流失预测模型是指什么？流失预测模型的内容、建立步骤及作用

2023-12-06 09:41:23

流失预测模型是指什么

一、流失预测模型是指什么

流失预测模型（英文：Churn Model）是一个预测模型，在个人用户的层面上估计用户流失的倾向（或易感性）。通过流失模型，可以得知每个用户在未来流失的风险有多大。从技术上讲，流失模型是一个二元分类器，将客户分为两组（类）——已流失的和未流失的。除了进行分组，该模型通常还会告诉我们客户属于某一组的概率。

用户生命周期，可以划分为六个阶段：潜客期、新用户期、成长期、成熟期、衰退期、流失期，流失预测模型是当用户出现流失迹象时，如何预警并加以干预，从而降低用户的流失率。

二、流失预测模型的内容

1、定义用户流失周期

目的是判断用户是否流失。这里引入回访率（即某日登陆的用户中在其后再次登录的用户数/当时登录的用户数*100%)。

用户流失期限越长，用户的回访率越低，存在一个时间拐点，在该周期后用户回访率随周期的延长而下降缓慢，下降缓慢的这批用户即为平台长期活跃用户，而该周期即为用户流失周期。

2、抽取建模样本

抽取的用户是已经过了上述的流失周期（即可定义用户是否流失）。

参与建模的指标维度：用户基本信息、访问行为、消费行为。

3、使用决策树预测用户是否流失

模型首先需要将用户分成训练集和测试集(默认划分为13比7)，然后用训练集的数据来训练模型，在用来预测测试集，最后用预测的准确性（AUC）来评估模型。

流失用户的原因分析以人（平台用户）、货（如电商商品）、场（平台、竞品等）三个维度为主。

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，是指使用模型预测客户流失比不使用模型要好多少。

三、流失预警的建立步骤

流失预警流程可以划分为四个步骤，分别为流失预警、策略召回、AB实验、评估沉淀，形成一个闭环体系。

1、流失预警

流失预警是所有步骤的起始，根据用户的行为特征及属性特征，预测用户在未来一段时间内是否流失以及流失可能性的大小，树模型以及Wide&Deep模型均是比较常用的，将所得到的用户标识、label、置信度输出给下游业务方。

2、召回策略

业务方根据预测的数据，合理匹配「用户」、「触达方式」、「触达内容」，不同产品、不同业务场景的匹配方案均不相同，而探索最优匹配方案，往往是根据尝试获取的。原则只有一个：以最小的成本召回最多的用户。具体干预体系，会在后面和大家分享，先附上小火龙绘制的简易思路图。

3、AB实验

在进行策略召回时，效果是业务方最关心的问题。而AB实验是最直接的评估方式，将一部分随机用户作为基线桶不采取任何策略，另一部分随机用户通过策略进行召回，为了保证用户群体的一致性，可配合DID（双重拆分法），将「用户差异」、「时间差异」、「策略因素」有效剥离，从而得到策略的效果。该步的目的，是度量不同策略的优劣，连同步骤二的召回形成闭环，持续优化「用户」、「触达方式」、「触达内容」的匹配。

4、评估沉淀

对以上每个环节的内容进行优化，沉淀总结经验，在有条件的情况下，落盘至平台，提升后续预警召回的准确率及效率。

以上就是用户流失预警的核心流程，虽然不同产品可能会有一些细节上的差异，但万变不离其宗。

四、常见的流失预测模型

1、基于用户属性的预警模型

用户流失与产品的用户定位有关。对于精准的目标用户，留存率就高；对于宽泛的目标用户，流失率就高。所以，流失率与用户质量是强相关的。基于用户属性的预警模型就是通过分析用户的属性，找到与流失相关的因子。该模型仅需用户的基本属性，不涉及使用行为，能在最早期预测用户的流失。有点根据骨骼惊奇，预测武学大师的味道。

● 基于用户属性的预警模型，因变量是用户流失，自变量是用户属性，预测的结果是每一个用户的流失概率。

● 用户的基本属性：手机品牌、手机分值（跑分）、系统版本、运营商；性别、年龄、学历、职业；网络依赖程度、上网时长。

● 先计算出满足单一条件的流失概率，再计算出满足几个条件组合时的流失概率，最后计算满足某些条件且不满足某些条件时的流失概率。最后，通过计算用户与该模型的匹配程度，得出该用户的流失概率。

● 对于潜在用户，可以根据用户质量，对渠道买量进行差异化定价。对于真实用户，可以及早预防，提供差异化的产品解决方案。

2、基于关键事件的预警模型

产品的设计中存在诸多的流程，每个流程中都有关键点。当用户在某个关键点上遇到阻力的时候，就容易导致产品体验不深入，进而影响到用户的留存。基于关键事件的预警模型，就是通过分析核心流程中关键事件的完成度，来预测用户的流失概率。

● 基于关键事件的预警模，因变量是用户流失，自变量是关键流程的完成度，预测结果是每一个用户的流失概率。

● 首先，梳理关键流程，定义流程中的关键节点。这个不是技术活，但需要对产品有深刻的理解。

● 然后，根据关键节点的达成情况，定义该流程的完成度。比如，订阅事件流中，完整的流程应该是：浏览推荐→关注→互动（点赞/评论）→转发→取关→主动查找→批量关注。如果用户停留在转发阶段，那么该流程的完成度就是4/7=57%；如果用户进行过批量关注，那么完成度就是100%。

● 最后，通过分析各流程完成度与流失率之间的关系，来预测用户的流失。

3、基于负体验的用户预警模型

负体验是产品功能和体验上，给用户造成不爽的经历，是用户流失的重要原因，没有之一。基于负体验的预流失警，能帮我们分析各因素对流失的影响程度，便于按照重要性排列优先级。

● 基于负体验的用户预警模型，因变量是流失率，自变量是各类负体验次数，预测结果是负体验用户的流失概率。

● 具体操作上需要先收集用户反馈，梳理产品中的负体验。根据负体验的出现次数，建立基本的流失模型。常见的负体验有：客户端崩溃、耗电快、打开速度慢、推荐内容差、内容虚假、图片不清晰、推送骚扰等等。

4、基于业务粘性的预警模型

该模型主要是分析用户在核心功能上的活跃度表现。用户使用产品，往往集中在几个核心功能。一旦发现用户在核心功能上的活跃行为有下降，就必须预防了。所以，用户粘性的下降，是用户流失的早期表现。

● 基于业务粘性的预警模型，因变量是流失率，自变量是各业务的活跃度。分析各核心业务粘性下降对于滞后几期用户的流失影响。该模型的重点是定义核心业务，定义活跃行为，以及保持各业务之间的独立性。

5、基于活跃度的预警模型

用活跃度来预测用户流失，这恐怕是数学表现最好的指标了。因为流失就是依据用户的活跃度来界定的。你说，用户都30天没有来了，那他离流失还远吗？但是，活跃度是结果指标，是因变量，不是自变量。这样的预测是找不到对应的原因的，只能是让你知道这个用户要流失了，赶快在他流失前做些措施吧。

所以，我觉得基于活跃度的预警意义不大，如果一定要分析，建议先将用户分群，再组预警。比如：

● 持续不活跃的用户。这类用户的活跃度一直比较低，可以说从来没有高活跃过。那么，这里先要做的是刺激活跃，然后才是防流失。

● 活跃度缓慢下降的。说明产品对用户的吸引力越来越小了，这类用户的预警最好结合业务粘性预警模型来分析。

● 活跃度骤降的。之前很活跃，突然间不活跃了。推理，应该是某个外部原因导致的，比如竞品更给力了，用户换手机了等等。

五、流失预测模型的应用说明

1、流失预警是数学问题，更是业务问题

● 流失预警模型，不应该只是单一的模型，而应该是一系列模型。预警模型的优劣通常用准确率、召回率来衡量。准确率：预测为流失的用户中，有多少真的流失。召回率：真实的流失用户中，有多少被预测为流失。

● 对于结果类的预测模型，只关注预测的准确性。比如，预测股票的涨跌，只要模型预测准确，按预测结果操作即可。但对于策略类的预测模型，预测只是第一步，还需要后续的一系列手段来完成目的。比如，流失预警的最终目标是挽留用户，预测流失还只是找对目标，如何挽留还得对症下药。

● 要做到对症下药，就要寻找流失的因果关系。因为能直接找对原因，可以直接研究对策。但也不能倒果为因。比如，周琦上场，火箭队赢球的概率是80%。但不能据此得出：提升周琦的出场率来促成赢球的目的。

2、流失预警应该预测导致用户流失的早期原因，而不是晚期现象

● 预测高考。最有效的指标是高考前的一模、二模、三模成绩。分数越高的，考上的概率越大；分数越低的考上的概率越低。但是，因为离高考太近，针对高概率考不上的学生，其实已经没撤了！相反，用高一、高二的成绩来预测高考，虽然准确率不高，但对于高一高二的同学来说，还有加油努力的时间。

● 预防疾病。对于病症越显著的用户，判断得病的可能性就越高。因为他们基本已经得病了，需要的是有效治疗，简单的预防策略基本无效。

● 预测员工流失。发现提交离职申请的人95%的会离职，离职的人99%都提交了离职申请。这样的模型是没有价值的。

六、流失预测模型的作用

通过了解哪些客户流失的风险最大，我们可以更有针对性地进行补救。例如，我们可以通过营销活动接触这些客户，提醒他们他们已经很久没有从我们这里购买产品，甚至为他们提供优惠。

除了知道要定位哪些客户之外，我们还可以使用流失模型来计算用户觉得划算的最大收益价格。例如，如果我们知道某个客户离开的概率是 10%，来自他的年收入为 100 美元，那么未来年收入的预期值则为 90 美元。因此，在我们营销成本不超过5美元时，新的产品报价能把流失概率降至5%(预期收益是95美元)，那么该报价对该客户来说就是划算的。