昨天在给大家的直播里留了一个思考题：“新用户的流失应该怎么分析？”今天这篇文章就为大家简单介绍一下，怎么去分析用户流失问题的思路。（会涉及到很多运营方面的知识，建议大家带着数据分析的思维去看）
业务与新用户产生关联的过程，就像是谈恋爱，一旦两个人分手了，你很难再把对方追回来。所以我们不能指望着新用户流失之后再进行分析，而应该提前进行流失预警，也就是说要提前防止对方离开自己。
而新用户的获客成本，一般是要比老用户要多的多，所以流失率的降低就意味着营收的增加，我们可以类比一下谈恋爱的过程，来分析一下为什么会出现新用户的流失。
一、新用户真的流失了吗
很多人谈恋爱的时候一定见过这样的场景：
女：我们分手吧
男：为什么？
女：没有为什么，我再也不想看见你了
男：哦，好吧
很真实对不对？
但其实女方很可能只是在生气，故意装出来吓唬一下男生而已，这时候如果我们不搞清楚对方的真实态度，可能就会假戏真做，造成我们对于形势的误判。
我们把这个场景代入到用户分析上也是一样的，新用户的生命周期比较短，所以他们表现出来的行为特征不一定就是真实的，也就是“假的流失”。
1、所以我们要先定义一下新用户的流失！
究竟怎么才算是流失？比如是1个星期没有访问的用户？还是2个星期没有下单的用户？还是3个星期没有登录的用户？
比如下图，以1个月作为流失周期，那么十月出现但十一月没有出现（蓝色圆点代表出现）的用户在十一月流失了，而实际上，他在十二月又出现了，是一个回访用户（见回访3），并没有真实流失。
如果我们以2个月为周期，则“回访3”的用户在10~11月，12月以后两个周期内都出现过，应该是一个留存用户。周期划分对用户流失界定有着直接影响。
2、对于不同的流失定义，我们需要用不同的指标去衡量
比如进行促销活动时用到的一般是当日留存率、7日流失率，零售行业一般用到的是月流失率，to B企业经常用的是季流失率、年流失率。
当然，为了更加准确地识别出可能流失的用户，我们甚至可以建立一些数据模型，去预测新用户的流失概率，比如下图的二元逻辑方程。
这个定量流失研究的模型是网上某大神做的，他将一段时间内用户的一系列行为特征数据（如在线天数、充值金额、积分等级、点击次数……），代入二元逻辑回归方程中，就可以计算出相应的流失概率。
而这里面涉及到的指标都需要通过业务给出才行，而除了流失的定义之外，我们一般还需要从业务手里了解到下面这些信息：
新用户在流失前具有什么特征？（女朋友在发火前有什么表现？）
新用户是否具有价值？要不要进行挽回？（要不要真的跟女朋友分手？）
针对新用户流失的现有措施有哪些？效果如何？（平时是怎么哄女朋友的？）
……….
这些问题和信息业务人员不会主动告诉你，所以我们在进行流失分析之前，必须要和业务部门进行反复沟通，拿到我们所必须要拿到的指标，否则就是巧妇难为无米之炊了。
二、新用户为什么流失
用户为什么不再过来使用我们的产品或服务了呢？这肯定是有原因的，只不过有些原因可以从数据中知道，有些原因不得而知。
我们可以将新用户的流失分为下面几种类型，从不同的维度上找原因：
1、“来也匆匆，去也匆匆”型
这种类型的用户并不能称之为“用户”，因为他们只是生成了一个用户数据而已，不会产生任何的行为数据，自然也不会具有任何的挽留价值，所以这种类型的新用户属于我们数据清洗中的主要对象。
最常见的例子，就是各种促销活动中拉来的羊毛党，这种用户的停留时间一般非常短，我们可以从停留（注册）时长、点击（行为）数据等上进行辨识，首先将这些脏数据去除掉。
2、“主动分手”型
新用户主动不再接受你的产品或者服务，很大原因可能是我们自身运营出了问题，或者是产品服务接受时间太长，这种用户是我们重点要进行挽留的人群。
如果按照昨天在直播里讲到的5W2H方法，我们可以从下面几个维度去挖掘原因：
what：是用户不会用我们的产品？还是无法接受我们的服务？
who：流失掉的新用户有什么特征？消费水平如何？
when：从成为新用户到流失的时长是多久？平均3天流失掉？还是5天流失掉？
why：自身原因，比如新用户离开了本地？运营原因，比如我们价格太贵？外部原因，比如政策法规？
where：那些地方产生了流失？与新用户的关系是什么？
how much：新用户对价格的敏感度很高，是否是价格问题？
每一个维度我们都要进行不断地下钻和分解，比如新用户的消费画像，我们可以用金字塔原理去不断拆解、细分成不同的指标：
消费意愿=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=物价系数*（成本-可控利润）
……….
能否做到完全穷尽的维度拆解，是我们搭建数据分析体系的关键，也是我们进行用户流失中最难的工作。
3、“恋恋不舍”型
用户对产品的服务体验很满意但还是选择了不消费，比如餐饮行业里经常有一些外地游客，他们可能觉得服务、价格一切都好，但是没办法，他们无法产生持续性消费。
一般来讲这些用户之所以使用某个产品，都是因为他们有些专门需求，他们有可能只是为了举办一场活动，完成一项事件，或者单纯为了做好一个短期项目。
识别客户是不是这种流失，就看看有多少账号在短期内又被重新付费激活就能知道个大概，也就是看一下用户的消费频率。比如一个用户在10天内消费了5次，但是之后再也没产生任何的消费记录，那么该用户就可能属于这种类型。
4、“无可奈何”型
这些原因是我们最难挽留的人群，相当于已经对你死心的女朋友，就很难再追回来了。这种情况的原因可能不是在价格等可调整的因素上，最常见的就是一些不可抗和难可抗的因素，比如：
信誉不好，用户经常投诉
服务人员态度差，或不够热情，引发用户不满
竞争对手，例如，竞争对手推出更优惠的套餐，很多用户都被吸引过去
品牌形象下降，例如，经常曝出的经营问题，负面新闻多，用户往往选择离开
外部原因，比如政策等等
5、“预谋已久”型
这种类型主要是因为我们做了一些价格区间，让用户们进行选择，如果用户在其中一项功能或服务中得不到足够价值，他们肯定会流失的行为。
比如说免费软件突然开始收费，非常容易导致用户流失，我们就可以分析一下哪个付费服务计划下的客户流失最严重？基本版的？高级版的？还是企业版的？
6、“成群结队”型
集群分析是完整分析客户流失的重要环节，它的价值在于既能够显示出公司在业务上的一般表现，也能显示出公司在具体活动或决定之后的业务表现。
比如说客户流失最多的月份是哪个？上季度的价格调整对客户流失有何影响？
比如说在上图中你能看到在第五个月（带有数字5的那一竖排）时，客户流失一直朝着更高水平发展，从中你就能知晓客户在第五个月是很容易流失的。
如果说了解了这一点，你就能在第四和第五个月着重加大对客户的客户成功工作，从而预防已经使用了四五个月产品的客户出现大规模流失。
三、怎么预测流失
我们知道了流失问题的分析目标，也知道了可能的流失原因，自然有人会问，我们能不能提前知道哪些客户会流失，这样的话就可以采取措施挽回了。
客户流失预测模型就是为了解决这个问题，是利用算法预测客户流失的概率，概率越大，就越有可能流失。
那么流失预测如何建立？建立主要流程如下：
搭建数据模型的关键在于行为数据的选择，这也是最耗时耗力的地方。在建立模型之前，有必要和数据部门来一次促膝谈心，避免发生误解，比如：
流失新用户的定义：是1个月、2个月，还是3个月？
数据关联原则：是按照用户维度提取数据，还是按照设备维度提取数据？
数据埋点：关键节点上是否具有埋点？
数据状态：能否获取历史数据？
具体的模型建立过程比较复杂，因为篇幅原因这里就不多说了，后面会花时间着重讲一下模型建立，记得关注。
数据分析BI
原创文章，作者：Maggie-Hunter，如若转载，请注明出处：https://blog.ytso.com/173653.html