实操案例：怎样搭建用户流失预警体系！

与其等用户流失后通过运营手段进行召回，不如一开始就准备好一套用户流失预警体系，可以更有效降低用户流失率。本文作者就以洗衣频道为例，教你怎样搭建用户流失预警体系。

对于一款社区o2o社区产品来说，用户流失是一直是市场、运营、产品为关心的问题之一。一般用户运营过程中，围绕流失用户的解决方案是将平台一段时间内未有消费行为的用户定义为流失用户，并对流失用户进行活动召回。

这种运营模式是在用户流失后采取的干预行为，往往具有滞后性，对于已经卸载app用户难以触达或者召回的可能性微乎其微。

那么一套行之有效的用户流失预警体系对防止用户流失意义非凡，在无需借助数据运营平台及机器学习的前提下怎样搭建用户流失预警模型是本文探讨的主要课题。

我们在实际运营过程中把用户流失预测归结为3个问题：

以一个实例来讨论这个问题，平台洗衣频道发现近客户流失严重，打算组织一场用户活动来遏制这种趋势，可是这个客户挽留活动是频道众多市场活动中的一个，预算也有限，需要用户部门通过数据挖掘的方法找到可能流失的高价值用户，并刻画这部分用户的特征，从而利用流失用户的特征找到其他可能要流失的用户进行分群运营。以下5个步骤来探讨流失用户具体运营方法：

首先对样本用户进行流失定义，可以根据样本用户的流失特征帮助我们预测相似性用户流失的概率。

经过与洗衣频道的运营人员沟通，首先将洗衣频道用户定义为流失用户与非流失用户两大类型，以3个月内是否有消费行为对用户进行初步流失划分。在数据层面，流失用户用1表示，非流失用户用0表示。

需要考虑哪些用户数据可以影响到用户流失？这是搭建用户预警模型至关重要的一步。从数据层面需要用户画像数据和行为数据两个维度，即：

进行流失分析的目的是在客户流失前就能发现他，从而采取挽留措施。那么分析时该采用多长时间段内的数据作为样本数据量呢？

取的时间过短，用户特征可能不具代表性；取的时间过长，建模运算时间太长以及难以查错，所以定义一个合适的预测时间窗口显得很重要。

经与洗衣频道运营人员研究用户的历史消费数据，综合数据的可获取性和有效性，我们取历史3个月的数据作为预测窗口，当月用户数据作为验证依据，建立流失预测时间窗口模型：

模型具体搭建过程属于太技术工作，不在本文探讨范围，我们主要探讨流失模型的搭建原理，希望能起到举一反三的作用。

首先需要对用户特征数据与流失字段之间进行探索性分析，查验每个特征维度与流失之间是否存在强关联关系，我们对高度相关的数据进行保留，剔除弱相关数据。

以上是我们利用大数据分析工具建立的一个洗衣用户探索分析模型，根据这个模型，可以得到关联分析结果，如下：

通过分析结果可以看到注册时间较长的老用户流失较为严重，说明频道对老用户的营销工作还是有待加强的。通过关联分析，我们保留了8个与流失强相关的用户数据字段，即用户的种类、来源、会员类型、城市、性别、注册天数、近一单距今时间、客单价。

其次，我们需要建立用户流失规则，用以预测其他用户的流失情况。同样也需要采取建模的方法，常用的便是利用决策树算法生成用户流失规则：

模型建立好后，需要模型对数据进行计算生成流失规则以及各个数据维度对流失重要性排序。由于为了快速生成模型采用少量数据进行建模，预测结果可能不大准确，仅为参考：

根据模型生成的流失规则可以发现，流失特征包含4个规则。

以规则1为例：如果注册天数>53天且会员类型为钻石会员易流失，而这个群组用户在运营层面是高价值用户，需要洗衣频道的运营人员格外要关注高价值老用户的挽留，同样右图显示注册天数和会员类型是两个重要的影响因子。

流失规则和影响流失的因子确定后，就可以帮助洗衣频道预测哪些用户会有流失倾向，在流失之前进行挽留，需要给到频道具体的运营策略。

细分策略是全量用户的分群运营，需要频道针对每个群组设计针对性的营销活动，这种策略指导下如果频道预算充足又有足够的精力来做可以采用；评分策略只针对部分高价值用户进行预测评分，对评分较高的高价值用户采取挽留营销措施，相对来说可以用低的营销成本达到出类拔萃的营销效果。