用户运营 | 用户流失模型底层逻辑与操作指南！

用户运营就像两个水龙头同时打开的蓄水池，有进就有出。任何一个产品，用户流失都是一种必然现象。

运营的工作之一就是做到精准预测用户流失，通过有效的运营活动对流失概率较大的用户进行挽留，让用户流失率低于用户增长率，这样也能保证用户量的向上增长。

有了量，转化就有了基础。

用户挽留的第一步就是建立用户流失模型，只有建立一个准确的用户流失模型，才能让后续的工作，如梳理用户流失节点、通过各种渠道对用户进行召回，事半功倍。

一、用户建模的底层逻辑

首先，为什么要建模？

因为使用一个产品的用户千千万，每个人的兴趣、性格千差万别，产品端不可能做到对每一个人的1V1服务。

但是互联网用户又是很挑剔的，越来越多的精准推送、个性化营销、个人特权，都是在满足每个人独特的口味。可以说现在的互联网环境下，精准，是产品和服务能否有机会与用户连接的核心。

因此要用户建模，其目的是明确用户特征，在最低成本、涵盖最大范围的基础上，实现最高效率的运营。

好，那如何做呢？

用户建模的切入点有两个：用户属性、用户行为。

用户属性特征就是用户一时难以改变的基础信息，包括地域、性别、年龄、文化程度、社会身份等等。

比如：一个一线城市的女大学生，和一个四线城市的全职妈妈，对产品的使用需求、信息的接受程度可能就有很大的不同。

而用户的行为特征就更有价值了：她喜不喜欢我们的产品？是怎么在使用我们的产品？使用过程中有没有明显的偏好？使用频率如何等等。

有了以上这两个基础，我们能够大概率地还原这个用户的真实画像。

用户建模，就是要把不同属性和行为的用户拆分开来，再依据不同的目标进行区别化运营。

比如：针对活跃度这一指标，用户建模的具体应用场景是：针对不活跃的用户启动针对性的活跃度提升的运营策略，针对活跃用户启动针对性的加强忠诚度，引导带动不活跃用户的运营策略。

二、用户流失模型的搭建

当我们在进行用户流失建模的时候，要点就是把流失用户根据一定的属性或行为特征进行分类，为流失用户进行属性或行为特征的拆解，找到对于流失用户的关键性指标。

主要应用在两个方面：流失用户召回、现有活跃用户防流失。

具体步骤：

1. 定义流失用户

精准防范用户流失时，要做的第一步就是先明确流失用户定义，需要根据自身产品的类型、调性以及用户画像来定义流失用户的概念。

但是不同类型的产品对用户活跃程度的要求不一样，所以也无法设定一个统一的标准。在这里我提出两个标准，以作参考。

标准1 ：针对社交类产品，以DAU/MAU的指标定义流失用户

社交类产品对用户黏性有着极高的要求，因此用户活跃度是重要考核标准。DAU/MAU的数值是一个介于0.03-1之间数字，数字越高，活跃度越高（DAU取当月的每日DAU的平均值）。

如果DAU/MAU=1，那么说明用户每天都来，所以DAU和MAU相等，而这个值的最低线就是0.03左右，即所有的用户一个月只来一天，低于0.03的用户基本上可以被定义为流失用户。

除了微信、QQ这样每天都必须要用的社交产品（微信的DAU/MAU的比例从2016年以来一直维持在075-0.8左右的比例，用户的粘性极强），基本上DAU/MAU达到0.3左右就是比较活跃的，就是用户基本上每三天会打开一次。

标准2： 针对电商类产品，以购买活跃度的指标定义流失用户

产品的使用场景决定了它基础的使用频次，并不是所有的东西都要每天使用才算有价值的。在另一端还有一些产品虽然使用是偶尔使用的，但每一次互动都具有很高的价值，针对这些产品DAU/MAU就不是合适的指标。

淘宝的活跃度只有0.29，平均活跃度基本上是一周三天左右，但是淘宝是一个电商应用，本就不可能让用户每天打开浏览，其购买活跃度才是更重要的指标。

电商APP通过用户购买来盈利，所以通常以购买的活跃程度来定义流失用户。如果用户只看不买，对于电商来说就是一个可能会流失的用户。

2. 建构用户流失模型

应用于参考不同频次的用户的行为特征来构建行为模型的做法，为流失用户进行行为特征的拆解，找到对于流失用户的关键性指标。

建立模型的一大便利是可以清晰地看出流失用户具体的临界值，我们都知道DAU/MAU的值越高越好，但是低于多少才算是流失呢？

这时候就可以利用图表来判断：当流失率到达一个比较稳定的趋势时，定义这个时间点的流失用户比较合理。

这批新用户的流失率达到40%，且在第28天后达到一个稳定趋势，即证明了“30天内没访问”就认定为流失用户的这个定义还是比较合理的。

而且从图中还可以看出：用户在激活后的两周内流失率是比较高的，如果熬过这两周，流失的用户也大大降低。

接下来，就是细分这批流失用户画像，包括他们和活跃用户的行为差异、进入app的渠道、在流失之前对app的访问频次、在app的使用行为（如：是在哪个环节跳走后而流失），从而推断用户流失的原因。

举个例子：对用户行为进行分析，发现用户A在流失前访问频次很高，每周会访问3-5次，但是几次从app跳走的页面都是支付页，那么极有可能支付环节出了大问题。

可能是支付经常提示错误造成用户厌烦，可能是支付流程复杂让用户觉得困扰。不好的体验造成了用户A流失的主要原因。

再举个例子：

某产品在经过一次更新以后发现用户流失率增加，经过用户属性分析发现：其中女性流失用户占比较大，那么可能是产品改版以后UI界面不讨女性用户喜爱。

或者经过行为分析发现：新注册用户流失比例很大，那可能是改版以后的新手引导没有做好。

3. 找到产品留存关键点，通过各种渠道召回

定义了流失用户、也建立了用户流失模型，找到了用户流失原因，接下来就是要召回用户了。

常见的有：短信、email、站内push、微信服务号等。

在这个环节中，用户流失模型同样能派上大用场。

比如：根据购买频次和金额来细分。

1次也没购买过的用户可派发大额度优惠券、大促活动或超低价商品吸引回访，成为首单新客。

购买1—2次且客单价较低的用户，可精准推送优惠专场或在这个客单水平的好货。

购买3次及以上的用户，可推送用户偏好的品牌或品类，额外增加会员专属优惠券等形式。

总而言之，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、原因，运营才可以做到有的放矢，强化用户召回的效果。

对流失用户的挽回是很难的。更有效的思路是：既然我们已经知道了流失用户的特征，那么当不活跃用户出现了流失用户的特征的时候，说明出现了流失预警，需要启动相应的防流失策略。

用户运营工作贵在“针对性”，无论建立何种的用户模型，都需要根据产品的特性，与数据产品团队多次磨合，才能找到一个比较合适的模型建立方式。在对用户进行细分后，针对性地提出解决方案，才是成功的用户运营。