View Post


用户周期和流失

用户流失预测分析与应用

  • 预测用户是么时候流失

    • 什么特征的用户比较容易发生流失 流失用户的那些特性最显著 针对这些用户有什么挽回动作

  • 定义流失 什么规则是流失 一个依据是什么

    • 二分类问题 流失/未流失

    • 因为要找到特征明显的 所以用决策树算法

    • 流失用户少量 所以还解决两方面不均衡 XGBoost跟决策树差不多

  • 决定要用XGBoost的分类算法实行规则的提取 集成树 算法具有非常高 精准度及鲁棒性 一次在数据分析工作中常被使用 XGBoost 能直接提供规则图显示

  • 从上层到下层 随着条件的增加 流失用户概率就越来越高 规则多的时候 样本量少 流失的也少 要不就是用户多 但是精准率不高 流失的多 要不反比 能做到两个都好 但是费劲

  • 定义 =》分析 =》预警 =》 干预

  • 回访率不会大于%10 一般就是%10 他如果超过了 肯定有问题

  • SMOTE 过采样 就是不满足均衡的条件下 复制粘贴到够一定数量 能够均衡 过采样不能有null值 不能为空

  • AUC指标 一般超过0.7就能用了 很重要指标 精准率和召回率能互相的转化 也能两个都变得非常高 就是有点难

  • xgb训练分类器模型 然后是混淆矩阵

用户生命周期

启动阶段 成长阶段 成熟阶段 衰落阶段 四个阶段 用户生命周期 导入 成长 成熟 休眠 流失

  • 潜在用户新用户在导入期 进行导入 用户也不是什么时候都需要关注的 比如资源不足的时候不一定非得要强调用户 还有需求强力供给稀缺的产品 比如车票

  • 管理用户生命周期可以更加的精细化

    • 数据化的运营

    • 提升用户的单体价值以及延长用户生命周期

    • 通过ltv测算有效降低无效的成本 提高收益 比如发送的优惠券发到肯定会流失的客户手里 用户生命周期搭建

  • 业务逻辑的梳理 》》 找到影响客户关键驱动的功能 》》 定义各个阶段多用户行为 行为定义的价值

  • 分析用户数据 》》 运营策略 最终实现用户行为的引导（提升用户的生命周期） 用户的成长期或者判断不是流失用户的定义有着自己一套规则 数据分析

  • a到b的用户中 那个路径效果更好

  • a到B的用户中 符合什么特征

  • a到b的用户中 大部分是否发生过同一种的行为特征

多看走入成长期的用户有啥共性 看看是哪一种路径的人比较多

分析后出现的数据

  • 发现 路径1自主查询 50000 路径2送一本书 90000 然后相反推理 是否走第二路径的人大部分进入了成长期 如果是这样的话 路径二更加好

-路径1 – 12万成长期男女比例 55.3 44.7 – 参加过读书会的用户中 50%最后完成书币支付站内平均书币支付率仅有15%

  • 路径2

    • 引导用户的白送的用户 书记完成 只有30% 站内平均数据为21%

送一本书的完成率明显少 加强多现实领取免费的书引导 站内读完比例小 加强多看完书的激励 如 五天内读完可以获赠书币 对于书币的转换的问题也可以解决 推荐书的福利 现实超低折扣 书币的支付完成 烤炉是首次支付书币的额外奖励

  • 规模较小的产品 处于快速变化的阶段 其实没有必要简历用户流失机制 但是流失是所有产品都必须要关注的

  • 流失用户 一般是流失行为都是标志性的关键操作 比如登录 访问 付费

  • 用户流失需要关注的数据

    • 流失前的行为

    • 是否集中一某一个渠道

    • 用户属性 地域属性 年龄层次 兴趣特征是否类似

    • 流失时间点 产品的动作 是否版本发布 更改或者新添加功能

版权声明：本文为hou176原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://www.cnblogs.com/hou176/p/12628383.html