从三个方面探讨，用户流失预警体系如何搭建

失去用户操作的本质是什么？这是用户操作中最具挑战性的课题之一。相信很多企业都很关心这个话题，也许每天运营大老板都会盯着用户数据面板大声喊:为什么用户流失率这么高？你在召回流失用户吗？此时，许多人回答说，失去用户操作的本质不是失去用户召回！因此，运营商会煞有介意地建立一套流失用户运营召回系统。在该系统的指导下，常见的操作场景是将未登录或购买一段时间的用户定义为丢失用户；计划召回活动，并使用push或短信访问用户。很多企业的用户操作都在重复这样的工作，但是会发现失去用户的召回概率很低。一方面，用户流失意味着用户放弃了产品，召回用户无疑成为一项新工作；另一方面，用户流失的原因尚不清楚。他们想通过优惠券或促销文案召回用户。当用户看到这样的召回信息时，他们经常主动屏蔽它。那么失去用户操作的真正本质是什么呢？其本质是基于用户大数据分析的流失预警。用户大数据分析需要操作能够建模用户的基本肖像数据、行为数据和消费数据，挖掘用户流失特征；流失预警需要操作能够根据用户流失特征准确预测哪些用户面临流失？该平台是高价值用户还是普通价值用户？不同的用户流失恢复策略。从三个方面探讨如何构建用户流失预警系统。一、流失预警建模原理首先要明确流失预警原理：首先要建立观察窗口。通过收集和分析用户的历史数据性能，确定一个观察窗口，包括登录频率、登录时间、浏览时间、浏览深度、跳出率、订单频率等用户行为数据。在观察窗口期间，可以通过损失定义确定一批已知的损失用户。其次，建立性能窗口，通过建立用户大数据模型，分析已知用户肖像特征、消费行为特征和用户生命周期特征，建立损失规则集，不断优化模型，提高预测的覆盖率和命中率。再次建立预测窗口，在未来几周或几个月内通过模型预测未明确丢失的用户，建立丢失评分系统，并通过评分规则贴上相应的损失标签，如高风险损失用户、中风险损失用户、低风险损失用户。上图是构建损失预警模型的原理图，进行损失预测分析，我们从大数据的角度逐一分析：在观察窗口中，我们需要从历史数据库挖掘一批样本数据用户，完善损失评价维度，在此阶段，损失评价维度需要全面的用户字段数据，方便下一个建模过程，通过模型通过多种算法评价维度与损失的关系，并进行排序处理。在性能期窗口中，需要建立最终的损失预测模型。模型通过观察期间样本数据用户进行培训来判断已知的损失用户是什么？此时，从几个方面来评估模型的准确性：命中率：在预测用户流失时，假设10%的培训用户是流失用户，其余用户是留存用户。在输出结果中，所有预测用户实际损失的百分比越接近真实损失的百分比，模型训练的效果就越好。检查率：假设我们通过数据挖掘给业务部门一份20人的损失名单，名单中的16人确实损失了。该模型的检查率达到80%，相当不错，但问题是最终损失了1000名用户。此时，业务部门辞职，模型预测结果距离实际业务场景1800英里。此时，模型需要引入一个指标，即全面检查率，也称为模型覆盖率，即在输入大数据后，模型可以更全面地覆盖我们需要找到的丢失用户。在预警期窗口，我们最终通过样本数据建立了流失预测模型，并通过不断的数据培训有效地提高了模型的准确率和完整性。接下来，我们可以预测下个月或下个季度的用户流失列表。我们需要将所有用户数据导入模型，获得丢失规则的评分集或规则集，并为用户进行准确的分层操作。2、为了更好地阐述模型构建的理念，我们虚拟了一个案例：为了减少客户流失，电信运营商需要通过用户流失预警模型来预测用户流失概率。我们通过虚拟数据确定建模样本数据，并筛选以下数据字段：获取样本数据后，我们开始培训模型，建模思路中有三种算法：cox生存模型：该模型算法最大的作用是分析每个用户变量与损失之间的关系，并通过生存算法预测未来不同用户的损失概率。决策树模型：可提供不同流失规则集，用户操作可通过流失规则快速分层用户并操作。决策树模型：可以提供不同的损失规则集，用户操作可以通过损失规则快速分层和操作。神经网络模型：可以计算每个用户的损失评分，用户操作可以根据评分水平确定不同损失风险用户的操作策略。本次建模是通过cox生存模型进行预警，后面还会写文章详细阐述另外两种算法模型的应用。模型构建效果如下：让我们来看看模型的效果。以下是本次样本分析数据实际流失的客户。模型案例处理摘要显示，506个案例已被删除。这个数字说明客户数量还没有流失，占72.3%。（1）计算出几个强相关的影响指标，包括地址、职业、电话卡服务、无线网络服务、有线网络服务、电话时间等。Exp地址(B)价值表明，对于住在同一地址的客户，年损失风险将降低100%−(100%×0.972)=2.8%。在同一地址居住两年的客户流失风险将降低100%−(100%×0.9722)=5.5%。Exp电话卡(B)没有订购电话卡服务的客户流失的风险比率是订购此服务的客户的2.024倍。Exp网络服务(B)未订购网络服务的客户流失的风险比例是订购该服务的客户的0.577倍。(2)平均客户生存曲线客户生存曲线是“平均”客户模型预测流失时间的可视化显示。X轴显示事件发生的时间。Y轴显示生存概率。生存曲线上的任何一点都意味着“平均”客户在一段时间后没有流失的概率。通过模型输出的结果，我们可以看到，随着接入年限的增加，用户的平均生存概率下降。当接入年限达到56个月时，曲线形成块不光滑，客户生存概率迅速下降。用户流失预警的窗口值可确定为56个月。确定窗口值后，我们可以从数据库中筛选出56个月以上的用户数据输入模型，预测未来一个季度或不同季度的损失概率。（3）模型输出丢失的用户评分和列表在模型的底部。我们有一个数据流来预测丢失列表：如果我们对模型感到满意，我们希望对客户进行评分，以确认明年第一季度最有可能丢失的客户。图为第一季度27名用户流失、第二季度104名用户流失、第三季度162名用户流失、最后一季度213名用户流失。从模型导出的详细表中，我们可以看到每个用户的损失概率评分。如何通过损失评分来判断损失趋势需要在模型中使用累计增益图功能。当然，如果篇幅有限，我们不会在文章中逐一详细说明。您可以在我的视频教程《用户生命周期spss数据建模与营销》中获得详细的教程解释。用户分层操作和数据监控用户标签的意义在于丰富用户操作场景。我们可以通过用户流失预警模型获得不同的流失风险用户标签，如果单维用户标签操作将有过多的组用户营销资源有限，因此，在实际操作中，我们需要建立一套良好的用户分层机制和push机制，实现数千人的个性化营销。用户分层可以通过多维交叉实现：在日常用户分层操作策略中，我们交叉用户生命周期、用户价值和用户损失预警，可以实现多个营销组。不同群体的营销策略没有被描述。在前一篇文章中，“如何使用实际的战斗案例来解释用户肖像”相应地讨论了不同群体用户如何绘制肖像，并根据肖像特征制定了不同群体用户的营销策略。此外，还需要对分组用户进行视觉监控：通过这个视觉报告，我们可以了解整个用户操作数据BI报告系统，以用户生命周期为框架，动态监控不同生命周期用户的潜在性能和风险性能。通过风险预警模型输出不同损失风险水平的用户，分布为高损失风险、中损失风险、低损失风险，结合不同的生命周期标签和不同的用户价值标签，可以分组更多的营销场景用户，如高损失风险成熟高价值用户，用户分组相应的增值计划和可视化监控。以上阐述了用户流失预警系统的构建方法。从大系统的角度来看，用户建模是基础。用户肖像标签的输出离不开模型的支持。只有掌握建模技术，才能做好用户操作。