评论

评论列表(0条)

保存