
有效挽回流失用户的数据分析及策略:需多一点套路才能得人心
很多年前,互联网圈一直被人挂在嘴边的一句话:流量为王!虽然放在现在来看,不完全正确,but,流量还是最重要元素之一。如果你的用户都走光了,那还谈什么狗屁运营。所以,后来也就引出了“流失用户”这个名词,最本质目的是希望留住更多用户,最理想的结局不是共产主义,而是“陪你地久天长”。
作为一个电商平台偏数据的运营狗,我觉得还是挺幸运的,更了解数据,帮助提升运营效率。但是作为单身的运营狗来说,也是挺悲催的。不是因为没女票,而是因为,现在几乎把用户当作自己的另一半,ta来了,我开心,ta下单了,我更开心,反正一句话:你买得开心,就是对我最大的鼓励。但最近开始研究沉睡、流失用户之后,才发现,要想挽回这部分用户是有多艰难,就像男女间分分合合,最后彻底分手之后,很难再回头。故也有那么一点失恋的感觉。但是从另一个角度来看吧,老用户的量肯定比新用户量大,维护好老用户,延长用户生命周期,控制沉睡和流失用户比例,成本低且回报比拉新用户要高很多。
扯远了!正题:如何定义网站/app的用户流失率并对流失用户做分析?
在此想将个人一些想法沉淀下来,也希望能得到更多的分析思路。
有没有遇上这种情况:市场的同学拼了命在找各种付费/免费渠道拉新用户,而app的日活跃/月活跃用户(此处定义:每天/月独立的访问用户量)增长非常缓慢甚至有所下降。那么,就有可能是大批量的老用户“离你而去”了!每天的活跃用户只能靠费大力气拉进来的新用户和小部分老用户艰难支撑着,这个过程是异常的痛苦,因为这样你的活跃用户量永远没法提升。除非不断增加投放费用提升新用户量,但是这样是处于一个不健康的状态。必须正视和自检:站内对老用户的运营和维护是否存在很大的问题。
这时候就迫切需要数据去支持运营方向的自检和调整,而数据怎么入手来做,那就像追女仔一样,得一步步计划切入,切莫像个大傻叉有一步就到手的想法(--。我真不是老司机)。
你可以反问下自己:怎样才算是流失?就是说用什么条件去定义这个用户是否流失!是n个月没访问的用户定义为流失用户?是n个月没下单的用户定义为流失用户?还是n个月没访问且没下单的定义为流失用户?!这个定义,得根据不同网站、平台或app的实际情况来定义。这个确定以后,后面的所有工作都是根据这个来开展,直接影响到最后的结论。当然,也不用过于担心,毕竟这个定义随着往后的运营,还是需要调整的。
比方说一个内容导购性app,自然希望用户多回访多看内容,用户黏性的期望自然比一般的销售平台高。不妨,我们先按照我们的期望值去做一个定义:超过30天没访问app的用户定义为流失用户(我们会从后面的分析过程中验证这样定义是否正确)。
那么[第n月度流失率]的计算公式是:第n月流失率=该月流失的新激活用户量/该月的新激活用户总量(我们统计时间是在第n+2月)
有了第一步的“初次触电”,就有了往下的发展机会!
1、定义好什么是流失用户后,我和数据师在讨论,用什么模型来看才是最直观最能看出流失用户的行为的……(此处省略1万字),最后数据师给我的建议是用曲线图来建模--横坐标是天数(最后一次访问的日期距离激活日期的天数,可理解为:用户是在激活后第x天流失的),纵坐标是流失率(公式已在上面提及)。
2、横纵坐标定义好之后,然后将该月的激活用户,且超过30天没访问的用户数据划分出来,建立以下模型(图1图2,曲线图的变化,会根据实际情况呈现多种现象);
3、通过这个曲线图,总体可感知到,这批新用户的流失率达到50%,且在第30天左右达到一个稳定趋势,即证明了“30天内没访问”就认定为流失用户的这个定义还是比较合理的。同时,再细化来看,用户在激活后的两周内流失率是比较高的,如果熬过这两周,流失的用户也大大降低。那么,这也就引出了对新用户进来后两周内的运营引导工作是否还做得不够到位,或引进来的用户本身与app定位不太符合,需要在源头上调整呢?
有了这样一个数据基础,其实还可以继续深挖很多数据,比如:
1、流失用户的回访率(回访率=回访用户量/流失用户量*100%),即探究(在定义的时间段内没回访)流失用户之后是否会回来以及,回来的频次和时间点是什么。这个数据的目的是,帮助运营了解流失用户回访的时间点,在最佳的时间做用户挽回动作,提升回访率;
2、细分这批流失用户在流失之前对app的访问频次、在app的使用行为(如:是在哪个环节跳走后而流失),从而推断用户流失的原因。举个例子:用户A在流失前访问频次很高,每周会访问3-5次,但是几次从app跳走的页面都是支付页,那么极有可能支付环节出了大问题。可能是支付经常提示错误造成用户厌烦,可能是支付流程复杂让用户觉得困扰。不好的体验造成了用户A流失的主要原因;等等
话说,虽然用户走了,你“失恋了”,但这时候最不能缺的就是自信和勇气,及时去追啊!不然,算什么男人~
1、流失的用户量很大的话,如果流失的用户并没有流失任何联系方式,那很难直接触达这部分用户做调研。所以,这里也提醒下产品的同学,在设计用户刚激活app的时候,可考虑需要用户使用手机或邮箱注册,而不是使用微信微博联登,不过这个也是非常重要的用户体验问题,要根据不同情况去慎重考虑。接下来,只能对能够触达的那部分流失用户,做一对一或批量问卷调查,找到流失的主要几个原因;
2、下面根据用户的生命周期,大概说一下挽回的方向和策略,不过流失的用户普遍挽回率很低,需要更多耐心和方法:
a.根据用户的生命周期,可以将流失的用户先划分下类别:比如说根据购买频次和金额来细分–1次也没购买过的(可派发大额度优惠券、大促活动或超低价商品吸引回访成为首单新客),购买1-2次且客单价较低(可精准推送优惠专场或在这个客单水平的好货),购买3次及以上(可推送用户偏好的品牌或品类,额外增加会员专属优惠券等形式)。当然,这些只是一个思路供参考。
b.另外还要提一点,就算第一次挽回消息的推送很吸引,但用户可能也会各种因素没回来。广告有一个法则叫“八次曝光策略”,意思是说,品牌多次曝光,才能逐渐走进你的内心,加深印象,多次的展示在你面前,才更有可能让用户对品牌认知度提升。如果一次的挽回营销效果不好,可以尝试多次,但是针对不同价值的流失用户,需要控制不同的营销频次。
3、将用户划分之后,就看下营销工具了。常见的有:短信、email、push等。我个人觉得短信是最直接的,效果会比其他两种工具好。或者以一些“会员体验新版就有奖”名义,去吸引这批人重新下载app,如果新版产品有了更好的体验,或许这个用户就会重新对这个app有新的期待;顺便一提:个人了解到,市场上的流失用户回访率平均水平在5%-10%之间;
在做流失用户挽回的同时,必须也将流失用户调研、产品体验的优化工作放在第一位,不断反思为什么这么多用户流失,是哪个环节出了问题,是市场投放的渠道?是内容问题?还是产品体验方面?只有在各方的配合下,才能使挽回计划达到最好效果。
先码到这里吧,因为这部分还涉及关于生命周期、活动策划的配合等,留着下个主题再一起扯蛋吧。最后再再说一句:就算把妹不行,把把亲爱的用户们,还是得努力留几手!毕竟,套路得人心!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14