用户都跑了，你却还分不清流失用户和流失率(3)

另一方面，时间过短部分用户尚在好奇和探索阶段，没有完全沉淀下来成为真正的用户。反之，如果一味增加提取数据的时间周期，项目执行的时间成本也会水涨船高;同时，等提取周期结束，一些用户早已流失，即使预测成功也难以挽回。

模型的准确性依赖于数据提取周期问题的解决，我们需要一个用户多长时间的数据才能准确预测该用户下一阶段的行为?

通过二元逻辑回归的ROC曲线可以进行评估，如下图， 6 周的数据明显优于 1 个月(曲线右下方面积越大预测准确性越高)，而 2 个月的数据只略优于 6 周，幅度有限，且时间成本较大，因此选择 6 周作为数据提取的周期。

第二个难点在于流失原因的分析，也即流失影响因素的选择。选择一些具有流失用户典型特征的指标维度作为自变量，一步步尝试修改指标，迭代模型。

如果前期流失模型准确性低，并且流失用户的特征与模型的特征不符，则需要寻找新的流失因素，并纳入流失预警模型的提取数据点。指标的选择，一方面需要不断试错，最主要还是基于对业务的理解。

建模过程中的主要问题是模型预测准确性低，我们可以通过检查是否没有纳入典型的指标维度、是否存在多重共线性来有的放矢地加以解决，有时不显著的原因可能出乎意料——比如产品功能更新了，或者年底积分折半了，拿到的是被污染过的数据而不自知。

三、不止预测：模型只是方法而非终点

如何支持用户运营，避免应用误区

通过流失预警模型，我们可以获得产品一系列功能模块或指标对流失留存的影响因子，并计算出每个用户的流失概率。通过影响因子，我们可以对流失原因有所了解，在此基础上进行深入研究和确认，结合用户反馈的频率、专家意见等确定改版的优先级。

计算流失概率只是一种方法，而不是研究的最终目的，流失研究也不能到此就浅尝辄止。区分出可能流失的用户是为了提高挽留策略的针对性，提高效率与减少成本，实现精细化运营——这也是流失模型的核心价值所在。

比如，从用户使用的轻重程度出发(如上图)，在通过模型计算出用户未来的流失概率后，将使用App的频率和时长作为用户轻重度的划分标准，结合用户流失留存预期，将用户划分为高价值、重点发展、重点转化、有待挽留等几种类型，分析每个类型用户不同的行为特点和使用痛点，采取针对性的运营策略。

当然，流失模型也可结合付费维度进行研究。先筛选出极有可能将会流失的用户，再根据购买频次和付费金额来进行细分。

比如从未付费的用户可通过优惠券、促销活动或超低价商品吸引回访、促成首单购买;少量付费且客单价低的用户可以精准推送符合个性化偏好的商品，或者推荐符合该用户消费层次的超值商品;多次付费的老用户，可以增加会员专属优惠，通过回馈激励增强用户粘性，延长使用周期。

以上只是流失模型的两个层面的应用，在不同项目中还可以结合多种方式对用户进行精细化运营。模型准确性高的话，可以用更少的成本、对用户更少的干扰来留住更有价值的用户。

当然，提及用户细分、精细化运营和产品功能体验的优化，又离不开对用户的理解和对产品业务的积淀。和这种不断的积淀一样，流失预警模型也需要不断地修正和迭代，以适应产品发展的需求。

以模型作为一种研究技术，以对用户和业务的理解积淀作为基础，来一起推动产品迭代和运营活动的落地，这两者都是用户研究的价值所在。

（编辑：ASP站长网）