根据我们App 用户的特征，将30天以上未打开App的用户定义为流失。随着App用户量持续增加，流失用户数也在持续增加，当流失用户数大于新增用户数的时候对于一款上线时间短的App来说可能是致命的，流失用户挽回、流失预测刻不容缓。
这是一款买菜App，主要为家庭提供日常做饭所需主食生鲜、调味品、熟食和奶制品等周边食品。主打平价、快速配送以及生鲜的新鲜度。
App上线以来，经过活动推广等运营已吸收一部分用户，且活跃用户稳步增加。用户的流失也一直存在，且在总用户量在占比较高。当前我们App获客成本较高，如何抓住已经下载App的用户并延长其生命周期，是保证App稳定健康成长、节流创收最直接的方法之一。分析用户流失原因有依据的召回、预测用户流失进行预防是App运营必须重视的。
根据我们App 用户的特征，将30天以上未打开App的用户定义为流失。随着App用户量持续增加，流失用户数也在持续增加，当流失用户数大于新增用户数的时候对于一款上线时间短的App来说可能是致命的，流失用户挽回、流失预测刻不容缓。
本专题主要从以下几个方面对流失用户进行分析：
1、 流失用户的渠道来源
分析对比流失用户渠道来源的分布情况，并未发现异常，流失用户在各个渠道分布于大盘分布类似，并未出现个别渠道流失用户数显著高于大盘平均水平的情况，可暂排除个别渠道低质量用户大量进入的可能。
2、 流失用户产品使用特征统计分析
对流失用户打开App次数、页面访问路径，购买转化率等特征进行分析可较清晰的了解用户的使用习惯、客户价值等信息。
a 使用频次分布特征：将近40%的流失用户只使用App 5次以内，5-15次和15次以上各占大约30%。
b 各频次内用户使用习惯偏好分析：不同的使用频次的用户的行为休干存在加大差异，分层分析可使其特征更明显，分析更精细到位，对最终运营策略个性化也有很大的指导作用。
（1）对只使用App 1-5次的流失用户的页面访问路径和购买记录进行分析，发现该用户群在下载App后使用大额新人红包产生过购买行为，红包用完后基本不再打开App，需进一步分析用户特征（年龄、职业、地区分布等），避免之后的营销活动吸入过多该类用户。
（2）使用5-15次的流失用户前期表现与1-5次类似，不过在大额红包用完后又数次打开过App，通过进一步漏斗分析发现，最终购买转化率与使用1-5次的用户相比并未增加，初判断应该是一批价格敏感型用户，可尝试用较为有吸引力的红包或优惠券召回。对该用户群进行画像分析，找到其共有特征，在其他未流失用户群以及以后新增的用户中定位该类用户，使用红包或优惠券吸引使用App并促使购买，观测是否可以有效预防该类用户的流失，延长其生命周期。
（3）使用15次以上的流失用户与其他频次的用户的行为有所不同，在使用完大额红包后仍有多次的购买行为，其最终购买的转化率相对较高，说明该用户最初有较高的使用需求和较好的使用体验。分析其购买记录以及最后一次停留页面，发现在此之前有不好的使用体验（配送时间过长、配送员态度不好、生鲜新鲜度不够等），初判断是一批看重服务和质量的用户，该类用户若经营得当，很大概率可发展成高价值的忠诚用户，衡量可分配资源，在一定范围内把服务和质量把控向其倾斜（优先配送、改善配送人员服务态度、更严的质量把控等）。该类用户的召回也较为麻烦，可能需要客服一对一的了解情况，解决其遇到的问题。
3、 用户画像
通过对流失用户的性别、年龄、地区分布、品类偏好，消费次数、消费金额、价格敏感度、优惠敏感度、质量服务敏感度等特征分析可以为该用户群打上不同标签，形成每个用户的画像。比如在上文的使用特征分析中提到使用5-15次用户的用户是价格敏感、优惠敏感，但消费次数少且消费金额低，而20次以上的用户则是消费金额高但是注重服务和质量。
基础特征画像分布这则是女性居多；20-40岁分布最多；其中地区的分布较有意思， 只使用1-5次用户群分布相对集中，对几个集中的地区周边调查发现，这些地区居住区集中，生鲜超市、水果店、便利店等十分密集，日常所需供应十分充足便利；且用户年龄偏大，居家主妇的可能性较大，更偏向习惯性线下购买，该批用户的召回维护十分有挑战，若购买品类或产品（周边设施不易获得）有明显偏好如进口海鲜、牛排等偏好，可尝试用相关信息召回并维护；若无明显可利用特征，则暂时放弃，节约资源。
但流失用户画像分析不应该只用于对已流失的用户进行特定策略的挽回，还应该是通过对这些用户特征分析，建立流失用户预测模型，对未流失的用户提前预警， 预测出哪些用户、在使用多长时间后流失的风险大，提前进行维护，降低流失率。
且对流失用户的挽回和预测维护应该按其所带来的价值（购买力、购买金额等指标）进行优先级排序，在运营时优先维护这类用户。
4、 流失用户分析结果落地及反馈
对已流失的用户根据其App使用习惯、购买力等特征将其分为几类，分别执行不同的召回策略，且按购买力大小划分优先级，对高价值用户有针对性的重点召回。记录召回人数变动，观测召回效果。
以下是分类情况及召回执行一个月后的反馈效果：
高价值用户：消费金额>=500元；
潜在高价值用户：使用次数>20，200元<=消费金额<500元；
佛系用户：使用次数10-20次，消费金额<200;
优惠用户：使用优惠券（红包）消费次数占总消费的70%以上；
羊毛用户：使用1-5次，新人专享优惠使用完后无其他消费。
注：平均收益价值 ＝ 召回用户总消费/召回人数；
等级划分：召回后消费金额>300元为高；100-300为中；<100为低。
5、 流失用户预测
流失用户预测需要用目前流失用户的流失原因特征，比如消费频次低的、有过差评的、消费金额小的、配送时间长的等等有这些情况的较之于相对应的流失可能性更大，这需要用到机器学习建模，根据业务场景，推算出一个用户的流失概率。相似的，还可以预测算出价格敏感指数、优惠敏感指数、各品类偏好指数，这样呢不仅可以知道流失概率及时反应，还可以知道用户喜好，有针对的去唤醒或维护。用户流失预测和用户画像更加复杂，需要更加详实的统计数据和更深入的业务理解。
作者：刘亭亭
本文为「人人都是产品经理」社区和友盟＋联合举办的“2019「友盟杯」数据分析大赛”中获奖作品，未经作者及平台许可，禁止转载
本文部分数据有脱敏处理，非全部真实数据
有关产品测评大赛合作事宜，请联系邮箱：[email protected]