一、流失預(yù)測模型是指什么

流失預(yù)測模型（英文：Churn Model）是一個(gè)預(yù)測模型，在個(gè)人用戶的層面上估計(jì)用戶流失的傾向（或易感性）。通過流失模型，可以得知每個(gè)用戶在未來流失的風(fēng)險(xiǎn)有多大。從技術(shù)上講，流失模型是一個(gè)二元分類器，將客戶分為兩組（類）——已流失的和未流失的。除了進(jìn)行分組，該模型通常還會(huì)告訴我們客戶屬于某一組的概率。

用戶生命周期，可以劃分為六個(gè)階段：潛客期、新用戶期、成長期、成熟期、衰退期、流失期，流失預(yù)測模型是當(dāng)用戶出現(xiàn)流失跡象時(shí)，如何預(yù)警并加以干預(yù)，從而降低用戶的流失率。

二、流失預(yù)測模型的內(nèi)容

1、定義用戶流失周期

目的是判斷用戶是否流失。這里引入回訪率（即某日登陸的用戶中在其后再次登錄的用戶數(shù)/當(dāng)時(shí)登錄的用戶數(shù)*100%)。

用戶流失期限越長，用戶的回訪率越低，存在一個(gè)時(shí)間拐點(diǎn)，在該周期后用戶回訪率隨周期的延長而下降緩慢，下降緩慢的這批用戶即為平臺長期活躍用戶，而該周期即為用戶流失周期。

2、抽取建模樣本

抽取的用戶是已經(jīng)過了上述的流失周期（即可定義用戶是否流失）。

參與建模的指標(biāo)維度：用戶基本信息、訪問行為、消費(fèi)行為。

3、使用決策樹預(yù)測用戶是否流失

模型首先需要將用戶分成訓(xùn)練集和測試集(默認(rèn)劃分為13比7)，然后用訓(xùn)練集的數(shù)據(jù)來訓(xùn)練模型，在用來預(yù)測測試集，最后用預(yù)測的準(zhǔn)確性（AUC）來評估模型。

流失用戶的原因分析以人（平臺用戶）、貨（如電商商品）、場（平臺、競品等）三個(gè)維度為主。

用來評估客戶流失預(yù)測模型預(yù)測效果好壞的一個(gè)重要指標(biāo)，就是提升度。

所謂提升度，是指使用模型預(yù)測客戶流失比不使用模型要好多少。

三、流失預(yù)警的建立步驟

流失預(yù)警流程可以劃分為四個(gè)步驟，分別為流失預(yù)警、策略召回、AB實(shí)驗(yàn)、評估沉淀，形成一個(gè)閉環(huán)體系。

1、流失預(yù)警

流失預(yù)警是所有步驟的起始，根據(jù)用戶的行為特征及屬性特征，預(yù)測用戶在未來一段時(shí)間內(nèi)是否流失以及流失可能性的大小，樹模型以及Wide&Deep模型均是比較常用的，將所得到的用戶標(biāo)識、label、置信度輸出給下游業(yè)務(wù)方。

2、召回策略

業(yè)務(wù)方根據(jù)預(yù)測的數(shù)據(jù)，合理匹配「用戶」、「觸達(dá)方式」、「觸達(dá)內(nèi)容」，不同產(chǎn)品、不同業(yè)務(wù)場景的匹配方案均不相同，而探索最優(yōu)匹配方案，往往是根據(jù)嘗試獲取的。原則只有一個(gè)：以最小的成本召回最多的用戶。具體干預(yù)體系，會(huì)在后面和大家分享，先附上小火龍繪制的簡易思路圖。

3、AB實(shí)驗(yàn)

在進(jìn)行策略召回時(shí)，效果是業(yè)務(wù)方最關(guān)心的問題。而AB實(shí)驗(yàn)是最直接的評估方式，將一部分隨機(jī)用戶作為基線桶不采取任何策略，另一部分隨機(jī)用戶通過策略進(jìn)行召回，為了保證用戶群體的一致性，可配合DID（雙重拆分法），將「用戶差異」、「時(shí)間差異」、「策略因素」有效剝離，從而得到策略的效果。該步的目的，是度量不同策略的優(yōu)劣，連同步驟二的召回形成閉環(huán)，持續(xù)優(yōu)化「用戶」、「觸達(dá)方式」、「觸達(dá)內(nèi)容」的匹配。

4、評估沉淀

對以上每個(gè)環(huán)節(jié)的內(nèi)容進(jìn)行優(yōu)化，沉淀總結(jié)經(jīng)驗(yàn)，在有條件的情況下，落盤至平臺，提升后續(xù)預(yù)警召回的準(zhǔn)確率及效率。

以上就是用戶流失預(yù)警的核心流程，雖然不同產(chǎn)品可能會(huì)有一些細(xì)節(jié)上的差異，但萬變不離其宗。

四、常見的流失預(yù)測模型

1、基于用戶屬性的預(yù)警模型

用戶流失與產(chǎn)品的用戶定位有關(guān)。對于精準(zhǔn)的目標(biāo)用戶，留存率就高；對于寬泛的目標(biāo)用戶，流失率就高。所以，流失率與用戶質(zhì)量是強(qiáng)相關(guān)的?；谟脩魧傩缘念A(yù)警模型就是通過分析用戶的屬性，找到與流失相關(guān)的因子。該模型僅需用戶的基本屬性，不涉及使用行為，能在最早期預(yù)測用戶的流失。有點(diǎn)根據(jù)骨骼驚奇，預(yù)測武學(xué)大師的味道。

● 基于用戶屬性的預(yù)警模型，因變量是用戶流失，自變量是用戶屬性，預(yù)測的結(jié)果是每一個(gè)用戶的流失概率。

● 用戶的基本屬性：手機(jī)品牌、手機(jī)分值（跑分）、系統(tǒng)版本、運(yùn)營商；性別、年齡、學(xué)歷、職業(yè)；網(wǎng)絡(luò)依賴程度、上網(wǎng)時(shí)長。

● 先計(jì)算出滿足單一條件的流失概率，再計(jì)算出滿足幾個(gè)條件組合時(shí)的流失概率，最后計(jì)算滿足某些條件且不滿足某些條件時(shí)的流失概率。最后，通過計(jì)算用戶與該模型的匹配程度，得出該用戶的流失概率。

● 對于潛在用戶，可以根據(jù)用戶質(zhì)量，對渠道買量進(jìn)行差異化定價(jià)。對于真實(shí)用戶，可以及早預(yù)防，提供差異化的產(chǎn)品解決方案。

2、基于關(guān)鍵事件的預(yù)警模型

產(chǎn)品的設(shè)計(jì)中存在諸多的流程，每個(gè)流程中都有關(guān)鍵點(diǎn)。當(dāng)用戶在某個(gè)關(guān)鍵點(diǎn)上遇到阻力的時(shí)候，就容易導(dǎo)致產(chǎn)品體驗(yàn)不深入，進(jìn)而影響到用戶的留存?；陉P(guān)鍵事件的預(yù)警模型，就是通過分析核心流程中關(guān)鍵事件的完成度，來預(yù)測用戶的流失概率。

● 基于關(guān)鍵事件的預(yù)警模，因變量是用戶流失，自變量是關(guān)鍵流程的完成度，預(yù)測結(jié)果是每一個(gè)用戶的流失概率。

● 首先，梳理關(guān)鍵流程，定義流程中的關(guān)鍵節(jié)點(diǎn)。這個(gè)不是技術(shù)活，但需要對產(chǎn)品有深刻的理解。

● 然后，根據(jù)關(guān)鍵節(jié)點(diǎn)的達(dá)成情況，定義該流程的完成度。比如，訂閱事件流中，完整的流程應(yīng)該是：瀏覽推薦→關(guān)注→互動(dòng)（點(diǎn)贊/評論）→轉(zhuǎn)發(fā)→取關(guān)→主動(dòng)查找→批量關(guān)注。如果用戶停留在轉(zhuǎn)發(fā)階段，那么該流程的完成度就是4/7=57%；如果用戶進(jìn)行過批量關(guān)注，那么完成度就是100%。

● 最后，通過分析各流程完成度與流失率之間的關(guān)系，來預(yù)測用戶的流失。

3、基于負(fù)體驗(yàn)的用戶預(yù)警模型

負(fù)體驗(yàn)是產(chǎn)品功能和體驗(yàn)上，給用戶造成不爽的經(jīng)歷，是用戶流失的重要原因，沒有之一。基于負(fù)體驗(yàn)的預(yù)流失警，能幫我們分析各因素對流失的影響程度，便于按照重要性排列優(yōu)先級。

● 基于負(fù)體驗(yàn)的用戶預(yù)警模型，因變量是流失率，自變量是各類負(fù)體驗(yàn)次數(shù)，預(yù)測結(jié)果是負(fù)體驗(yàn)用戶的流失概率。

● 具體操作上需要先收集用戶反饋，梳理產(chǎn)品中的負(fù)體驗(yàn)。根據(jù)負(fù)體驗(yàn)的出現(xiàn)次數(shù)，建立基本的流失模型。常見的負(fù)體驗(yàn)有：客戶端崩潰、耗電快、打開速度慢、推薦內(nèi)容差、內(nèi)容虛假、圖片不清晰、推送騷擾等等。

4、基于業(yè)務(wù)粘性的預(yù)警模型

該模型主要是分析用戶在核心功能上的活躍度表現(xiàn)。用戶使用產(chǎn)品，往往集中在幾個(gè)核心功能。一旦發(fā)現(xiàn)用戶在核心功能上的活躍行為有下降，就必須預(yù)防了。所以，用戶粘性的下降，是用戶流失的早期表現(xiàn)。

● 基于業(yè)務(wù)粘性的預(yù)警模型，因變量是流失率，自變量是各業(yè)務(wù)的活躍度。分析各核心業(yè)務(wù)粘性下降對于滯后幾期用戶的流失影響。該模型的重點(diǎn)是定義核心業(yè)務(wù)，定義活躍行為，以及保持各業(yè)務(wù)之間的獨(dú)立性。

5、基于活躍度的預(yù)警模型

用活躍度來預(yù)測用戶流失，這恐怕是數(shù)學(xué)表現(xiàn)最好的指標(biāo)了。因?yàn)榱魇Ь褪且罁?jù)用戶的活躍度來界定的。你說，用戶都30天沒有來了，那他離流失還遠(yuǎn)嗎？但是，活躍度是結(jié)果指標(biāo)，是因變量，不是自變量。這樣的預(yù)測是找不到對應(yīng)的原因的，只能是讓你知道這個(gè)用戶要流失了，趕快在他流失前做些措施吧。

所以，我覺得基于活躍度的預(yù)警意義不大，如果一定要分析，建議先將用戶分群，再組預(yù)警。比如：

● 持續(xù)不活躍的用戶。這類用戶的活躍度一直比較低，可以說從來沒有高活躍過。那么，這里先要做的是刺激活躍，然后才是防流失。

● 活躍度緩慢下降的。說明產(chǎn)品對用戶的吸引力越來越小了，這類用戶的預(yù)警最好結(jié)合業(yè)務(wù)粘性預(yù)警模型來分析。

● 活躍度驟降的。之前很活躍，突然間不活躍了。推理，應(yīng)該是某個(gè)外部原因?qū)е碌?，比如競品更給力了，用戶換手機(jī)了等等。

五、流失預(yù)測模型的應(yīng)用說明

1、流失預(yù)警是數(shù)學(xué)問題，更是業(yè)務(wù)問題

● 流失預(yù)警模型，不應(yīng)該只是單一的模型，而應(yīng)該是一系列模型。預(yù)警模型的優(yōu)劣通常用準(zhǔn)確率、召回率來衡量。準(zhǔn)確率：預(yù)測為流失的用戶中，有多少真的流失。召回率：真實(shí)的流失用戶中，有多少被預(yù)測為流失。

● 對于結(jié)果類的預(yù)測模型，只關(guān)注預(yù)測的準(zhǔn)確性。比如，預(yù)測股票的漲跌，只要模型預(yù)測準(zhǔn)確，按預(yù)測結(jié)果操作即可。但對于策略類的預(yù)測模型，預(yù)測只是第一步，還需要后續(xù)的一系列手段來完成目的。比如，流失預(yù)警的最終目標(biāo)是挽留用戶，預(yù)測流失還只是找對目標(biāo)，如何挽留還得對癥下藥。

● 要做到對癥下藥，就要尋找流失的因果關(guān)系。因?yàn)槟苤苯诱覍υ?，可以直接研究對策。但也不能倒果為因。比如，周琦上場，火箭?duì)贏球的概率是80%。但不能據(jù)此得出：提升周琦的出場率來促成贏球的目的。

2、流失預(yù)警應(yīng)該預(yù)測導(dǎo)致用戶流失的早期原因，而不是晚期現(xiàn)象

● 預(yù)測高考。最有效的指標(biāo)是高考前的一模、二模、三模成績。分?jǐn)?shù)越高的，考上的概率越大；分?jǐn)?shù)越低的考上的概率越低。但是，因?yàn)殡x高考太近，針對高概率考不上的學(xué)生，其實(shí)已經(jīng)沒撤了！相反，用高一、高二的成績來預(yù)測高考，雖然準(zhǔn)確率不高，但對于高一高二的同學(xué)來說，還有加油努力的時(shí)間。

● 預(yù)防疾病。對于病癥越顯著的用戶，判斷得病的可能性就越高。因?yàn)樗麄兓疽呀?jīng)得病了，需要的是有效治療，簡單的預(yù)防策略基本無效。

● 預(yù)測員工流失。發(fā)現(xiàn)提交離職申請的人95%的會(huì)離職，離職的人99%都提交了離職申請。這樣的模型是沒有價(jià)值的。

六、流失預(yù)測模型的作用

通過了解哪些客戶流失的風(fēng)險(xiǎn)最大，我們可以更有針對性地進(jìn)行補(bǔ)救。例如，我們可以通過營銷活動(dòng)接觸這些客戶，提醒他們他們已經(jīng)很久沒有從我們這里購買產(chǎn)品，甚至為他們提供優(yōu)惠。

除了知道要定位哪些客戶之外，我們還可以使用流失模型來計(jì)算用戶覺得劃算的最大收益價(jià)格。例如，如果我們知道某個(gè)客戶離開的概率是 10%，來自他的年收入為 100 美元，那么未來年收入的預(yù)期值則為 90 美元。因此，在我們營銷成本不超過5美元時(shí)，新的產(chǎn)品報(bào)價(jià)能把流失概率降至5%(預(yù)期收益是95美元)，那么該報(bào)價(jià)對該客戶來說就是劃算的。

總結(jié)

優(yōu)化猩SEO：建立流失預(yù)警模型，把流失挽回變成流失預(yù)警。建立預(yù)警模型的目的是提前識別潛在流失用戶，為挽留用戶贏得時(shí)間。

參考鏈接：

流失預(yù)測模型

https://www.niaogebiji.com/wiki/1644

常見的幾種流失預(yù)警模型

https://zhuanlan.zhihu.com/p/40131248

用戶流失的預(yù)測模型——Churn Model

https://baijiahao.baidu.com/s?id=1716816872026583635

干貨！用戶流失預(yù)警模型及策略干預(yù)

https://baijiahao.baidu.com/s?id=1727602983090371482

修改于2023-12-06