用户忠诚度模型

根据模型计算用户忠诚度，对用户赋予标签，可对用户分层进行辅助判断。

L代表用户忠诚度，t是时间窗口，n代表时间周期，s代表消费次数、活跃次数等（如果代表优活次数，则可表示为用户优活忠诚度），若时间窗口以月为单位，那么t=1时，s是距离第一个月内的优活次数，t=2时，s是距离第二个月内的优活次数，设定要计算的L的周期n，计算结果L的值越大，说明用户忠诚度越高。

例：计算A、B、C三个用户2020年1月份至7月份的优活忠诚度。

t=1,n=7,s=7个月内每个月优活达标的次数，可计算L的值。假设值与计算结果如下：

根据计算结果可以看出，用户忠诚度C=标准>A>B，

因此结论如下：

C用户即使在7个月内有3个月优活未达标，但其优活忠诚度满足标准，该用户属于自发性优活用户，无需过多干扰；

A用户在7个月内有3个月优活达标，其优活忠诚度略低于标准，该用户属于激励性优活用户，需对其采取少量刺激行为使其优活达标；

B用户虽然在7个月内也有3个月优活达标，但其优活忠诚度低于标准，该用户属于不稳定用户，即容易优活也容易失活。

反驳与推理

PS：如果只看到上述模型会觉得好像很有道理，计算公式明确，能够得出结论，且结论好像符合实际数据规律，其实不然，上述模型是营销号在运营地图里编造的，经不起推敲。反驳如下。

1.公式错误

公式中 t 代表时间窗口，s 代表优活次数，然而数学公式中1个变量只能用一个字母表示，且

表示求和公式，如果按照上述求和公式计算，结果应该是

因此公式中 t 与 s 定义不明，公式存在错误。

2.举例说明

同样以A、B、C三个用户和标准进行对比举例，按照上述计算公式计算 L

可以看出，ABC三个用户的忠诚度计算结果是相同的，则根据结论ABC三个用户忠诚度相同，但很明显能够看出A用户的优活天数递增，B用户的优活天数递减，C用户处于波动中，即A用户忠诚度递增且现在最高，B用户忠诚度递减且现在最低。

因此，上述用户忠诚度模型得出的结论不符合实际情况。

1.加权法

设定标准值时间，即想要分析的起始时间，根据距离标准值的第N个时间周期，设置加权数，计算加权赋值率，下表以月为例。

加权中根据最近第N月赋予不同权重的值。最近第1月离标准值最近，所以赋值最高；最近第12月离标准值最远，所以赋值最低。（这里采用1年为周期的计算方式，如果顾客生命周期达到2年，也可以从24开始赋值，一直从最近1月赋值到最近第24月。）

加权赋值率计算：将12+11+……+1=78，作为赋值总和。加权赋值率=加权数/加权赋值总和

2.忠诚度

L表示用户忠诚度，n表示计算周期，k表示加权赋值率，s表示1单位时间周期内次数

3.举例说明

例1：设定7月为标准值

根据计算结果可以看出，LA>L标准>LC>LB，因此用户忠诚度A>标准>C>B

例2：设定7月为标准值

用户A最近优活的多，总共优活了140次；用户B过去优活的多，总共优活了154次。

但是根据加权得出的用户忠诚度，用户A忠诚度＞用户B忠诚度，因为用户B最近的忠诚度太低了。

根据满意度-忠诚度可以划分出四象限，区分不同类型的用户群体：高满意度，高忠诚度是天使型用户；低满意度和低忠诚度是危险型用户；低满意度，高忠诚度是羊毛型用户；高满意度，低忠诚度是人质型用户。

不同的用户类型，可以在用户运营时有针对性地采取不同的策略。

比如基于价格的忠诚度与满意度结合：羊毛型用户，说明产品不好用但价格便宜，采用低价让利的优惠组合；天使型用户，则引诱他们更高的消费。

比如基于活跃的忠诚度与满意度结合：人质型用户，说明产品好用或需求场景浅，但有同样好用或更好用的产品会容易换用，采取数据壁垒的方式增加其换用难度；羊毛型用户，说明产品应用场景深，但产品无法完全满足其需求，需要针对其需求进行优化。