PMCAFF()：最大互聯網產品社區，是百度，騰訊，阿里等產品經理的學習交流平臺。按期出品深度產品不雅觀察，互聯產品研究首選。

作者：項宇，網易發展部用戶研究員

有一個比方非常恰當：產品如同蓄水池，，用戶比如池中之水。池子中每時每刻都有新用戶源源不停地加入，也有一部分用戶選擇離開。

如果用戶流失超過新用戶的補給，且速度越來越快、規模越來越大時，產品如若不警惕，蓄水池遲早會干涸。

這是用戶流失研究的配景。產品階段差別，重心也會從拉新轉移到留存，對于一個成熟的產品和飽和的市場而言，獲取一個新用戶的成本可能是留住一個老用戶的數倍，流失率的降低也意味著營收的增加，在這種條件下，流失研究的價值是顯而易見的。

而研究流失用戶所面臨的主要問題，是如何衡量用戶流失的規模，重中之重是梳理清楚“流失用戶”和“流失率”的定義?；蛟S你腦海中早已經羅列好了幾點困惑：

為了給流失一個明確、又能符合產品特征的定義，而且相對準確地識別出可能流失的用戶，我們引入二元邏輯回歸作為定量流失研究的模型。

在模型中，我們將一段時間內用戶的一系列行為特征數據(如在線天數、充值金額、積分等級、點擊次數……)，代入二元邏輯回歸方程中，就可以計算出相應的流失概率。

也可以用下圖數據采集與流失預測的時間窗口來理解這一過程。選擇產品中一部分老用戶，不雅觀察和收集他們在一個月內的行為數據(深藍色部分)，通過這些數據，我們可以預測其在未來一段時間內(紅色部分)的流失與留存情況。

在預測周期 1 內出現但周期 2 未出現的，說明在周期 2 內流失了，如果兩個周期內都沒有出現，那么可能在不雅觀察期內就流失了，上述兩種都屬于流失;而周期 1 和周期 2 都有出現的用戶，則是留存用戶。

但是，在通過定量模型來研究流失的過程中，往往存在著幾個常見的誤區：

一、數據僅為工具，產品理解貫穿始終

如何界定流失用戶，制止概念誤區

在構建流失模型時，通常以月作為分析和數據提取的周期，好比在上圖時間窗口中，以連續一個月沒有使用算作流失。但這種簡單粗暴的劃分方法往往會帶來三方面的問題。

1、流失周期受用戶使用間隔決定，差別周期劃分影響用戶結構比例

如果以 1 個月作為流失周期，那么十月出現但十一月沒有出現(藍色圓點代表出現)的用戶在十一月流失了，而實際上，他在十二月又出現了，是一個回訪用戶(見回訪3)，并沒有真實流失。

如果我們以 2 個月為周期，則“回訪3”的用戶在10~ 11 月， 12 月以后兩個周期內都出現過，應該是一個留存用戶。周期劃分對用戶流失界定有著直接影響。

2、如果簡單以一個月為周期進行用戶分類，回訪用戶過多(好比占總體15%)，無法忽視且難以處理

無論以何種周期劃分，一定存在必然比例的回訪用戶，將回訪用戶作為缺失值、算作留存用戶或者作為流失用戶，均對模型準確率有較大影響。

3、流失周期劃分會影響模型的準確率與平衡性

如下表，以總樣本100w為例，別離以 4 周、 5 周、 6 周作為流失尺度，劃分出的流失和留存用戶是差別的，對應的流失留存預測準確率也差別。

流失周期過短，流失預測的準確率低，因為定義為流失的用戶中有大量實際留存的用戶，只是其使用間隔長罷了(好比以 1 周沒登錄就算流失，但實際上很多留存用戶2~ 3 周才登錄一次，也被劃分成流失用戶);同時周期過短，定義為留存的用戶實際上后來也會流失。

因此，分歧理的周期造成預測準確率低且不服衡，我們需要不停嘗試周期劃分，在保證整體準確率的情況下尋求流失與留存準確率最佳的平衡點，才能更為準確地同時預測流失及留存情況。

如果流失準確率有90%但留存只有50%，那么雖然我們預測流失的用戶幾乎都是真正會流失的，但可能只識別出了總體用戶中一小部分流失用戶，還有大量流失用戶被劃分在了留存用戶中，導致留存準確率過低。

在這種情況下，選擇恰當的定義方法顯得至關重要。通過查閱資料，我們發現對流失比較經典的定義是“一段時間內未進行關鍵行為的用戶”，關鍵點在于如何界按時間周期(流失周期)和關鍵行為(流失行為)。

標簽：東營 鹽城 九江 烏魯木齊 林芝