 關(guān)于流失與召回，這個是長久不衰的一個話題。在業(yè)務(wù)活動中，涉及到的角色還是蠻多的，比如產(chǎn)品角色、運營角色、數(shù)據(jù)分析角色、甚至渠道市場角色都有。 本文將從數(shù)據(jù)分析的角度來探索一個關(guān)于流失的業(yè)務(wù)場景，以及通過驅(qū)動運營、投放等一系列的動作來應(yīng)對流失挽救，這些落地就成為一個系統(tǒng)化的工作。 曾經(jīng)繁榮的第三方應(yīng)用市場，這幾年前來逐漸走向沒落。從百度巨資吞了 91 助手，到應(yīng)用手機廠商崛起達到頂峰，整個應(yīng)用市場已經(jīng)經(jīng)歷過多輪洗牌。 “莢，再見！豌豆莢、PP 助手宣布下架，從此再無免費軟件？” 你是否還記得豌豆莢這些應(yīng)用？它們也曾在繁華的第三方應(yīng)用市場里激起過一點浪花。 到現(xiàn)在，不管是應(yīng)用寶、360 手機助手、華為、小米等應(yīng)用商店，都在構(gòu)建自己的城池。 記得在 2016 年左右一個拓新的成本從之前的幾塊錢升到 10 塊錢、最高時能到幾十元，留住老用戶或許一條短信、一點積分、活動就可以，相對的成本是很低廉的。從用戶生命周期與成本來講，留住老用戶的成本與拓新的成本是完全不同的。留住老用戶的成本之所以很低，是因為老用戶知道套路，而新用戶對套路無感且教育成本就很高了。 運營的同學(xué)在每日面對剛涌進來的、將要離開的、已經(jīng)離開的這幾個類型的用戶還是很頭痛。一邊是通過渠道拼命買量拉來的新用戶，一邊是保持耿直不變或緩緩下降的 DAU 曲線。如果把每日 NU 數(shù)據(jù)曲線疊加到 DAU 上，從這個 DAU 曲線緩緩下降的趨勢來看，每日的 NU 增量或許大幾十萬，每日不活躍用戶也是大幾十萬或上百萬。從數(shù)據(jù)的表現(xiàn)來看用戶的新增與流失相當(dāng)，一邊是花錢買量，一邊是留不住用戶，如果趕上產(chǎn)品、業(yè)務(wù)、環(huán)境形勢問題，更是一個讓人心碎的問題。 下圖中給出的是 2016 年某個第三方應(yīng)用市場的日 DAU、次日留存、7 日留存的的數(shù)據(jù)情況， 從數(shù)據(jù)上明顯看出來，這個 Android App 的 DAU 量級在短短幾個月中一直抖動著下滑。 結(jié)合數(shù)據(jù)來看，每周的 WAU 中有千萬級別的用戶，但是在一周內(nèi) AU 角度流失的用戶占比為 30%，在 LU 中流失的比例為 50% 以及以上。從每月的數(shù)據(jù)來看，50% 以上的 AU 將會最終流失掉，LU 的流水占比也是在 50%。 用戶不斷的流失，就像水池的水位不斷的在下降，用戶流失超過新用戶的補給，且速度越來越快、規(guī)模越來越大。如果不做任何動作，這個水池遲早會干枯。就像前面說的，很多業(yè)務(wù)都會面臨類似的問題，這種問題不管怎么樣都是要解決的。那如何解決呢？ 先來看幾個問題：
如果能夠解決上面的事情就已經(jīng)夠了嗎？實際上還是不夠的。還需要：
差不多需要將以上的問題都回答了，才可以把流失問題認識的清晰一點。 要研究這個課題，首先需要定義什么叫流失用戶、活躍用戶、新用戶流失。 這里簡單的引用一篇文章，是在 2012 年發(fā)表的一篇名為《網(wǎng)站的活躍用戶與流失用戶》 這一篇講述的非常清晰：
這里我給出的公式就是”當(dāng)前時間點 – 用戶注冊時間點 > 流失臨界時間間隔“。 結(jié)合本案例，我們要研究是移動互聯(lián)網(wǎng) App 方向，可以用 '當(dāng)前時間點 - 用戶首次安裝且激活時間點> 流失臨界時間間隔'，這個時間拐點是需要通過分析來得到的。 例如下圖的流用戶流失高風(fēng)險是在第 20 周至第 25 周。（至于本次案例講解的 APP 的流失時間拐點，同理的分析方法可以得到的） 有次團隊里數(shù)據(jù)同學(xué)做用戶分群，遇到了幾個糾結(jié)問題，比如該如何分群，分群的意義，分群該從哪個角度入手，如何將流失率等計算出來，是否要細化到個體去做挽救等等。 舉個例子來說，我們在研究用戶流失、用戶使用的那些產(chǎn)品有什么特點、用戶看了什么內(nèi)容、搜索了什么、消費了什么這些問題的時候，換一個角度來說就是在研究用戶 - 產(chǎn)品 - 內(nèi)容三者之間的關(guān)系，拿人、貨、場理論來套用也是沒得挑。 拿第三方應(yīng)用分發(fā)這個業(yè)務(wù)來說，用戶安裝了第三方應(yīng)用市場， 使用這個應(yīng)用市場 App 的搜索、推薦、信息流、搜藏、 自動更新、備份等，來尋找自己的需要的 App。這個過程從人貨場來解析就是： 人：就是用戶。 貨：一切內(nèi)容就是 App。 場：第三方應(yīng)用各種功能場景。 從 BI 的分析模型角度來講，這里研究的幾個關(guān)系的意義：
做用戶研究的課題時，切入點還是蠻多的，比如從業(yè)務(wù)黏性、用戶屬性、正負用戶體驗、用戶活躍度等角度進行切入。但之前肯定會梳理一個比較完整的鏈路來盤點這個事情。例如對某包月業(yè)務(wù)的用戶盤子價值做個分解，拉新用戶、增加已有價值、減少流失。 有時在第一次做用戶分群時通常切入的點有流失用戶群體的研究、活躍用戶群體的研究、新用戶群體的對比研究，這幾個切入點流失用戶群體的研究成本是最低的，可能帶來的效果是最好的。 切入流失分析流程后，關(guān)于流失挽救的過程，網(wǎng)上相關(guān)的文章多的數(shù)不清，大多數(shù)都是些基本必備與固定流程：
把這個流程整理一下就是這樣的： 畫像構(gòu)建：有些人不喜歡一上來就開始構(gòu)建用戶畫像。因為畫像都是一堆標簽，畫像一般按業(yè)務(wù)屬性劃分多個類別模塊。因為每一個標簽都要經(jīng)過大量的分析與挖掘，到實際可應(yīng)用時的周期還是漫長的。標簽的精準度與覆蓋度也經(jīng)常受到訓(xùn)練的數(shù)據(jù)所影響，有時會準備很多畫像的基礎(chǔ)變量來做更多不同角度研究。 隨著自己對業(yè)務(wù)的分析與拆解，然后可以加入更多的基礎(chǔ)變量來參與到模型研究中。關(guān)于用戶的 pv 行為、用戶點擊行為、用戶的播放行為，我會做更詳細的分片拆分，這樣能得到更多顯著特征與更多特征。當(dāng)然在某個地方可以叫做連續(xù)變量的區(qū)間化。 當(dāng)然，大部分情況下會存在一個比較成熟的畫像體系，比如常見的人口統(tǒng)計、社會屬性外，還有用戶消費畫像、用戶行為畫像，用戶興趣畫像等。 人口屬性和行為特征是大部分互聯(lián)網(wǎng)公司做用戶畫像時會包含的：人口屬性主要指用戶的年齡、性別、所在的省份和城市、教育程度、婚姻情況、生育情況、工作所在的行業(yè)和職業(yè)等。行為特征主要包含活躍度、忠誠度等指標。 模型準備階段： 模型算法與標簽還是有一些關(guān)系的，不同的算法可以用在不同標簽中。監(jiān)督算法中會用到 logic 回歸、c5.0 決策樹、svm 算法、最優(yōu)算法、神經(jīng)網(wǎng)絡(luò)、矩陣算法。非監(jiān)督類的，聚類、離散統(tǒng)計分析、隨機游走、小波 /F 變換，這些算法用在哪些標簽會更合適的，給出一個很明確的圖 (整個訓(xùn)練過程就不進入深談)。
從另外一個角度來看一下這個體系這個會顯得很直觀。
流失模型： 在分析中會選擇一個用戶樣本進行觀察與分析。在流失模型中選擇每一個變量參與到模型計算都是需要做不同的評估的。例如用戶基礎(chǔ)屬性中年齡、App 使用時長、興趣標簽、上網(wǎng)行為、手機品牌等，這是從模型角度要考慮的變量，通過找到的一些線索，分析不同用戶群體在這些標簽上有什么屬性，從而識別哪一類用戶忠誠度比較高。
流失模型里面不做更多討論，圖示給出流失模型中的某一個節(jié)點判斷。 人群的分析： 經(jīng)過反復(fù)的分析以及定量與定性的分析與刻畫，可以從流失角度對用戶分群進行定量描述。每一個分群除了含有流失的描述外，還有很多其它相關(guān)顯著屬性來進行刻畫，再進一步根據(jù)分群的用戶特征來做下一步的業(yè)務(wù)活動。 例如 ：第三方應(yīng)用分發(fā)這個業(yè)務(wù)，根據(jù)特征可以劃分為十幾個用戶群體，其中有兩個群體可以定位為低活躍低黏性、易流失搜索用戶群體。 低活躍低黏性的群體顯著特征是一日游用戶很多，都是新安裝的用戶過來看一下就離開了（不排除有潛在的作弊用戶可能性）。這個用戶的特征是很多用戶有 click 響應(yīng)、95% 的用戶沒有安裝任何工具類 App 或游戲類的 App（猜測一下，這個來看新機或潛在作弊刷量可能，或被其它的 APP 或升級功能引導(dǎo)到這個應(yīng)用市場，也可能中間被渠道截胡了）。 有了這些定量描述后，可以群體的定性刻畫與業(yè)務(wù)上的觸達動作。
用戶觸達及渠道評估階段： 下圖給出的三個易流失用戶群體的定量描述。有了這些定量描述與群體規(guī)模可以在業(yè)務(wù)上做些事情。 能做什么事情呢？針對這些用戶群體指定不同的觸達文案、觸達活動頁面與內(nèi)容，然后再選擇比較合適的通道，像站內(nèi)信、APP push、短信、電子郵件、成本更高的電話回訪等一系列手段，進行用戶觸達拉活等，過后再進行效果的評估。
比如這三個群體、低活躍低黏性、易流失搜索、邊緣性型三個群體，需要開始做用戶觸達， 考慮成本，在用戶觸達的方案上選擇了 Push 的方式來做流量測試。相比較產(chǎn)品改造的風(fēng)險和開發(fā)時間，Push 有著快速驗證的優(yōu)點。與此同時，為了控制影響，避免騷擾正常用戶，在 Push 投放時，一個用戶最多只能收到一條，那么可以 對流失風(fēng)險較高的用戶進行投放。
投放結(jié)束后需要總結(jié)，從啟動率的比較、Push CTR% click ctr% 等一系列角度進行分析并輸出相關(guān)結(jié)論。
當(dāng)然這個過程只是針對不太啟動的用戶群體做 Push 拉活，也還有很多的其它抓手與觸點需要與用戶做更多的作用，才能達到想要的結(jié)果。 例如在已經(jīng)曾經(jīng)值得紀念那款第三方的 APP 分發(fā)平臺，從運營入口、內(nèi)容入口、產(chǎn)品入口分別盤點出來的所有渠道資源與觸達給用戶的內(nèi)容，可以參考一下， 這塊業(yè)務(wù)沒什么可以做深入分析了。
到此，從流失到挽留的一個比較簡單的完整動作就此結(jié)束了。現(xiàn)在很多 App 的前后臺都支持在線的定向投放、小流量測試、a/b 測試等一系列測試功能，對于觸達用戶拉活還是有特別大的幫助。 總結(jié)一下，用戶生命周期中的數(shù)據(jù)驅(qū)動，因為涉及到產(chǎn)品運營、數(shù)據(jù)分析與挖掘、用戶運營，在分工上每一個團隊關(guān)注的重點必然是不同的。 數(shù)據(jù)分析與挖掘，是要研究消費用戶群體、建立流失指數(shù)、沉淀回流拉動目標群體圈定與用戶分析等。這樣可以給業(yè)務(wù)一個瞄準器，可以讓大家知道需要觸達哪些用戶、什么時間節(jié)點觸達、以什么樣的活動可以觸達。同時也能給業(yè)務(wù)傳遞一套比較客觀與科學(xué)的上線評估體系，而不用業(yè)務(wù)自己上線、自己評估、自己說了算（ 例如：有的業(yè)務(wù)會觀察組對照組都搞的不對，這種潛在的小故障是不在少數(shù)的）。 通過數(shù)據(jù)分析與挖掘，拿到了瞄準器與打擊節(jié)奏，接下來就是要解決武器與打擊地點的問題，結(jié)合產(chǎn)品運營方向、用戶運營方向，從產(chǎn)品的運營內(nèi)活動、Push 渠道不同內(nèi)容推薦、產(chǎn)品優(yōu)化與完善的的角度就是要解決用什么手段觸達用戶了。 我在針對這個方法論提煉一下就是如下圖所示：
有了場景、方法論，我們的數(shù)據(jù)產(chǎn)品經(jīng)理就有空間去到更多的系統(tǒng)化與產(chǎn)品化，將這整個過程從體系化的角度進行泛化，讓更多的前線運營、產(chǎn)品運營同學(xué)參與工作。用一個通用詞來說就是”賦能“給他們。 這個賦能過程是要從”探索“和”效果評估“的體系化來規(guī)劃，還需要加上觸達資源庫管理與用戶分群變量管理，講到這里或許一些懂這個方向產(chǎn)品的讀者已經(jīng)能夠構(gòu)思這款產(chǎn)品該是個什么樣子。 如果展開講，共有六層是要思考：
如下圖所示：
這個架構(gòu)產(chǎn)品化后，會給業(yè)務(wù)的生產(chǎn)效率帶來很大的提升（這里只是放了一個核心圖），跟這款產(chǎn)品有關(guān)的其它的知識等內(nèi)容不在這里做闡述與分享。 寫在最后 在寫完這篇文章后，發(fā)現(xiàn)與自己最開始列的大綱還是有很大的差異。原計劃是寫一個完整的流失分析，在整理過程發(fā)現(xiàn)所牽涉的知識面還是非常廣的，也讓自己整理了很多項目的材料，并對這些材料進行了脫敏處理。 這個文章可以給業(yè)務(wù)一些參考，也可以給分析師一些分析方向上的參考，同時可以給數(shù)據(jù)產(chǎn)品經(jīng)理一個從業(yè)務(wù)到模型到數(shù)據(jù)產(chǎn)品的規(guī)劃參考。按照慣例，里面涉及到的很多案例不做更詳細的解釋，如果有感興趣可以私下交流。 作者介紹： 松子（李博源），自由撰稿人，數(shù)據(jù)產(chǎn)品 & BI 老兵一枚。 |
|
|
