常见的几种流失预警模型

建立预警模型的目的是提前识别潜在流失用户，为挽留用户赢得时间。
流失预警模型，不应该只是单一的模型，而应该是一系列模型。预警模型的优劣通常用准确率、召回率来衡量。准确率：预测为流失的用户中，有多少真的流失。召回率：真实的流失用户中，有多少被预测为流失。
对于结果类的预测模型，只关注预测的准确性。比如，预测股票的涨跌，只要模型预测准确，按预测结果操作即可。但对于策略类的预测模型，预测只是第一步，还需要后续的一系列手段来完成目的。比如，流失预警的最终目标是挽留用户，预测流失还只是找对目标，如何挽留还得对症下药。
流失预警应该预测导致用户流失的早期原因，而不是晚期现象。

基于用户属性的预警模型。

我们认为，用户流失与产品的用户定位有关。对于精准的目标用户，留存率就高；对于宽泛的目标用户，流失率就高。所以，流失率与用户质量是强相关的。基于用户属性的预警模型就是通过分析用户的属性，找到与流失相关的因子。该模型仅需用户的基本属性，不涉及使用行为，能在最早期预测用户的流失。
基于用户属性的预警模型，因变量是用户流失，自变量是用户属性，预测的结果是每一个用户的流失概率。如用户的基本属性：手机品牌、手机分值（跑分）、系统版本、运营商；性别、年龄、学历、职业；网络依赖程度、上网时长。先计算出满足单一条件的流失概率，再计算出满足几个条件组合时的流失概率，最后计算满足某些条件且不满足某些条件时的流失概率。最后，通过计算用户与该模型的匹配程度，得出该用户的流失概率。对于潜在用户，可以根据用户质量，对渠道买量进行差异化定价。对于真实用户，可以及早预防，提供差异化的产品解决方案。

基于关键事件的预警模型。

产品的设计中存在诸多的流程，每个流程中都有关键点。当用户在某个关键点上遇到阻力的时候，就容易导致产品体验不深入，进而影响到用户的留存。基于关键事件的预警模型，就是通过分析核心流程中关键事件的完成度，来预测用户的流失概率。
基于关键事件的预警模，因变量是用户流失，自变量是关键流程的完成度，预测结果是每一个用户的流失概率。首先，梳理关键流程，定义流程中的关键节点。这个不是技术活，但需要对产品有深刻的理解。然后，根据关键节点的达成情况，定义该流程的完成度。比如，订阅事件流中，完整的流程应该是：浏览推荐→关注→互动（点赞/评论）→转发→取关→主动查找→批量关注。如果用户停留在转发阶段，那么该流程的完成度就是4/7=57%；如果用户进行过批量关注，那么完成度就是100%。最后，通过分析各流程完成度与流失率之间的关系，来预测用户的流失。

基于负体验的用户预警模型。

负体验是产品功能和体验上，给用户造成不爽的经历，是用户流失的重要原因，没有之一。基于负体验的预流失警，能帮我们分析各因素对流失的影响程度，便于按照重要性排列优先级。
基于负体验的用户预警模型，因变量是流失率，自变量是各类负体验次数，预测结果是负体验用户的流失概率。具体操作上需要先收集用户反馈，梳理产品中的负体验。根据负体验的出现次数，建立基本的流失模型。常见的负体验有：客户端崩溃、耗电快、打开速度慢、推荐内容差、内容虚假、图片不清晰、推送骚扰等等。

基于业务粘性的预警模型。

该模型主要是分析用户在核心功能上的活跃度表现。用户使用产品，往往集中在几个核心功能。一旦发现用户在核心功能上的活跃行为有下降，就必须预防了。所以，用户粘性的下降，是用户流失的早期表现。
基于业务粘性的预警模型，因变量是流失率，自变量是各业务的活跃度。分析各核心业务粘性下降对于滞后几期用户的流失影响。该模型的重点是定义核心业务，定义活跃行为，以及保持各业务之间的独立性。

基于活跃度的预警模型。

用活跃度来预测用户流失，这恐怕是数学表现最好的指标了。因为流失就是依据用户的活跃度来界定的。你说，用户都30天没有来了，那他离流失还远吗？但是，活跃度是结果指标，是因变量，不是自变量。这样的预测是找不到对应的原因的，只能是让你知道这个用户要流失了，赶快在他流失前做些措施吧。
所以，我觉得基于活跃度的预警意义不大，如果一定要分析，建议先将用户分群，再做预警比如：持续不活跃的用户。这类用户的活跃度一直比较低，可以说从来没有高活跃过。那么，这里先要做的是刺激活跃，然后才是防流失。活跃度缓慢下降的。说明产品对用户的吸引力越来越小了，这类用户的预警最好结合业务粘性预警模型来分析。活跃度骤降的。之前很活跃，突然间不活跃了。推理，应该是某个外部原因导致的，比如竞品更给力了，用户换手机了等等。

转载地址：常见的几种流失预警模型