8-提升用户留存_寻找影响留存的MagicNumber

能否快速增长在于能否获取越来越多的用户且确保这些用户留存下来，所以对于产品运营来说要努力做到“开源（拉新）节流(留存)”。

背景

以qq空间黄钻为例，从“节流(留存)”角度，来梳理如何通过数据模型找到影响用户留存的关键因素，并从关键因素中得到促进留存的策略。

本文主要分如下7步骤来阐述

1. 定义留存：转化为数据模型

可能有人会疑问，为什么要定义留存，留存不就是用户有没有留下来吗？是的，留存就是用户有没有留下来，但它还有一个非常重要维度就是时间。如：当天进来的用户第二天又来了，第三天没来，那这个用户属不属于留存用户？什么时间点用户回来了属于留存？所以这里就引入了次日留存，3日留存，周留存，月留存等等的留存定义。定义留存的目的在于确定你的分析目标。

那么如何定义黄钻用户留存？我们先了解下黄钻这个产品本身的特点，黄钻属于包月服务，何为包月？付一次钱可以享受一段时间（31天为最小单位）的服务。由于这种付费模式，所以又有了到期的概念。到期前后用户都可以进行付费，那到期后用户在什么时间点前付费了我们定义的留存呢？有些产品可能运营经验或拍脑袋，但这里我们通过数据角度来定义。如下图：从图上可知到期用户大部分是在到期前后7天进行续费的，到期20天后再续费的用户少之又少。故这里定义用户到期后20天内有进行续费就是留存用户，反之非留存用户。

用户续费时间间隔分布

定义好留存后，那如何将其转化为数据模型问题呢？到期用户留存与不留存一旦确定，就可以转化为一个二分类问题，解决二分类问题的算法有很多，这里采用Xgboost算法（当然这里你也可以选择自己熟悉的LR，RF，GBDT等等算法）

2. 样本选择

或许又有人有疑问，样本这里随便选几天数据不就可以了吗？是的，但是经验告诉我，如果你要得到一个较好的模型的话，你还得了解你负责产品是否有节假日，月初月末，开学季，活动运营等等的效应。因为这些都会对你的样本造成干扰。对于黄钻留存这里，我会去避开一些运营活动影响特别强时间点，并从月初，月中，月末各抽样一天进行分析。

3. 特征构建

特征在模型中的重要性不用多说，但如何快速构建特征让模型达到更好的效果呢？个人觉得自己本身对产品的业务理解很重要，多体验产品，多和运营同事交流，因为他们的经验可能会让你少走很多弯路。

我自己在付费用户构建特征这里一些小感悟：

除用户的一些基础属性画像特征外，特征可从数据的空间和时间的交叉组合得到

l从数据的空间维度上看：

驱动用户付费的特征一定要（黄钻的特权）

用户的付费能力特征一定要（在自身包月和其它包月都要）

付费产品本身寄托的平台特征（黄钻是在空间下的增值产品）

平台本质特征一定要（空间是社交类产品，是QQ体系下的产品））

l从数据的时间维度上看

一段时间内的汇总特征（近31天内等）

趋势性的时间阶段特征（近3天、近7天等）

此次的特征构建如下图：

特征构建方法套路

4. 模型训练与评估

根据上述的（样本选择+特征构建）就可以得到模型所需要的训练样本和测试样本，进行模型的训练与校验。在模型评估时，很重要的两个指标：AUC，TPR。

个人经验利用Xgboost AUC一般要达到90%以上，TPR要达到85%以上才能得到比较好的效果。

5. 寻找影响留存的关键因素

模型训练出来后，可得到每个特征影响的权重，按权重排TOPN来看，有些特征为非可控特征（如：最近一次开通间隔，手Q登录时长等等），有些特征是平台的特征，对于黄钻运营团队来说也很难去改变的（如：说说操作次数），站在运营人员角度，黄钻特权是他们能控制的，站在黄钻用户角度，黄钻特权是他们独享的，故这里考虑先从特权使用个数这个因素着手。

feature重要性排序

6. 寻找关键因素中的MagicNumber

从下图看出，特征使用从0-5时有较明显提升，当特征使用大于5个时，留存率的提升并不明显，虽然使用18以上时留存率很高但用户占比太少，故这里的Magic Number我们选为5

拆分因素

七、      寻找达到Magic Number的策略

Magic Number找到了，但是要如何提升呢？产品可以根据自己的经验或者竞品的经验来推动的操作达到Magic Number，但如果产品没想到好方案而且也无这种先例，那怎么办呢？是否能从数据角度来进一步分析得到一些策略呢？   以提供黄钻用户到期留存要使用户特权使用个数达到5个的问题上看，我们可以分群分析，以下的分析结论涉及到内部数据，故这里只将思路给出。

l  特权使用1个的群体，他的各个特权使用与留存的关系

l  特权使用2个的群体，他的特权组合使用与留存的关系

l  特权使用3-5个的群体，他的特权组合使用与留存的关系

从以上分群对比分析可以得到，用户如果使用的特权种类越多，留存率越高。故这里给产品策略，对用户进行特权花样组合推荐。目前此方案已被产品接纳并在研发中。

参考文献

关于xgboost算法

[1]http://blog.csdn.net/a819825294/article/details/51206410