数据分析、运营必须要上的一课：新用户流失了怎么办？

做运营的朋友们应该都有这样的问题：新用户流失了怎么办？怎样分析？如何预防？本文利用数据分析的方法总结出了用户流失的不同维度以及预案措施，对留住老用户、获得新用户有很大帮助，一起来看看吧~

昨天在给大家的直播里留了一个思考题：“新用户的流失应该怎么分析？”今天这篇文章就为大家简单介绍一下，怎么去分析用户流失问题的思路。（会涉及到很多运营方面的知识，建议大家带着数据分析的思维去看）

业务与新用户产生关联的过程，就像是谈恋爱，一旦两个人分手了，你很难再把对方追回来。所以我们不能指望着新用户流失之后再进行分析，而应该提前进行流失预警，也就是说要提前防止对方离开自己。

而新用户的获客成本，一般是要比老用户要多的多，所以流失率的降低就意味着营收的增加，我们可以类比一下谈恋爱的过程，来分析一下为什么会出现新用户的流失。

一、新用户真的流失了吗

很多人谈恋爱的时候一定见过这样的场景：

• 女：我们分手吧
• 男：为什么？
• 女：没有为什么，我再也不想看见你了
• 男：哦，好吧

很真实对不对？

但其实女方很可能只是在生气，故意装出来吓唬一下男生而已，这时候如果我们不搞清楚对方的真实态度，可能就会假戏真做，造成我们对于形势的误判。

我们把这个场景代入到用户分析上也是一样的，新用户的生命周期比较短，所以他们表现出来的行为特征不一定就是真实的，也就是“假的流失”。

1. 所以我们要先定义一下新用户的流失！

究竟怎么才算是流失？比如是1个星期没有访问的用户？还是2个星期没有下单的用户？还是3个星期没有登录的用户？

比如下图，以1个月作为流失周期，那么十月出现但十一月没有出现（蓝色圆点代表出现）的用户在十一月流失了，而实际上，他在十二月又出现了，是一个回访用户（见回访3），并没有真实流失。

如果我们以2个月为周期，则“回访3”的用户在10~11月，12月以后两个周期内都出现过，应该是一个留存用户。周期划分对用户流失界定有着直接影响。

2. 对于不同的流失定义，我们需要用不同的指标去衡量

比如进行促销活动时用到的一般是当日留存率、7日流失率，零售行业一般用到的是月流失率，to B企业经常用的是季流失率、年流失率。

当然，为了更加准确地识别出可能流失的用户，我们甚至可以建立一些数据模型，去预测新用户的流失概率，比如下图的二元逻辑方程。

这个定量流失研究的模型是网上某大神做的，他将一段时间内用户的一系列行为特征数据（如在线天数、充值金额、积分等级、点击次数……），代入二元逻辑回归方程中，就可以计算出相应的流失概率。

而这里面涉及到的指标都需要通过业务给出才行，而除了流失的定义之外，我们一般还需要从业务手里了解到下面这些信息：

• 新用户在流失前具有什么特征？（女朋友在发火前有什么表现？）
• 新用户是否具有价值？要不要进行挽回？（要不要真的跟女朋友分手？）
• 针对新用户流失的现有措施有哪些？效果如何？（平时是怎么哄女朋友的？）

这些问题和信息业务人员不会主动告诉你，所以我们在进行流失分析之前，必须要和业务部门进行反复沟通，拿到我们所必须要拿到的指标，否则就是巧妇难为无米之炊了。

二、新用户为什么流失

用户为什么不再过来使用我们的产品或服务了呢？这肯定是有原因的，只不过有些原因可以从数据中知道，有些原因不得而知。

我们可以将新用户的流失分为下面几种类型，从不同的维度上找原因：

1. “来也匆匆，去也匆匆”型

这种类型的用户并不能称之为“用户”，因为他们只是生成了一个用户数据而已，不会产生任何的行为数据，自然也不会具有任何的挽留价值，所以这种类型的新用户属于我们数据清洗中的主要对象。

最常见的例子，就是各种促销活动中拉来的羊毛党，这种用户的停留时间一般非常短，我们可以从停留（注册）时长、点击（行为）数据等上进行辨识，首先将这些脏数据去除掉。

2. “主动分手”型

新用户主动不再接受你的产品或者服务，很大原因可能是我们自身运营出了问题，或者是产品服务接受时间太长，这种用户是我们重点要进行挽留的人群。

如果按照昨天在直播里讲到的5W2H方法，我们可以从下面几个维度去挖掘原因：

• what：是用户不会用我们的产品？还是无法接受我们的服务？
• who：流失掉的新用户有什么特征？消费水平如何？
• when：从成为新用户到流失的时长是多久？平均3天流失掉？还是5天流失掉？
• why：自身原因，比如新用户离开了本地？运营原因，比如我们价格太贵？外部原因，比如政策法规？
• where：那些地方产生了流失？与新用户的关系是什么？
• how much：新用户对价格的敏感度很高，是否是价格问题？

每一个维度我们都要进行不断地下钻和分解，比如新用户的消费画像，我们可以用金字塔原理去不断拆解、细分成不同的指标：

• 消费意愿=消费成本-价格
• 消费成本=消费水平+距离成本+时间成本+其他成本
• 价格=物价系数*（成本-可控利润）

能否做到完全穷尽的维度拆解，是我们搭建数据分析体系的关键，也是我们进行用户流失中最难的工作。

3. “恋恋不舍”型

用户对产品的服务体验很满意但还是选择了不消费，比如餐饮行业里经常有一些外地游客，他们可能觉得服务、价格一切都好，但是没办法，他们无法产生持续性消费。

一般来讲这些用户之所以使用某个产品，都是因为他们有些专门需求，他们有可能只是为了举办一场活动，完成一项事件，或者单纯为了做好一个短期项目。

识别客户是不是这种流失，就看看有多少账号在短期内又被重新付费激活就能知道个大概，也就是看一下用户的消费频率。比如一个用户在10天内消费了5次，但是之后再也没产生任何的消费记录，那么该用户就可能属于这种类型。

4. “无可奈何”型

这些原因是我们最难挽留的人群，相当于已经对你死心的女朋友，就很难再追回来了。

这种情况的原因可能不是在价格等可调整的因素上，最常见的就是一些不可抗和难可抗的因素，比如：

• 信誉不好，用户经常投诉
• 服务人员态度差，或不够热情，引发用户不满
• 竞争对手，例如，竞争对手推出更优惠的套餐，很多用户都被吸引过去
• 品牌形象下降，例如，经常曝出的经营问题，负面新闻多，用户往往选择离开
• 外部原因，比如政策等等

5. “预谋已久”型

这种类型主要是因为我们做了一些价格区间，让用户们进行选择，如果用户在其中一项功能或服务中得不到足够价值，他们肯定会流失的行为。

比如说免费软件突然开始收费，非常容易导致用户流失，我们就可以分析一下哪个付费服务计划下的客户流失最严重？基本版的？高级版的？还是企业版的？

6. “成群结队”型

集群分析是完整分析客户流失的重要环节，它的价值在于既能够显示出公司在业务上的一般表现，也能显示出公司在具体活动或决定之后的业务表现。

比如说客户流失最多的月份是哪个？上季度的价格调整对客户流失有何影响？

比如说在上图中你能看到在第五个月（带有数字5的那一竖排）时，客户流失一直朝着更高水平发展，从中你就能知晓客户在第五个月是很容易流失的。

如果说了解了这一点，你就能在第四和第五个月着重加大对客户的客户成功工作，从而预防已经使用了四五个月产品的客户出现大规模流失。

三、怎么预测流失

我们知道了流失问题的分析目标，也知道了可能的流失原因，自然有人会问，我们能不能提前知道哪些客户会流失，这样的话就可以采取措施挽回了。

客户流失预测模型就是为了解决这个问题，是利用算法预测客户流失的概率，概率越大，就越有可能流失。

那么流失预测如何建立？建立主要流程如下：

搭建数据模型的关键在于行为数据的选择，这也是最耗时耗力的地方。在建立模型之前，有必要和数据部门来一次促膝谈心，避免发生误解，比如：

• 流失新用户的定义：是1个月、2个月，还是3个月？
• 数据关联原则：是按照用户维度提取数据，还是按照设备维度提取数据？
• 数据埋点：关键节点上是否具有埋点？
• 数据状态：能否获取历史数据？

具体的模型建立过程比较复杂，因为篇幅原因就讲解到这里，下次再聊！