а天堂中文最新一区二区三区_久久精品国产99久久久古代_少妇人妻偷人精品视频_最近中文字幕免费完整版_无码人妻黑人中文字幕

行業(yè)新聞

當(dāng)前位置:首頁 > 新聞中心 > 行業(yè)新聞 > 正文

用戶增長分析 | 用戶流失預(yù)警

時(shí)間:2018-11-07 17:33:00 閱讀:3650 整理:廣州市場調(diào)查公司

1 前言

針對用戶增長分析這個(gè)課題,本文主要從用戶防流失的角度,闡述如何基于QQ社交網(wǎng)絡(luò)數(shù)據(jù)構(gòu)建用戶流失預(yù)警模型,找出高潛流失用戶,用于定向開展運(yùn)營激活,從而有效控制用戶流失風(fēng)險(xiǎn),提升大盤用戶的留存率和活躍度。本文所涉及到的分析框架和方法論等具有較強(qiáng)的通用性,可供有需要的了解參考。

2 分析背景

根據(jù)美國貝恩公司的調(diào)查,在商業(yè)社會中5%的客戶留存率增長意味著公司利潤30%的增長,而把產(chǎn)品賣給老客戶的概率是賣給新客戶的3倍。所以在‘增長黑客’圈內(nèi)有一句名言:留住已有的用戶勝過拓展新的客戶,也就是俗稱的“一鳥在手,勝過雙鳥在林”?!对鲩L黑客》

用戶留存和用戶流失是一組相對的概念。諸如獲得一個(gè)新客戶的成本是保持一個(gè)老客戶的5倍等經(jīng)過眾多商業(yè)實(shí)踐總結(jié)出來的數(shù)據(jù)都證明了一個(gè)事實(shí)——提升用戶留存率,減少用戶流失,對于任何一家企業(yè)來說都是非常重要。而隨著互聯(lián)網(wǎng)特別是移動(dòng)互聯(lián)網(wǎng)的高速發(fā)展,傳統(tǒng)模式下的很多發(fā)展瓶頸得到了重大突破,成本結(jié)構(gòu)也發(fā)生了顯著變化。但對于企業(yè)來說,用戶留存依然是反映企業(yè)及產(chǎn)品核心競爭力的關(guān)鍵要素。

在用戶生命周期管理(CLM)的分析框架下,不同的用戶生命周期階段我們需要考慮不同的問題,制定不同的用戶管理策略,不斷改善用戶體驗(yàn)的同時(shí),實(shí)現(xiàn)用戶生命周期價(jià)值(CLV)的最大化。

不同用戶所處的階段可能是不一樣的,且每一個(gè)階段的時(shí)間跨度和展現(xiàn)形式可能也有所不同。針對用戶衰退階段,構(gòu)建高危流失用戶的預(yù)警機(jī)制,制定面向高危用戶挽留策略,是延長用戶生命周期、提升用戶留存的重要舉措,這也是本文將要重點(diǎn)闡述的研究內(nèi)容。

關(guān)于對用戶數(shù)據(jù)如何開展分析挖掘,目前業(yè)界已有不少成熟的方法論,而華夏經(jīng)緯的分析流程也是在這些方法論的指導(dǎo)下有序開展的。當(dāng)前業(yè)界主要的兩大方法論分別是SEMMA方法論和CRISP-DM方法論。其中SAS公司提出的SEMMA方法論,即抽樣(Sample)、探索(Explore)、修改(Modify)、建模(Model)、評估(Assess),強(qiáng)調(diào)的是這5個(gè)核心環(huán)節(jié)的有機(jī)循環(huán)。而SPSS公司提出的CRISP-DM是英文縮寫,全稱為跨行業(yè)數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程(Cross-Industry Standard Process for Data Mining),突出業(yè)務(wù)理解、數(shù)據(jù)理解、數(shù)據(jù)準(zhǔn)備、建模、評價(jià)和發(fā)布這幾個(gè)環(huán)節(jié),強(qiáng)調(diào)將數(shù)據(jù)挖掘目標(biāo)和商務(wù)目標(biāo)進(jìn)行充分結(jié)合。

在具體實(shí)踐中,CRISP-DM強(qiáng)調(diào)上層的商務(wù)目標(biāo)的實(shí)現(xiàn),SEMMA則更側(cè)重在具體數(shù)據(jù)挖掘技術(shù)的實(shí)現(xiàn)上。只有將兩種方法緊密聯(lián)系在一起,才能達(dá)到更好地達(dá)成數(shù)據(jù)分析挖掘的效果。

3 流失預(yù)警模型構(gòu)建

基于上述方法論,下面結(jié)合具體的業(yè)務(wù)場景,詳細(xì)介紹用戶流失預(yù)警的分析思路及模型建設(shè)過程。

1. 業(yè)務(wù)理解

1.1. 業(yè)務(wù)現(xiàn)狀

針對某業(yè)務(wù)用戶活躍度下降、沉默用戶比例較高的業(yè)務(wù)現(xiàn)狀,著手建立高潛流失用戶預(yù)警及挽留機(jī)制,以期提升用戶留存,拉動(dòng)活躍,“防患于未然”。而落腳點(diǎn)則是建立一套流失預(yù)警的分類模型,預(yù)測用戶的流失概率。

1.2. 問題定義

基于上述需求,首先我們要明確流失的定義,使得分析的目標(biāo)更符合業(yè)務(wù)理解及分析要求。

1.2.1. 用戶流失行為定義

這里羅列了流失分析可能需要考慮的三個(gè)維度:動(dòng)因、程度和去向。不同業(yè)務(wù)場景下流失分析可能需要綜合考慮多個(gè)維度,以制定最為合理的分析目標(biāo)。

1) 流失動(dòng)因

? 客戶主動(dòng)流失(VOLUNTARY CHURN)——客戶主動(dòng)銷戶或者改變當(dāng)前的服務(wù)模式;

? 客戶被動(dòng)流失(INVOLUNTARY CHURN)——客戶因?yàn)檫`規(guī)或欺詐等行為被停止服務(wù)及強(qiáng)行關(guān)閉帳戶等行為。

2) 流失程度

? 完全流失——客戶發(fā)生關(guān)閉所有與企業(yè)服務(wù)相關(guān)帳戶和交易等不可恢復(fù)或者很難恢復(fù)的行為;

? 部分流失(PARTIAL CHURN)——客戶并未關(guān)閉帳戶但是交易水平突減到一定水平之下,例如在產(chǎn)品使用場景下用戶使用頻率突降了50%等等。

3) 流失去向

? 外部——客戶關(guān)閉或減少了在當(dāng)前機(jī)構(gòu)的業(yè)務(wù)而轉(zhuǎn)向了其它競爭對手;

? 內(nèi)部——客戶關(guān)閉或減少了在當(dāng)前機(jī)構(gòu)的部分業(yè)務(wù)而轉(zhuǎn)向了當(dāng)前機(jī)構(gòu)的其它業(yè)務(wù)。

可見,對于流失的理解可以是多方位的,需要結(jié)合具體的場景和需求。這里我們只簡化考慮用戶在某項(xiàng)業(yè)務(wù)主動(dòng)部分流失的情況。

1.2.2. Roll-rate分析

針對流失的目標(biāo)定義,我們鎖定一批用戶,觀察其在后續(xù)業(yè)務(wù)使用方面的持續(xù)沉默天數(shù),滾動(dòng)考察用戶持續(xù)沉默環(huán)比。我們發(fā)現(xiàn),當(dāng)用戶在該業(yè)務(wù)持續(xù)沉默天數(shù)超過兩周后,持續(xù)沉默環(huán)比高于X%且后續(xù)趨勢平穩(wěn)。因此我們將本次該業(yè)務(wù)流失分析的目標(biāo)定義為:用戶該業(yè)務(wù)使用出現(xiàn)連續(xù)沉默14天及以上?;谠摱x著手構(gòu)建建模分析樣本。

2. 數(shù)據(jù)理解

針對用戶流失預(yù)警這一分析目標(biāo),我們重點(diǎn)考察用戶活躍類指標(biāo),構(gòu)建流失預(yù)警分析建模指標(biāo)體系:

3. 數(shù)據(jù)準(zhǔn)備

3.1. 樣本構(gòu)造

流失預(yù)警分析樣本數(shù)據(jù)選?。?

1) 鎖定某日業(yè)務(wù)使用活躍用戶,統(tǒng)計(jì)其在后續(xù)14天的活躍情況;

2) 由連續(xù)14天沉默帳號和14天有活躍帳號構(gòu)成樣本,并打上相應(yīng)標(biāo)簽;

3) 統(tǒng)計(jì)樣本賬號在觀察點(diǎn)前8周的行為特征,按周匯總輸出,同時(shí)加入包括基礎(chǔ)畫像的特征屬性。

3.2. 數(shù)據(jù)質(zhì)量檢驗(yàn)

這項(xiàng)工作的重要性不言而喻,正所謂“垃圾進(jìn),垃圾出”,基礎(chǔ)數(shù)據(jù)如果無法保證良好的數(shù)據(jù)質(zhì)量,分析研究工作便會舉步維艱甚至是徒勞,分析得出的結(jié)論也是無效或者是錯(cuò)誤的。因此,我們需要建立一套完整有效的數(shù)據(jù)質(zhì)量檢驗(yàn)流程,這里暫且不就這部分內(nèi)容展開介紹了。

4. 建模分析

根據(jù)SEMMA的數(shù)據(jù)挖掘方法論,建模分析過程主要包括抽樣(Sample)、探索(Explore)、修改(Modify)、建模(Model)和評估(Assess)這五個(gè)關(guān)鍵環(huán)節(jié)。而下面就這五個(gè)環(huán)節(jié)的技術(shù)實(shí)現(xiàn)過程中涉及到的一些關(guān)鍵點(diǎn)進(jìn)行簡要闡述:

4.1. 粒度的選擇

根據(jù)分析目標(biāo),選擇合適的分析粒度。不同的粒度意味著需要對數(shù)據(jù)需要做不同方式的處理以及應(yīng)用。比如說我們是基于帳號還是自然人,這個(gè)問題需要在模型建設(shè)初期就明確下來。目前流失預(yù)警分析以QQ用戶帳號為分析單元。

4.2. 抽樣與過抽樣

抽樣就是從原始數(shù)據(jù)中,抽取一定量的記錄構(gòu)成新的數(shù)據(jù)。對于原始數(shù)據(jù)規(guī)模非常大的場景來說,抽樣往往是必要的,可以大大提升模型訓(xùn)練的速度。當(dāng)然,隨著分布式計(jì)算等大規(guī)模數(shù)據(jù)處理及分析能力的引入,使用完整的、大量的數(shù)據(jù)樣本進(jìn)行模型訓(xùn)練的可能性也越來越高。

而過抽樣則可以理解為多抽取稀有的標(biāo)簽,而少取常見的標(biāo)簽,這種抽樣方法在建模過程中相當(dāng)常見。比如本次流失分析的場景下,流失用戶作為目標(biāo)樣本,相比整體大盤來說肯定是屬于稀有的標(biāo)簽。為保證模型的有效性,我們需要按照一定配比,建立有流失和非流失用戶構(gòu)成的建模樣本,并分別打上‘1’和‘0’的狀態(tài)標(biāo)簽。兩類樣本的比例關(guān)系并沒有固定標(biāo)準(zhǔn)。一般情況下,目標(biāo)標(biāo)簽樣本占建模數(shù)據(jù)集的比例在20%-30%,會產(chǎn)生較好的模型效果。

另外,也可以通過樣本加權(quán)的方式進(jìn)行過抽樣,實(shí)現(xiàn)增加建模數(shù)據(jù)集密度的同時(shí)而不減少其規(guī)模。具體操作上一般將最大的權(quán)重設(shè)為1,而其他所有權(quán)重都取小于1的值,以此減少模型過擬合的風(fēng)險(xiǎn)。

4.3. 數(shù)據(jù)探索與修改

數(shù)據(jù)探索即對數(shù)據(jù)開展初步分析,包括考察預(yù)測變量的統(tǒng)計(jì)特性及分布、缺失及異常值發(fā)現(xiàn)及處理、變量關(guān)聯(lián)性及相關(guān)性分析等單變量或多變量交叉分析。

4.3.1. 變量離散化

在對建模數(shù)據(jù)進(jìn)行單變量分析及預(yù)處理的過程,對變量進(jìn)行分組,目的在于觀察變量與目標(biāo)事件的對應(yīng)趨勢,判斷是否與實(shí)際業(yè)務(wù)理解相符,從而決定變量是否適用。同時(shí)通過變量分組,減少變量屬性個(gè)數(shù),有助于避免異常值對模型的影響,提升模型的預(yù)測和泛化能力。

具體做法是對變量按照一定規(guī)則進(jìn)行劃分,比如對于連續(xù)型的數(shù)值變量,按照樣本量分位點(diǎn)進(jìn)行等高劃分或者對變量值進(jìn)行等寬劃分為若干個(gè)區(qū)間。

4.3.2. WOE(Weights of Evidence)值計(jì)算:

在變量分組的基礎(chǔ)上,我們這里使用證據(jù)權(quán)重WOE對變量取值的編碼轉(zhuǎn)換,作為最后模型的輸入。WOE的計(jì)算公式如下:

WOEattribute = log(p_non-eventattribute /p_eventattribute)

其中:

p_non-eventattribute = #non-eventattribute/#non-event(模型變量各特征分段下非事件響應(yīng)用戶數(shù)占總體非事件響應(yīng)用戶數(shù)的比例)

p_eventattribute = #eventattribute/#event(模型變量各特征分段下事件響應(yīng)用戶數(shù)占總體事件響應(yīng)用戶數(shù)的比例)

從這個(gè)公式中可以看到,WOE表示的實(shí)際上是“當(dāng)前分組中非響應(yīng)用戶占所有非響應(yīng)用戶的比例”和“當(dāng)前分組中響應(yīng)的用戶占所有響應(yīng)的用戶的比例”的差異。

WOE越大,這種差異越大,這個(gè)分組里的樣本響應(yīng)的可能性就越小,即用戶流失風(fēng)險(xiǎn)越小。

將字符型和數(shù)據(jù)型變量分組后的WOE值,可以作為回歸模型訓(xùn)練的輸入。

4.3.3. 變量選擇

關(guān)于模型待選變量的選擇標(biāo)準(zhǔn)主要從四個(gè)方面加以考慮:

? 變量的預(yù)測能力

? 變量的穩(wěn)定性

? 變量與業(yè)務(wù)的趨勢一致性

? 變量間的相關(guān)性

1) 變量的預(yù)測能力

在變量預(yù)測力方面,選擇計(jì)算信息值IV(Information Value)來量度。IV值一方面可以用于選擇預(yù)測變量,另一方面也可以作為分組是否合適的判斷依據(jù)。

IV的定義和熵(平均信息量)的定義很相似:

IV = ∑((p_non-eventattribute - p_eventattribute) * woeattribute)

一般情況下,IV的衡量標(biāo)準(zhǔn)如下:

2) 變量的穩(wěn)定性

變量的穩(wěn)定性主要是跨時(shí)點(diǎn)考察特征分段樣本分布是否存在明顯異動(dòng)。對波動(dòng)性較強(qiáng)的變量則需要考慮是否需要結(jié)合時(shí)間序列做衍生處理,又或者被剔除。

穩(wěn)定性指標(biāo)通過PSI(Population Stability Index)來度量。具體計(jì)算公式如下:

Index=∑((比較時(shí)點(diǎn)分段樣本百分比-基準(zhǔn)時(shí)點(diǎn)分段樣本百分比)*ln(比較時(shí)點(diǎn)分段樣本百分比/基準(zhǔn)時(shí)點(diǎn)分段樣本百分比)

一般情況下,PSI的衡量標(biāo)準(zhǔn)如下:

3) 變量與業(yè)務(wù)的趨勢一致性

這個(gè)標(biāo)準(zhǔn)可以結(jié)合業(yè)務(wù)知識、特征分布及WOE進(jìn)行綜合判斷。

4) 變量間相關(guān)性

計(jì)算變量間的相關(guān)系數(shù),當(dāng)模型變量間的相關(guān)性過高,產(chǎn)生共線性 (collinearity) 的問題,可能會導(dǎo)致模型的預(yù)測能力下降,甚至出現(xiàn)與預(yù)測結(jié)果相反無法解釋的現(xiàn)象。為避免變量間的高度相關(guān)削弱模型預(yù)測能力,對相關(guān)系數(shù)較高的變量集合可通過IV擇優(yōu)選取。

4.4.建模

前面我們通過大量的特征分析工作圈定了有效模型入選變量,接下來通過模型算法的選擇調(diào)用最終輸出模型結(jié)果,給每個(gè)用戶單元計(jì)算流失概率。作為一個(gè)分類問題,目前我們有比較多的模型算法可以嘗試,比如說邏輯回歸和決策樹等。通過模型比較,我們最終選擇邏輯回歸進(jìn)行建模。由于邏輯回歸是業(yè)務(wù)已經(jīng)比較成熟的分類算法,大多數(shù)分析同學(xué)應(yīng)該都比較了解,這里就不再贅述其原理。

5. 模型評價(jià)

對于一個(gè)模型是否達(dá)標(biāo),我們一般會從以下幾個(gè)方面去考量:

1) 是否達(dá)到符合應(yīng)用要求的準(zhǔn)確性水平

這里我們可以通過Lift Charts(又叫 gains chart)、ROC Charts、KS等評價(jià)指標(biāo)來對模型性能進(jìn)行評估比較。

2) 是否具有較高的穩(wěn)定性

同樣的,我們可以借鑒變量分析里面的穩(wěn)定性系數(shù)PSI來衡量及監(jiān)控模型的穩(wěn)定性;

3) 是否簡單

這個(gè)標(biāo)準(zhǔn)主要是從模型部署的角度考慮,模型如果足夠簡單,將更有利于模型的IT部署應(yīng)用。

4) 是否有意義

即在模型變量及其預(yù)測結(jié)果方面具有較強(qiáng)的可解釋性。這對于某些場景來說要非常看重的指標(biāo),比如說在銀行信貸的信用評分模型的應(yīng)用上。它是技術(shù)與業(yè)務(wù)有效連接的重要橋梁,有利于業(yè)務(wù)方更好理解模型并有效指導(dǎo)業(yè)務(wù)開展。當(dāng)然,隨著機(jī)器學(xué)習(xí)領(lǐng)域一些高級算法的研究使用,可解釋性要求在某些場景下已經(jīng)不屬于必要條件。

6. 模型應(yīng)用

關(guān)于模型應(yīng)用,我們主要聚焦在以下兩個(gè)方面:

1) 用預(yù)測模型得到影響流失的重要因素

通過單變量分析找出對業(yè)務(wù)有突出影響的一系列“Magic Number”。為什么叫“Magic Number”?顧名思義,這個(gè)數(shù)字能給業(yè)務(wù)增長帶來魔力般的神奇促進(jìn)效果。通過對關(guān)鍵影響指標(biāo)的量化分析,可以幫助業(yè)務(wù)有效制定運(yùn)營目標(biāo)。

在流失預(yù)警的分析中,我們發(fā)現(xiàn)若干對用戶流失顯著相關(guān)的特征指標(biāo),當(dāng)指標(biāo)B取值達(dá)到X2及以上時(shí),用戶流失率只有取值X2以下用戶的30%左右,可見指標(biāo)B對于促進(jìn)用戶留存有正向作用。業(yè)務(wù)方可根據(jù)以上分析結(jié)論制定相應(yīng)業(yè)務(wù)目標(biāo)及策略。

2) 用預(yù)測模型預(yù)測客戶流失的可能性

利用模型輸出的概率結(jié)果,對流失概率最高的一部分用戶,可以開展針對性的運(yùn)營管理,比如設(shè)計(jì)有效的喚醒機(jī)制、個(gè)性化推薦以及合作產(chǎn)品引導(dǎo)等,挖掘用戶的應(yīng)用需求點(diǎn)和興趣點(diǎn)。同時(shí)建立分析-應(yīng)用-反饋的閉環(huán)流程,持續(xù)對用戶留存流失進(jìn)行監(jiān)控管理,及時(shí)發(fā)現(xiàn)問題,以指導(dǎo)模型優(yōu)化及策略更新。

4 優(yōu)化研究方向

可以嘗試從以下兩個(gè)方面開展優(yōu)化分析:

1. 用戶群體細(xì)分:針對不同類型的用戶分別搭建流失預(yù)警模型;

2. 用戶行為分析:分析用戶產(chǎn)品使用行為及內(nèi)容偏好,挖掘用戶使用習(xí)慣及興趣點(diǎn),實(shí)現(xiàn)個(gè)性化推薦,拉動(dòng)用戶活躍。

5 結(jié)語

在用戶流失預(yù)警這個(gè)分析案例中,我們結(jié)合業(yè)務(wù)現(xiàn)狀,在用戶生命周期管理的大框架下,采用業(yè)界較為成熟的數(shù)據(jù)分析挖掘方法論,開展數(shù)據(jù)分析工作。這里面重點(diǎn)介紹了特征分析的方法,這是我們在做用戶數(shù)據(jù)分析過程非常重要且必不可少的部分。而在特征分析過程中,我們可以更加深入的了解業(yè)務(wù)特性,輸出更多的數(shù)據(jù)價(jià)值。這也是本文所希望能夠傳達(dá)出來的一塊重要信息。由于知識和篇幅所限,有很多細(xì)節(jié)沒能闡述得特別深入,有些方法也許不是最優(yōu)的做法,歡迎對BI感興趣的同學(xué)加強(qiáng)交流,共同進(jìn)步,更好地將數(shù)據(jù)價(jià)值應(yīng)用到實(shí)際業(yè)務(wù)中。

公眾號:華夏經(jīng)緯數(shù)據(jù)科技

關(guān)注公眾號:
華夏經(jīng)緯數(shù)據(jù)科技
更多調(diào)研資訊>>

免責(zé)聲明:
本站文章內(nèi)容以及所涉數(shù)據(jù)、圖片等資料來源于網(wǎng)絡(luò),轉(zhuǎn)載目的在于傳遞更多信息。版權(quán)歸作者所有,文章僅代表作者觀點(diǎn),不代表華夏經(jīng)緯立場。 如涉及侵權(quán),請聯(lián)系管理員刪除。在法律許可的范圍內(nèi),華夏經(jīng)緯(廣州)數(shù)據(jù)科技股份有限公司享有最終解釋權(quán)。

推薦文章

精彩資訊

QQ在線咨詢
給我們留言

咨詢電話

020-84668848

華夏經(jīng)緯訂閱號

關(guān)注訂閱號

華夏經(jīng)緯視頻號

關(guān)注視頻號

電話回?fù)?/p>