做好用户运营要建立一个准确的用户流失模型

用户操作就像两个水龙头同时打开的水库，有进有出。用户流失是任何产品的必然现象。操作工作之一是准确预测用户损失，通过有效的操作活动保留损失概率较大的用户，使用户损失率低于用户增长率，也能保证用户数量的向上增长。有了数量，转化就有了基础。用户保留的第一步是建立用户流失模型。只有建立准确的用户流失模型，我们才能通过各种渠道梳理用户流失节点，召回用户，事半功倍。首先，用户建模的底层逻辑，为什么要建模？因为有成千上万的用户使用一个产品，每个人的兴趣和个性都非常不同，所以产品端不可能为每个人提供1V1服务。然而，互联网用户非常挑剔。越来越多的精准推送、个性化营销和个人特权正在满足每个人的独特品味。可以说，在当前的互联网环境下，准确性是产品和服务能否有机会与用户联系的核心。因此，用户建模的目的是在最低成本和覆盖最大范围的基础上，明确用户特征，实现最高效的运营。好吧，那怎么办？用户建模有两个切入点:用户属性和行为。用户属性特征是用户难以改变的基本信息，包括区域、性别、年龄、文化程度、社会身份等。例如，一线城市的女大学生和四线城市的全职母亲可能对产品的使用需求和信息的接受程度有很大的不同。而且用户的行为特征更有价值:她喜欢我们的产品吗？我们的产品是如何使用的？在使用过程中有明显的偏好吗？如何使用频率等等。有了以上两个基础，我们可以大概率还原这个用户的真实画像。用户建模是将不同属性和行为的用户分开，然后根据不同的目标进行差异化操作。例如，对于活动指标，用户建模的具体应用场景是：为非活跃用户启动有针对性的活动提高运营策略，为活跃用户启动有针对性的增强忠诚度，指导驱动非活跃用户的运营策略。2、当我们构建用户流失模型时，关键是根据一定的属性或行为特征对流失用户进行分类，拆解流失用户的属性或行为特征，找到流失用户的关键指标。主要用于流失用户召回和现有活跃用户防止流失两个方面。具体步骤：1。当定义丢失用户以准确防止用户丢失时，第一步是明确丢失用户的定义，需要根据自己的产品类型、基调和用户肖像来定义丢失用户的概念。然而，不同类型的产品对用户活动有不同的要求，因此无法制定统一的标准。这里我提出了两个标准作为参考。标准1：对于社交产品，失去用户的社交产品对用户粘性有很高的要求，因此用户活动是一个重要的评估标准。DAU/MAU的值在0.03-1之间，数字越高，活动度越高(DAU取当月每日DAU的平均值)。如果DAU/MAU=1.这意味着用户每天都来，所以DAU等于MAU，该值的最低线约为0.03，即所有用户每月只有一天，低于0.03的用户基本上可以定义为丢失用户。除了微信、QQ等每天必须使用的社交产品(自2016年以来，微信DAU/MAU的比例一直保持在075-0.8左右，用户粘性极强)，基本上DAU/MAU达到0.3左右比较活跃，也就是用户基本上每三天打开一次。标准2：对于电子商务产品，损失用户产品的使用场景根据购买活动的指标来确定其基本使用频率。并非所有的东西都必须每天使用才能有价值。在另一端，虽然偶尔会使用一些产品，但每次交互都有很高的价值。DAU/MAU不是这些产品的合适指标。淘宝的活动只有0.29，平均活动基本上是一周三天左右，但淘宝是一个电子商务应用，不可能让用户每天打开浏览，其购买活动是一个更重要的指标。电子商务APP通过用户购买获利，因此流失用户通常是根据购买活动来定义的。假如用户只看不买，对电子商务来说就是一个可能流失的用户。 2.构建用户流失模型应用于参考不同频率用户的行为特征构建行为模型，拆解流失用户的行为特征，找到流失用户的关键指标。建立模型的最大便利之一是清楚地看到用户流失的具体临界值。我们都知道DAU/MAU的值越高越好，但损失是多少呢？这时可以用图表来判断:当流失率达到相对稳定的趋势时，定义这个时间点的流失用户是合理的。这些新用户的流失率达到了40%，并且在第28天之后达到了一个稳定的趋势，这证明了“30天内没有访问”被认定为流失用户的定义是合理的。此外，从图中还可以看出，用户在激活后两周内的流失率相对较高。如果他们熬过这两周，流失的用户也会大大降低。下一步是细分这些丢失的用户肖像，包括他们与活跃用户的行为差异、进入应用程序的渠道、在丢失之前访问应用程序的频率以及在应用程序中使用的行为（如跳过后丢失的链接），从而推断用户丢失的原因。比如分析用户行为，发现用户A在流失前访问频率很高，每周访问3-5次，但几次从app跳出的页面都是支付页面，所以很有可能支付环节出了大问题。可能是支付经常提示错误导致用户无聊，也可能是复杂的支付过程让用户感到麻烦。不良体验导致用户A流失的主要原因。再举一个例子：3。找到产品保留的关键点，通过各种渠道召回定义用户流失，建立用户流失模型，找出用户流失的原因，然后召回用户。常见的有:短信，email、站内push、微信服务号等。在这个环节中，用户流失模型也可以派上大用场。例如，根据购买频率和金额进行细分。一次未购买的用户可以发放大额优惠券、大促销活动或超低价商品吸引回访，成为第一个新客户。购买1-2次且客户单价较低的用户，可以在这个客户单位水平上准确推送优惠专场或好货。购买3次以上的用户可以推送用户偏好的品牌或类别，并增加会员专属优惠券。综上所述，只有根据用户流失模型区分不同行为和属性的用户，以及他们流失的节点和原因，操作才能有针对性地加强用户召回的效果。很难恢复失去的用户。更有效的想法是，由于我们已经知道用户流失的特征，当不活跃的用户有用户流失的特征时，就意味着有流失预警，需要启动相应的防流失策略。用户操作的重点是“有针对性”。无论建立什么样的用户模型，我们都需要根据产品的特点多次与数据产品团队合作，以找到更合适的模型建立方法。对用户进行细分后，有针对性地提出解决方案，才是成功的用户操作。