写下这个题目的时候，内心其实有些底气不足。讲真，运营体系的构建并没有一套固定的方法论可以遵循，它更多地是要依靠运营人员在工作实践中不断摸索，进而搭建一套适合产品本身的运营体系，且产品类型和所处行业的不同，所构建出来的运营体系往往也天差地别。
哪怕就算成功构建了运营体系，并实现稳定运转。这也并不是一个运营人员工作的最终点，我们还要不断去优化体系内各个环节之间的互动关系，进而提高体系整体的工作效率。所以关于运营体系方面的工作，我们永远在路上。这方面的任何观点都只是一家之言，最终能在实际工作中取得实效，才是硬道理。
尽管如此，有关运营体系的构建，仍有一些底层的逻辑和方法值得我们去探讨，希望这篇文章能够在这方面对你有所启发。
我们首先看下，这里谈到的运营体系究竟是什么？
一、运营体系究竟是什么？
广义上来讲，任何一个商业组织，只要已经实现稳定盈利，那么就必然存在着一套运营体系。因为商业利润不会凭空产生，它是运营体系运转的结果。而在互联网行业，运营体系要比传统行业复杂得多，它一般涵盖三方面的内容：用户关键行为、用户运营策略和增长策略，这三个环节是相辅相成的。
我们来看一个来自教育培训行业的简单例子，2012年以前，互联网的流量还十分便宜，大概只有几毛钱，当时的百度竞价是大部分教育培训企业的主要获客渠道，他们的运营体系也极为精简，大概囊括5个关键环节：
- 首先，通过百度的SEM广告，触达到意向用户；
- 然后，客服通过与意向用户交流，获取其联系方式，并交给销售；
- 销售再通过网销、电销等多种手段，转化用户付费；
- 用户付费报名课程后，提供给用户优质课程及服务，提升满意度，营造良好口碑；
- 用户对该机构的品牌形成认可，进而带动其口碑传播。
这5个环节共同构成了一套相对完整的运营体系。在这样一套运营体系中，增长策略其实很简单，就是通过SEM广告获取用户；用户运营策略也很简单，就是客服以获取用户联系方式为目的的话术设计，以及销售转化；用户关键行为的界定更是清晰无比——付费报名课程。
这套体系的本质是一个层层筛选的流量漏斗。我们要想提高这套体系的工作成效，可以从两方面入手：
- 一方面，可以优化SEM投放。SEM作为该漏斗的第一层，所获取流量的数量和质量，对整个漏斗的转化效率有着决定性的作用。我们可以通过加大SEM投放力度，触达到更多的用户，或者通过优化关键词投放和创意描述，提高所触达用户的精准度。
- 另一方面，我们也可以从这5个环节间的互动关系着手，增强环节之间的衔接。比如：通过不断优化客服接待的话术，我们就可以降低漏斗第一环节到第二环节的流失率，进而提升这套漏斗体系的整体运转效果。
运营体系可以保证公司的核心业务正常运转。我们甚至能这么理解，运营体系就相当于公司的一台印钞机，只要能够正常运转起来就可以源源不断地为公司创造效益。但问题在于，运营体系是很脆弱的，它是多个环节的有机组合，而一旦其中的某个环节出现了问题，往往就会导致整个体系的瘫痪，从而给公司的业务造成致命打击。
这一点在瞬息万变的互联网行业，更是体现地淋漓尽致。如上文提到的教育培训例子，在早期SEM获客成本较低的时代，这套运营体系是非常高效的，达内、千锋等企业就是这种运营体系的受益者，他们在早期依靠SEM的流量红利完成了原始积累。但是如今的SEM获客成本早已高企，这套运营体系已经不是所有机构都能玩得起了。
为了避免这种情况，我们在工作中就应该时刻保持敏感。一方面应该根据用户的数据反馈，不断调整优化用户运营策略，进而增强这个策略的转化率。而更重要的则是要为产品建立多个增长策略，增长策略往往和渠道推广密切相关，当某个渠道的流量红利正在逐渐消失的时候，多个增长策略能够确保我们的业务不会受到太大的影响。
二、如何去构建运营体系？
在运营体系视角，我们可以把运营的日常工作分为三大块：
- 构建新的运营体系；
- 对既有运营体系进行完善和补充；
- 维持既有运营体系的正常运转。
而这其中，构建运营体系无疑是最有价值，也是最富于挑战性的工作内容，那么运营体系应该怎么去构建呢？我们可以从用户关键行为、用户运营策略和增长策略这三个层面去着手。
1. 界定用户关键行为
任何一款产品，都存在着一个用户关键行为。在用户成长历程中，这个行为的发生是用户成长的转折点，它的发生率往往代表着用户对这一产品的认可度，也在一定程度上决定了产品价值。
应该注意的是，这一关键行为的发生不一定等同于KPI，而是对KPI的完成影响较大的一个或两个因素。比如说：GMV是电商平台最关心的KPI指标，而GMV和用户的订单数以及订单金额高度相关，那么，用户下单就可以作为最关键的用户行为。
在知识付费产品中，用户关键行为一般是付费报名某门课程或专栏，而在知乎、微博这样的社区产品中，这一关键行为往往是用户发出的第一条状态。不管如何，我们只有界定了用户关键行为后，才能明确运营体系构建的方向，用户关键行为是运营体系构建的基础环节，一旦我们界定了这个行为，我们就要在后续的用户运营策略中，最大程度确保这一行为的发生。
2. 制定用户运营策略
当通过各种运营手段，为产品拉来了一批用户后，我们如何对这些用户进行引导，确保关键行为的发生，并促使他们深度体验我们的产品价值？这正是用户运营策略要解决的问题。
用户运营策略是运营体系中最为核心的环节。如果没有一个稳定可靠的用户运营策略，那么增长策略的制定便没有意义，用户关键行为的发生更是无从谈起。
用户运营策略大概包括三个方面：新手引导、用户成长体系和流失用户召回。
（1）新手引导
当我们界定出用户关键行为后，我们就要在新手引导流程上，确保这一行为发生的几率。比如说：某网站界定出的用户关键行为是注册，那么，一个比较合理的用户引导设计就是，当用户首次访问网站时，弹出一个新人大礼包，用户点击领取后，需要完成注册，以此来增加用户关键行为发生的几率。
当然，用户关键行为的发生，有时候并不能只依靠新手引导，很多时候新手引导的设计只是让用户完成某些动作，而这些动作的完成将有利于关键行为的发生。比如：知乎、微博等社区在新用户完成注册后，都会去引导他们去关注其他优质回答者，或者向用户推荐一些优质内容，因为只有这样，用户才有可能在后续的成长体系中发表自己的第一条状态。
（2）搭建用户成长体系
用户成长体系的目标是让用户“自愿”去完成我们的预设动作，这个动作可能是关键行为的发生，也可能是深度体验我们的产品，引导其成长为粉丝用户。
应该注意的是，并不是所有的产品都需要用户成长体系，对于一些需求极其强烈的产品，比如微信、12306等，我们不需要刻意去搭建一套成长体系去激励用户。适合构建用户成长体系的产品更多的是一些高频的，需求没那么强烈的产品。
一般用户成长体系的构建都采取游戏化的设计，即让用户完成一些任务，并相应地给用户一些激励。这些任务一般包括三个方面：新手任务、常规任务和非常规任务。
新手任务一般要求用户完善个人资料、绑定手机号码等；常规任务则可以提升日活，最典型的就是每日签到；非常规任务往往伴随着一些运营活动出现，它不是固定周期出现的一些任务，用户通过非常规任务的完成，往往可以获得一些额外的好处。而关于用户激励，最为常见的则是给那些完成某些任务的用户，发放可以在平台内流通的虚拟货币或优惠券。
（3）流失用户召回
关于用户流失，我们应该明确两点：
- 用户流失是必然的。无论任何产品，用户都是有一定生命周期的，而我们要做的就是尽可能延长这一周期。
- 要想挽回一个彻底流失的用户，难度非常大，但是如果挽回一个即将流失的用户，其难度要比增加一个新用户小得多。
明确以上两点后，我们就能清楚，流失用户召回的关键就是要建立一套用户流失预警机制。这套预警机制建立的前提是用户流失模型，用户流失模型中最重要的一点就是，要明确用户在流失前会呈现哪些特征（如用户访问频率从之前的一天两次，降低到两天一次），以及分析呈现出这些特征的原因是什么。
清楚了这些，我们就可以在用户呈现出这些特征后，运用各种运营手段对这些用户进行特殊关照，尽可能的挽回他们。
3. 增长策略
增长策略解决的是流量如何获取的问题。它是运营体系构建中的关键环节，再完美的运营体系也只有在获取一部分流量后，才可以运转下去。并且在一款相对成熟的互联网产品的运营中，增长策略不会只有一个，而是付费增长策略和免费增长策略多轨并行相互交叉，只有这样才可以使整个运营体系在快速运转中，不断变得更为高效，变得更加成熟稳定。
增长策略可以分为两种：产品化的增长策略和外部增长策略。
（1）产品化的增长策略
产品化的增长策略是指融入到产品内部设计当中的增长策略，这种增长策略的执行，基本不需要人工参与。我们可以理解为这种增长策略是用户自发进行的，更多是和产品本身的口碑密切相关。
如：某款产品的“老带新”策略：鼓励用户去向他的朋友推荐该产品，如果有朋友通过他的推荐，使用该产品，那么用户和他的朋友都会得到一定的奖励。再如：大部分知识付费产品都会在产品中融入分销和拼团的设计，用户可以和朋友拼团报名某课程，并且用户还可以去充当分销员，成功分销一个用户后，还会得到一定的提成奖励。
这些其实就是产品化的增长策略，这种策略的效果和产品本身的价值和口碑密切相关，一般不会产生爆发式的增长效果，属于一种能够实现稳定增长的策略。
（2）外部的增长策略
外部增长策略无法融入到产品设计当中，但是它的重要性不言而喻。
因为如果我们只依靠产品化的增长策略实现增长，那么迟早有一天流量会枯竭。因为产品化的增长策略，是用户自发参与的，但并不是所有用户都会主动参与产品推广。并且在这些主动参与推广的用户中，也存在一个二八定律，即大部分的增长是由很小的一部分用户带来的，一旦这些核心用户停止推广，那么流量将会快速枯竭。
因此，一款相对比较成熟的产品，是需要运营人员通过各种手段去外部获取流量，这一方面可以提升产品的知名度，另一方面也可以维持产品本身的新陈代谢。这种手段一般包括各种增长活动、渠道投放和营销事件策划等等。这种策略的执行，往往就需要运营人员深度参与其中了。
三、结语
以上是我们针对运营体系的探讨，通过文章我们厘清了运营体系的概念，一句话总结：运营体系是用户关键行为、用户运营策略和增长策略这三大环节的有机组合，运营体系的稳定运转，可以为公司持续不断的带来效益。
而要构建一套运营体系，我们需要从用户关键行为、用户运营策略和增长策略这三方面着手，其中，界定用户关键行为是基础，用户运营策略的制定是核心，而增长策略的制定则是关键。
运营体系的构建依靠运营人员不断的探索实践，没有绝对正确的观点，如果你在运营体系方面，有一些思考和想法，欢迎在评论区留言。
来源：
近期，“裂变”玩法可谓是互联网产品界的当红炸子鸡，随着前几天网易云音乐的《你的荣格心理原型》再次刷屏，很多产品都正在或者希望靠裂变来实现用户增长。
但是，该如何分析和预测这种病毒式增长对用户数的影响？就需要我们建立一个增长模型，下面就用5000字带大家一步步搭建增长模型。
本文翻译自Rahul Vohra的系列文章《How to Model Viral Growth》，这一系列是我见过分析病毒式增长模型最透彻的，因此推荐给你，希望可以对你有启发。
一、什么是病毒式产品？
我们做出一款产品，需要靠各种渠道获取新用户。但也许，最迷人的渠道是现有用户本身。
病毒式产品的大部分增长来自其已有用户吸引新用户，用户可以通过简单的推荐（“来看看这个产品，它很酷/有用/有趣！”），或直接通过使用该产品（“我想在PayPal上给你汇款！”）来吸引另一个用户。
病毒式传播最有名的例子之一是YouTube。
在其获得巨大流量之前，你很可能会在新闻网站或个人博客上找到嵌入的YouTube视频。当你看完视频，你会被邀请通过电子邮件把视频发给你的好友，并且你还会获得将视频嵌入你网站的代码。如果你不想分享，YouTube会向你推荐你可能喜欢的其他视频。
很大程度上，你会观看并分享其中的某个给你的好友。然后，你的好友会观看视频，也会与他们的好友再分享。通过这个“病毒循环”，YouTube快速获取了用户。
那我们该如何预测病毒式产品的表现呢？
比如：获得一百万用户需要多长时间？我们的产品可以触达到一千万用户么？
要回答这些问题，我们需要建立一个病毒式模型。
二、最简可能性模型
假设我们有5000个初始用户，这些初始用户将带来多少新用户？
常见的情形是这样的：有些用户喜欢我们的产品，有些用户不喜欢；有些用户会邀请很多好友，有些不会邀请；有些用户可能在一天之后邀请好友，而有些用户则可能需要一周…
我们排除所有这些不确定性，假设平均而言，五分之一的用户会在第一个月成功带来新用户，那我们的病毒系数是1/5 = 0.2。我们最初的5000个用户会在第1个月吸引5000 * 0.2 = 1000个新用户，这1000个新用户会在第2个月再吸引1000 * 0.2 = 200个新用户， 接着第3个月会再吸引另外200 * 0.2 = 40个新用户，依此类推。
根据上面的计算，如下图所示：我们的用户会一直增长，直到我们拥有6250名用户。
图2-1
如果我们的病毒系数是0.4，会发生什么？
图2-2
同样，我们以不断下降的速度获取用户。但这一次，我们的增长会一直持续到约8300名用户。
如果我们的病毒系数是1.2，会发生什么？
图2-3
这一次，我们以不断增长的速度获得用户。
事实上，通过一些简单的数学，我们可以得到以下结论：
- 假设初始用户数为 x，病毒系数v小于1，我们就会以递减的速度获取用户，直到我们拥有x /（1-v）名用户。
- 假设病毒系数大于1，我们会以显著增长的速度获取用户。
看到这里，你可能会说，这还不简单，我们只要让病毒系数大于1就行了。但是，其实并没有这么快……
- 首先，我们的模型存在很多问题，比如：随着我们获取越来越多的用户，我们最终会面临没有新用户可以获取。
- 其次，真正的病毒式增长非常罕见，很少有产品能在一段时间内，使病毒系数超过1。
通过和其他创业者，投资者和增长黑客讨论，我发现了这个结论：对于互联网产品，0.15至0.25的可持续病毒系数是不错的，0.4是优秀的，大约0.7是卓越的。
然而，我们刚刚已经证明了，当我们的病毒系数小于1时，我们会以不断下降的速度获取用户，直到不再增长。这并不是我们想要的结果，所以这其中缺少了什么呢？
我们忽略了可以获取用户的其他渠道：新闻、应用商店、直接流量、集客营销、付费广告、搜索引擎优化、明星代言、街头广告等等。
下面，我们就把这些因素考虑到模型中来。
三、混合模型
混合模型包括了非病毒式传播渠道。
一些非病毒式传播渠道，比如：新闻，将使我们的用户数一下飙升。但另一些渠道，比如：应用商店，对用户增长的贡献会相对持续且平稳。
我们的模型需要尽可能的包含不同类型并尽可能的简单，因此，我们将考虑以下3种非病毒式传播渠道：
- 新闻：优秀的新闻发布会很可能会吸引70,000名新用户。
- App store搜索流量：应用商店每月可提供40,000次下载。但并非所有下载用户都会运行、注册我们的App并有不错的首次用户体验。让我们假设60％的下载用户有很好的首次体验。
- 直接流量：由于我们的老用户会进行口碑传播，潜在用户会直接找到我们的产品，这可能每月带来10,000次下载。让我们再次假设60％的下载者都有很棒的体验。
最后，我们假设应用商店搜索流量和直接流量都会保持不变。
让我们将病毒系数设置为0，看看如果我们的产品根本没有病毒式传播，用户增长会如何。
图3-1
在今年年底，我们会有约450,000名用户，现在让我们加入病毒式传播。
图3-2
在不错的情况下，病毒系数为0.2，在年底我们会有约550,000个用户。在病毒系数为0.4的情况下，年底我们会有约70万用户。如果我们的产品非常卓越，病毒系数为0.7，那么在年底我们会有约120万用户。
放大系数
上图说明了我所认为的病毒式增长：不在于病毒系数v，而是放大系数 a = 1 /（1-v）。想要计算用户总数，我们要做的就是用非病毒式传播渠道获得的用户数＊放大系数。
图3-3
该图显示了病毒系数的惊人潜力，即使它小于1：随着病毒系数的增加，放大系数呈双曲增长。也就是说，只要具备一个很好的病毒系数，我们可以不断加速放大非病毒式传播渠道的引流效果。
模型存在的问题
在模型中增加非病毒式传播渠道很有用，但我们的模型仍然存在重大问题。比如：我们假设获取的用户会永远留存下来。
但现实是残酷的：用户会随时停用、删除或遗忘某产品。因此，我们需要进一步优化模型。
四、混合模型（包括用户流失）
假设我们的病毒系数是0.2，并且我们有以下非病毒式传播通道：
- 发布新闻，吸引了70,000名初始用户
- 应用商店搜索流量，每月吸引24,000个新用户
- 直接流量，每月带来10,000个新用户
在模型中，让我们假设每月有15％的用户流失，数据如下：
图4-1
在我们发布的新闻提供初始用户高峰之后，我们的增长似乎放缓了。事实上，即使我们的非病毒式传播渠道不断带来新用户，我们的病毒式传播渠道不断发挥他们的放大效应，从图中看，我们的增长也可能会完全停止。
究竟发生了什么？
为了使效果更明显，让我们将病毒系数设置为0，将月流失率设置为40％。
图4-2
表4-2
在我们发布新闻后，我们的用户增长速度迅速稳定在每月34,000名用户。但是，在流失那一列，由于我们每月损失一定比例的用户，随着用户池的扩大和缩小，我们的流失数也会扩大和缩小。 事实上，我们的用户池将倾向于一个固定的规模，因为最终用户流失将等于用户增长。
承载能力
用户的增长和流失率直接决定了最终用户数量，在此模型中称之为承载能力。承载能力的定义是：当流失用户的速度等于获取用户速度时的用户数量，公式如下
U•l = g
U是承载能力；l是每月的用户流失率（或者在一个月内失去任何特定用户的概率）；g是每月的非病毒式增长率。
因此，可知承载能力的计算公式为：
U = g/l，其中l≠0
为了使最终用户数量增加一倍，我们有两种选择：
- 将非病毒式增长率提高一倍（比如：在非病毒式传播渠道中投入更多资金）。
- 将流失率降低一半（比如：通过改善首次用户体验，或者将营销渠道集中在更精准的用户群）。
往往我们会两者兼具。
在我们刚刚的例子中，g是每月34,000用户，l是每月40％。该公式预测出我们的最终用户数U为34,000/0.4 = 85,000，正如图4-2所示。
具有病毒因素的承载能力
接下来，我们该如何修改承载能力公式以解释病毒式传播？
前文说过，当我们的病毒系数小于1时，我们可以把它解释为放大系数 a = 1 /（1-v）。由于放大系数适用于我们的非病毒式增长率g ，我们可以直接把a放进公式里：
U = a•g / l = g /（l•（1-v）） 其中l≠0且v <1
让我们回到第一个例子，我们的增速正在放缓。在这里，g是每月34,000个用户，l是每月15％，v是0.2。该公式预测我们的最终用户数U 为34,000 /（0.15•（1-0.2））= 283,000。这个结论正好和图4-1的发展方向吻合。
五、留存曲线
假设我们的产品非常棒——人们在生活中离不开它，会在开始使用后的数月甚至数年都保留。对于这样一个好的产品，我们的之前的用户流失模型就太苛刻了，随着用户持续使用我们的产品，我们会更好地留住他们，因为会发生以下几种自我强化效应：
- 用户在我们的产品中留下的数据增多，转换到竞争对手会更加困难（例如：Dropbox和Evernote）；
- 用户在我们的产品上投入的时间增多，会养成使用习惯（例如：Uber）；
- 基于上述两种情况，用户与我们的产品建立了情感联系。
现实中，我们的用户会展现出留存曲线，留存曲线体现了用户在给定时间点仍在使用我们产品的可能性。
留存曲线取决于产品的类型和质量，以及我们对营销渠道的定位。比如：浏览器插件，通过调查，我了解到不错的浏览器插件的留存曲线长这样：
图5-1
一周后，可以留住80％的用户。一个月后，可以留住65％的用户。两个月后，可以留住55％的用户。长期看，会留住约40％的用户，并且每月的下降速度非常缓慢。
六、病毒式传播曲线
在我们把留存曲线加入模型之前，让我们先考虑留存曲线对病毒式传播的影响。
到目前为止，我们假设我们的用户只会在第一个月邀请身边的好友。但是，如果40％的用户会长期使用我们的产品，并且持续邀请身边的好友，那么我们的用户数将实现病毒式增长。
换句话说，我们的用户也将展示出病毒式传播曲线，病毒式传播曲线体现了普通用户的病毒系数随时间如何变化。
为什么用户的病毒系数会随着时间而改变？
除了很大程度上取决于产品，也要考虑以下场景：
- 起初，用户会犹豫是否邀请好友使用，因为他们仍在测试我们的产品；
- 一旦用户爱上我们的产品，他们会快速邀请一群好友来使用；
- 很快，用户会邀请完身边可以邀请的好友；
- 偶而，用户会邀请他们刚认识的新朋友。
在这个场景下，用户的病毒系数会有短暂的初始延迟，然后会快速增加，接着快速减少到稳定但较低的速度。
我们可以对这个曲线的每部分都进行建模，但可以聚焦到最主要的趋势：病毒系数随时间而变小，因为用户会邀请完可以邀请的好友。
让我们用几何衰变来建模：每个月，病毒系数是上个月的一半。 例如：病毒系数在第一个月可能是 0.2，第二个月是 0.1，第三个月是 0.05，依此类推：
图6-1
如果我们把用户生命周期中所有的病毒系数相加，就会得到终生病毒系数v’，为 0.2 + 0.1 + 0.05 + … = 0.4。
我们之前的直觉继续适用：
- 对于互联网产品，可持续的终生病毒系数v’在0.15至0.25是不错的，0.4是优秀的，0.7是卓越的。
- 我们的放大系数 a 现在为1 /（1-v’）。
七、组合模型
截止到目前，我们升级了模型：结合了非病毒式传播渠道，保留曲线和病毒式传播曲线。公式比以前更复杂，下面我们就把它们变得直观些。
除了用户增长图，我们还做了下面的图表，用于比较各个增长渠道，以及其对用户流失的影响。
图7-1
想知道这些因素如何相互作用的最好方法是做数字游戏并观察图表的变化。在观察增长渠道与流失的对比时，我们可以尝试以下方法：
（1）提高留存曲线
将第1个月留存设置为90％，第2个月留存设置为80％，第6个月留存设置为60％。
图7-2
我们看到不仅流失减少了，病毒式增长也增加了。因为当用户停留时长增加时，他们会邀请更多的好友。
（2）提高病毒式传播曲线
将第1个月的病毒系数设为0.35，因此终生病毒系数会为约0.7。
图7-3
这对病毒式增长渠道产生了巨大影响，该渠道从每月约20,000名用户增加到每月约40,000名用户。但对用户总数影响不大，因为从长远看，我们仍会流失40％的用户。
（3）再加入一个新闻发布
将第6个月的“发布新闻”设置为100,000。
图7-4
我们可以清楚的看到图里的峰值，相应地，它导致了流失峰值。不久之后，可以看到病毒式增长迅速飙升然后缓慢下降，因为没有更多新用户了，并且我们的新用户也没有更多好友可以邀请。
八、局限性
我们永远不要满足任何模型，因为它们都有局限性，我们的模型可以改进的以下方面：
- 我们假设非病毒式传播渠道保持不变，事实并非如此：平台增长，新竞争对手和口碑传播都会带来很大影响。
- 我们考虑了数量有限的渠道，事实上，我们会有更多非病毒式传播渠道和病毒式传播渠道。
- 我们假设6个月后停止流失用户。不幸的是，不管是自然流失还是用户转向竞争对手，我们一直会流失用户。幸运的是，当我们获得了数据后很容易建模：要做的就是将留存曲线延长到6个月之后。
- 我们保守地假设用户在6个月后停止病毒式增长。同样，当我们获得数据时，很容易建模：所需要的只是延长我们的病毒式传播曲线。
- 我们假设留存曲线和病毒式传播曲线不会随时间而改变。事实并非如此：随着我们不断测试和迭代产品，我们的留存曲线和病毒式传播曲线也会得到改善。
最后，我们再回顾一下文中的模型是如何一步步优化的：开始为最简可能性模型，后来引入了非病毒式传播渠道，迭代为混合模型，接着进一步引入了用户流失，升级为混合模型，最后引入留存曲线和病毒式传播曲线，成为组合模型。
当然，正如文章最后所说，每个模型都有其局限性，我希望本文可以为你捋清建模思路，从而对你的用户增长有所帮助和启发。
来源：
本文作者通过详细的例子阐述了如何评价用户流失预测模型的效果，以及客户流失预测模型的目的：有效挽留和关怀客户。
一、一个重要指标：提升度
用来评估客户流失预测模型预测效果好坏的一个重要指标，就是提升度。
所谓提升度，简单来说，使用模型预测客户流失比不使用模型要好多少。
如图，将客户按流失概率由大到小排名，图中的点（10%，50%）表示流失排名前10%的客户包含了实际流失客户的50%。
换句话说，如果企业有300万的客户，平均流失率为1%，如果对前10%的客户进行捕获，实际上能够捕获到真实流失的客户15000人（即300万×1%×50%）。
图中蓝线表示在没有预测模型指导的情况下随机抽取客户的结果。
这条线其实很好理解，如果抽取10%的客户，则能够捕获到300万×10%×1%个流失客户，占到总实际流失客户的300万×10%×1%÷（300万×1%）=10%，所以这条线实际上是一条斜率为45度的直线。
图中红线表示客户流失预测模型预测下的结果。
如线上的点（10%，50%）表示流失排名前10%的客户包含了实际流失客户的50%。所以，对于流失排名前10%的客户，使用模型预测的效果是没有使用模型预测的5倍！这就是所谓的提升度。
上图的红线就是传说中的ROC曲线，全称Receiver Operating Characteristic Curve，中文名叫接收者操作特性曲线。
蓝线就是基准线。一般来说，ROC曲线与偏离基准线，越向左上方靠拢，模型的预测效果就越好。
提升度对于评判模型预测性能好坏固然很重要。但是，人们往往只关注有由提升度所给出的模型预测效果，却忽视（或者没有去评估）客户流失预测模型所表现出来的“应用效果”。
二、关注“应用效果”
人们一般比较关心：有了这样一个流失预测模型，或者说在这个模型的指导下对高流失可能客户开展挽留关怀活动，下个月的客户流失率会不会显著地降低呢？
这样的看法是不正确的，因为客户流失预测模型只是揭示了“什么样的客户更可能会流失”这样一个客观规律。
实际情况是，在使用客户流失预测模型之后，客户流失率往往得不到大幅度的降低。下面通过一个证券行业的例子来说明。
假设某个券商A，当前有300万的客户，月平均流失率为1%。
为了更好地建立预测模型，在开发模型的过程，仅对有效客户进行建模，也就是说，在建模之前，需要通过设定一定的条件来剔除非有效客户，如机构客户、资产极大或极小客户、无交易行为客户，等等。
这样，有效客户数120万，月平均流失1.8万，流失率为1.5%。最后，券商A针对有效客户开发了客户流失预测模型，其效果可以用上面的图示来表示，即如果选取最具流失倾向的前10%客户作为目标活动客户，可以包括所有实际流失客户的50%。
由于券商A的各方面资源紧缺，客服人员人数有限。所以券商A决定根据流失预测模型的高流失倾向的客户名单，对有效客户开展一对一的针对性挽留关怀活动，而对非有效客户，则希望通过普通的营销政策进行挽留。
券商A按照流失预测模型给出的流失倾向评分从高到低，依次选择这次活动的目标客户，即从120万的有效客户中选取了前5%的高流失倾向客户作为目标客户，即6万。
接下来，客服人员将在“挽留月”对这6万客户进行一对一的挽留关怀工作。券商A希望能在月末的流失率统计中有一个令人满意的结果。
这6万客户中真实流失的客户有120×5%×1.5%×5=0.45万个，若能全部挽留住这0.45万个客户自然是好，但在实际挽留关怀工作中，却是很难做到。
我们需要注意客户流失预测模型在实际应用中会引起耗散的几个地方：
- 在全部客户中，仅对有效客户进行针对性挽留关怀，假设比例a，这里a=120/300=40%
- 目标活动客户选取时，仅对高流失倾向客户进行挽留，假设选取比例b=5%
- 客户挽留过程，存在目标活动客户的接触成功率，假设c
- 客户接触成功的客户中又存在挽留成功率问题，假设d
根据之前券商A在客服方面的经验，a、b、c、d都是可以估算的。这里不妨假定，成功接触率c为50%，接触成功的客户中有流失倾向的人的挽留成功率d为30%。
进一步假设流失客户在接触到和接触不到的客户中均匀分布，我们可以计算出券商A根据流失预测模型来采取挽留关怀活动能够成功挽留下来的客户数量为
成功挽留的客户数=总客户数×有效客户比例a×高流失倾向客户比例b×有效客户的平均流失率×模型提升度×接触成功率c×接触到的客户的成功挽留率
d=3000000×40%×5%×1.5%×5×50%×30%=675人
在这种情况下，总体流失率=（30000-675）/3000000=0.9775%，和不做活动的1%几乎没有什么区别！
从这里我们可以看出，客户流失预测模型并没有给企业带来关于客户流失率方面的多大改变。看到这样的结果，有人不禁要问，那还要不要做流失预测模型呢？这是一个非常现实的问题。
三、明确目的：挽留关怀客户
建立流失预测模型的目的是为了减低客户流失率呢，还是为了提高关怀与挽留工作的有效性呢？
如果是单纯为了大幅度降低客户流失率，流失预测模型所起到的效果是相对较少的。原因很简单，流失预测模型其实是一种方法论，它并不能直接带来客户流失率的降低。
打个比方，就好比给病人看病，再先进的医疗设备也只能帮助病人查毛病，而不能帮助病人养好病。
证券行业的流失预测模型，在客户挽留中所起的作用也只能是帮助券商找到流失倾向比较高的客户群，而不能直接导致流失率的下降。这一点要清楚。
纵观证券行业，券商通常认定真正流失的客户是指发生了消资金账户、转托管和撤销指定等行为的客户，但客户流失预测模型的流失定义通常是针对客户资产是否严重缩水。
这样，预测模型不仅包括了上述三种客户，而且还包括了这样的一些客户：由于资产缩水严重而超出自己能够承受的预期损失、被深度套牢而很可能转为睡眠客户。
这些客户虽然看起来仍然还是券商的客户，但已由活跃客户逐渐转为不活跃，不再给券商贡献利润价值。
从证券行业的实际情况来看，发生消资金账户、转托管和撤销指定等行为的客户流失不可避免，而且占一定的比例。但后一种客户，却是可以通过挽留关怀来使客户继续保持活跃，继续为券商贡献利润价值。
所以，客户流失预测模型的目的应该是为了提高挽留关怀工作的有效性，最大限度地让客户保持活跃状态，而不是所谓的大幅度降低客户流失率。
客户保持工作的最佳时机是在其未流失时，所谓防患于未然。
面对日益激烈的市场竞争，大多数企业越来越重视客户保持工作，通过不断地投入来做好客户关怀与挽留工作，最大可能地留住客户。
但它们通常都会面临这样的问题：如何在企业资源紧缺的情况下，提高客户关怀与挽留工作的效率，如何能够在较少的客户接触成本上关怀到更多实际将会流失的客户呢？
这就要借助于基于数据挖掘的客户流失预测模型了。
继续上面的例子，假定券商A每月可以达到的客户接触为6万人次，而且把要接触的对象集中在了高价值客户上。
如果根据由客户流失预测模型给出的高流失倾向的前5%的客户名单开展关怀与挽留工作，刚好120×5%=6万人，这个时候每月可以成功挽留住的客户数为675人。
如果没有模型指导，每月可以成功挽留住的客户数为
总客户数×高价值客户比例a×高流失倾向客户比例b×高价值客户的平均流失率×接触成功率c×接触到的客户的成功挽留率
d =3000000×40%×5%×1.5%×50%×30%= 135人
通过简单的比较就可以发现，基于完全相同的人员投入、完全相同的接触成功率、完全相同的挽留成功率，有模型指导的挽留比没有模型指导的挽留在每月的工作中成功地多挽留了675-135=540个客户。
假设这些成功留住的客户可以继续保持活跃状态的时长为半年（比较保守的估计），有效客户平均贡献佣金每月100元，则每月由于挽留效率的提高可以获得的额外收益将为540×100×6=324000元。
一年下来，年总收益将增加324000×12=3888000元。
这已经是最为保守的估算了，因为据了解，多数客户的月平均佣金贡献高达几百元，甚至几千元。
再进行更为保守的估算，如果在模型指导下选取前5%的高流失倾向客户作为目标客户时，模型的提升度为3。这样的情况下，每年的收益依然能够增加1944000元，投资回报依然很大！
实际上，我们的估算忽略了开展挽留关怀活动所耗费的成本问题。之所以忽略，是因为我们在没有模型指导和有模型指导下进行挽留活动所花费的成本都是一样的。我们只需要比较在有模型指导下进行挽留活动比没有模型指导增加了多少收益。
通过这些估算，只是为了说明一个问题：客户流失预测模型不是开发好了，部署起来，就扔在那里，每月按时跑数，也不能只看到模型预测结果准还是不准，关键是要应用到实际的客户挽留关怀工作当中去，这样才能看到实实在在的效果。
本文作者@jerryhuang_00bf 由(青瓜传媒)整理发布，转载请注明作者信息及出处！
