数据分析、运营必须要上的一课：新用户流失了怎么办？
最后更新：2020-05-14 11:57:25 手机定位技术交流文章
昨天，我们在直播中留下了一个问题:“我们应该如何分析新用户的流失？”今天，本文将向您简要介绍如何分析用户流失问题。(这将涉及大量的操作知识，建议每个人都应该用数据分析的思维来看待它。)
将业务与新用户联系起来的过程就像坠入爱河。一旦两个人分手，你很难恢复彼此。因此，我们不能依靠新用户的流失来进行分析，但是我们应该给出流失的预警，也就是说，我们应该事先防止对方离开我们。
然而，获得新用户的成本通常比旧用户高得多，所以周转率的降低意味着收入的增加。我们可以比较约会的过程来分析为什么会失去新用户。
首先，新用户真的流失了吗
很多人在恋爱时肯定看过这样的场景:
女人:我们分手吧
男人:为什么？
女人:没理由。我不想再见你了。
男:哦，好吧
非常真实，对吗？
但事实上，这个女人可能只是生气，假装吓着了男孩。如果我们此时不了解对方的真实态度，我们可能会做出虚假的假意，对形势判断错误。
当我们将这个场景替换成用户分析时也是一样的。新用户的生命周期相对较短，因此他们表现出的行为特征不一定是真实的，即“虚假损失”。
1，所以我们必须首先定义新用户的流失！
损失到底是什么？例如，一周没有访问的用户？或者是用户已经两个星期没有下订单了？还是已经3周没有登录的用户？
例如，如下图所示，如果以一个月为流失周期，10月出现但11月没有出现的用户(蓝点代表出现)将在11月流失，但实际上他们将在12月再次出现，这是回访用户(见回访3)，没有真正的流失。
如果我们采用2个月的周期，则“回访3”的用户将出现在10月至11月以及12月之后的两个周期中，并且应该是保留用户。周期划分对用户流失的定义有直接影响。
2.对于不同的损失定义，我们需要使用不同的指标来衡量它
例如，日保持率和7天周转率常用于促销活动，月周转率常用于零售业，季度周转率和年周转率常用于to B企业。
当然，为了更准确地识别潜在的流失用户，我们甚至可以建立一些数据模型来预测新用户的流失概率，比如下图中的二元逻辑方程。
定量损失研究的模型是由互联网上的一位大神制作的。他替换用户的一系列行为特征数据(例如，在线天数、充值金额、得分水平、点击次数等)。)转换成二元逻辑回归方程来计算相应的损失概率。
这涉及的指标需要由企业给出。除了损失的定义，我们通常需要从业务中了解以下信息:
失去新用户之前，他们有什么特征？(你女朋友生气前做了什么？)
新用户有价值吗？你想回来吗？(你真的想和你的女朋友分手吗？)
现有的流失新用户的措施是什么？它有多有效？你如何哄你的女朋友？)
...
这些问题和信息业务人员是不会主动告诉你的，所以在我们进行损失分析之前，我们必须反复与业务部门沟通，得到我们必须得到的指标，否则一个熟练的女人是不可能做到无米之炊的。
第二，为什么新用户会流失
为什么用户停止使用我们的产品或服务？这肯定有原因，但有些原因可以从数据中得知，有些原因则不得而知。
我们可以将新用户流失分为以下几类，并从不同维度找出原因:
1、“来去匆匆，也匆匆”式
这类用户不能称为“用户”，因为他们只生成一个用户数据，不生成任何行为数据，自然也没有任何保留值。因此，这类新用户是我们数据清理的主要对象。
最常见的例子是来自各种宣传活动的毛派。这些用户的停留时间通常很短。我们可以从停留时间(注册)和点击(行为)数据中识别它们，并首先删除这些脏数据。
2.“主动分手”型
新用户不会自愿接受您的产品或服务。最大的原因可能是我们自己的操作有问题，或者产品和服务的接受时间太长。这类用户是我们重点留住的人。
如果我们按照昨天直播中提到的5W2H方法，我们可以从以下几个方面挖掘出原因:
什么:用户不会使用我们的产品吗？还是不能接受我们的服务？谁:失去的新用户有什么特征？消费水平是多少？何时:从成为新用户到失败需要多长时间？平均损失3天？还是它在5天内丢失了？为什么:因为它自己的原因，比如新用户离开本地？操作上的原因，比如我们的价格太贵了？政策法规等外部原因？地点:损失发生在哪里？与新用户有什么关系？多少钱:新用户对价格非常敏感。这是价格问题吗？我们必须不断地挖掘和分解每个维度，例如新用户的消费肖像。我们可以利用金字塔原理不断分解和细分成不同的指标:
消费意向=消费成本-价格消费成本=消费水平+距离成本+时间成本+其他成本
价格=价格因素*(成本可控利润)
...
能否彻底彻底地分解维度是我们构建数据分析系统的关键，也是我们进行用户流失最困难的工作。
3、“不愿分手”型
用户对产品的服务体验感到满意，但仍然选择不消费。例如，餐饮业经常有一些外国游客。他们可能认为服务和价格都很好，但没有出路。他们无法生产可持续消费。
一般来说，这些用户使用某种产品的原因是因为他们有一些特殊的要求。他们可能只是举办一项活动，完成一项活动，或者只是做一个短期项目。
为了确定客户是否在流失，我们可以通过查看在短时间内有多少帐户被重新激活，也就是说，通过查看用户的消费频率，来大致了解一下情况。例如，如果用户在10天内消费了5次，但从未生成任何消费记录，则该用户可能属于这种类型。
4、“无助”型
这些原因是我们最难留住的那群人，相当于一个放弃了你的女朋友，很难恢复。出现这种情况的原因可能不在价格和其他可调因素，最常见的是一些不可抗力和不可抗力因素，如:
声誉不好，用户经常抱怨服务人员态度差或不够热情，导致用户对竞争对手不满意。例如，竞争对手提供更优惠的套餐，许多用户被过去品牌形象的衰落所吸引。例如，经常有暴露的业务问题和许多负面消息，用户经常选择离开外部原因，如政策等。5、“预谋”型
这种类型主要是因为我们制定了一些价格范围供用户选择。如果用户在某个功能或服务中没有获得足够的价值，他们肯定会失去他们的行为。
例如，自由软件突然开始收费，这很容易导致用户流失，我们可以分析哪个付费服务计划有最严重的客户流失？基本？高级版本？还是企业版的？
6、“分组”式
聚类分析是完整分析客户流失的重要环节。它的价值不仅在于展示公司在商业上的总体表现，还在于展示公司在特定活动或决策后的表现。
例如，哪个月失去的顾客最多？上个季度的价格调整对客户流失有什么影响？
例如，在上图中，您可以看到在第五个月(数字为5的垂直行)，客户流失已经上升到一个更高的水平，从中您可以知道客户在第五个月很容易流失。
如果你理解这一点，你可以在第四个月和第五个月集中精力为客户增加成功的工作，从而防止已经使用产品四五个月的客户大规模流失。
三、如何预测损失
我们知道损失问题的分析目标和可能的损失原因。自然，有些人会问我们是否能提前知道哪些客户会损失，以便我们能采取措施恢复。
客户流失预测模型就是为了解决这个问题。它使用算法来预测客户流失的概率。可能性越大，流失的可能性就越大。
那么如何建立损失预测呢？主要流程的建立如下:
建立数据模型的关键在于行为数据的选择，这也是最费时费力的地方。在建立模型之前，有必要与数据部门进行面对面的交流，以避免误解，例如:
失去新用户的定义:1个月、2个月还是3个月？数据关联原则:是否根据用户维度或设备维度提取数据？数据隐藏点:关键节点上是否有隐藏点？数据状态:可以获得历史数据吗？具体的建模过程比较复杂，由于篇幅的原因，这里我就不多说了。稍后，我会花时间关注模型构建，并记住要注意它。
本文由 在线网速测试 整理编辑，转载请注明出处。
