预计阅读时间：10min
阅读建议：本篇为实战经验，会让你有所收获，整体篇幅较长，建议先收藏再阅读。
解决痛点：针对一款产品，如何预警用户是否可能会流失？以及可以采用哪些手段加以干预？
00
序言
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，在之前的文章中，小火龙和大家分享了「潜客期」以及「新用户期」数据分析涉及的内容，感兴趣的同学可以戳蓝字部分。
本篇会和大家分享，当用户出现流失迹象时，如何预警并加以干预，小火龙在之前的工作中，花了不少时间在这个项目的研究上，分享一些经验给大家。
01
项目背景
在开始正文之前，先和大家分享一组数据：
根据美国贝恩公司的调查，在商业社会中5%的客户留存率增长意味着公司利润30%的增长，而把产品卖给老客户的概率是新客户的3倍。
当前，互联网公司已经过了用户增长最佳的红利期，增长成本在逐步提升，从目前下跌的股票，也可窥探一二。因此对于产品，服务好存量用户，避免流失，收益将远高于开发同等量级的新用户。由此可见，对于流失用户的召回，将成为决定产品胜败的关键。
不知是否有同学会问：“是否可以不做预警，等到用户真正流失之后再做召回？”
答案：可以的，但是召回效果不理想，且成本较高。原因有以下两点：
其一：当用户对产品产生不满而离开，此时通过短信、Push等手段对用户进行召回，用户是非常抵触的。
其二：用户在离开的时候，很可能已经将APP卸载，部分召回手段是无法触达到用户的。
由此可见，当用户已经离开了产品，再想通过各种手段挽回，难度是非常大的。所以，要在用户即将流失前，根据用户的行为特征及属性特征，有效的识别出用户的流失风险，配合多元化召回策略，最大化的留住这批用户。
下面，小火龙将和大家分享一套相对通用的流失预警流程。
02
流失预警框架
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。
步骤一：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。
步骤二：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。
步骤三：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。
步骤四：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。分享一个小火龙总结的全景图：
下面会针对预警模型环节进行展开，谈谈注意事项，以及需要避开的一些坑。
03
数据探索环节
在模型搭建前，还需要明确两个问题，是决定模型结果是否可用的关键：
问题一：如何定义用户流失？
如何定义用户流失，这个问题是至关重要的，不同的定义方式会直接影响预测的真实性及准确性。在定义前，需要充分了解业务，与业务方进行讨论，因为不同产品对于流失用户的衡量方式是不同的，不存在通用的定义。这里需要明确两点，「流失行为定义」以及「流失时间窗口定义」。
流失行为定义
不同产品、不同场景，流失的行为定义均是不同的，关键在于做预警的目的是为了什么。
举个例子
不同产品
- 对于电商型产品而言，购买可作为关键行为，用户多久没有下单，认为此用户已经流失；
- 对于内容型产品而言，登录可作为关键行为，用户多久没有登录，认为此用户已经流失。
不同场景
- 对于电商型产品，聚焦母婴品类用户是否流失，则关注母婴品类多久没有下单，认为此用户已经流失；
- 对于电商型产品，聚焦汽车品类用户是否流失，则关注汽车品类多久没有下单，认为此用户已经流失。
流失时间窗口定义
用户流失预警的时间窗口主要包含：「特征选择期」、「空档期」、「预测期」，通俗来讲就是根据「用户过去多久的行为」来预测「用户未来多久流失的概率」。如下图：
1、 特征选择期：选择用户哪段时间的行为作为模型的特征。当然，不同产品的特征选择期会有不同，但核心宗旨基本一致：可度量出用户在特征上的时间趋势，一般而言，1-2个月的特征选择期较为合适。
2、 空档期：空档期指留给业务同学实施策略的buffer期，当然，并不是所有流失预警模型均需要，由业务方来决定。
以上图为例
我们选择了1月1日 至 1月31日的全量用户作为用户样本，来预测未来30日用户是否可能会流失，假设业务方每次需要7日来评估预测并制定匹配策略，也就是2月1日 至 2月7日，则该模型预测需跳过此7日，预测从2月8日 至 3月7日用户是否可能会流失，从而将中间的7日作为业务空档期。
3、 预测期：预测用户在未来时间段中是否可能会流失。预测期时间的选择，类似于信贷过程中经常使用的迁移率和滚动率的方式，此处我们可以采用N日内留存曲线，根据拐点理论（肘部法则）并结合业务特性来制定相应的预测。
例如：根据业务N日内留存曲线，从30日开始，留存率趋于平稳，则我们可以取30日作为预测期。（如下图）
这里大家要注意！预测期时间越长，流失预测的置信度越高，时效性越差；时间越短，置信度越低，时效性越好。因此需要同时兼顾准确性及时效性因素，一般而言，15-60日内相对较为合适。
问题二：用户流失原因是什么？
了解用户的真实流失原因，对于「模型设计」和「召回策略」来说都是非常重要的。
对于「模型设计」而言
可以有针对性的设计特征，从而更精准的进行预测。
举个例子
对外卖场景而言，假设某个用户离开的真实原因是由于骑手多次延迟，导致用户在线上进行投诉，且投诉之后没有得到很好的反馈。针对这个例子，我们可以衍生出来几个指标用于预测用户流失：派送次数、投诉次数、投诉解决比例等。
对于「召回策略」而言
可以有针对性的匹配召回策略。
举个例子
同样是外卖场景，假设有个用户属于“薅羊毛”类用户，离开的原因是由于平台不再发优惠券了，那当我们了解了用户的诉求之后，再次发放优惠券召回的可能性大大高于其他策略。
由此可见，了解用户流失的真实原因是至关重要的，以下为用户可能流失的内外部因素，大家可以参考（以搜索型场景为例，不同类型APP会存在差异）。
04
模型搭建环节
在对流失用户定义清晰，以及了解用户可能的流失原因后，就可以开始搭建流失预警模型了。模型搭建的核心环节大体分为两步：「特征工程」及「模型搭建」。
步骤一：特征工程
机器学习中有这样一句话，数据质量及特征决定结果的上限，而模型的选择和改进只是不断逼近这个上限。由此可见特征工程的重要性。特征工程细分下来分为以下几步：
我们将重点放在特征引入上，2-4的内容感兴趣的同学可以网上搜索，通用的概念及应用会非常多。我们以外卖场景为例，看看可以总结出哪些特征用于模型预测：
除了上面的静态特征之外，还需要关注趋势类特征：
根据以上信息，我们基本可以度量用户在过去一段时间在APP上的应用行为，当然，不同类型APP的特征会存在一些差异，核心思路：选择的特征均是对用户一段时间的刻画，并且在业务上对预测有所帮助。
步骤二：模型搭建
流失用户预测属于二分类问题，input特征，output用户是否会在未来时间段留下来（0/1）。其中，逻辑回归、SVM、树模型、深度学习等模型均可以解决此类问题，具体的代码实现方式，本篇就不再展开。这里强调两个注意事项，大家需要重点关注：
其一：用户分层预测
很多同学在做用户流失预测的时候，常常将所有的用户数据一同灌入模型，得出预测结果。但这样做往往会遇到一个问题，就是预测出来的流失用户，更偏向于低活，而高活用户预测流失召回却基本为0。所以为了避免这样的问题，可以将不同活跃度用户分别搭建模型。
那这里就引出另外一个问题，活跃度如何进行等级划分，一般而言，等级可分为高活、中活、低活、游离用户，而划分的标准则是依赖于用户过去N日应用天数进行的阈值划分，并且尽量保证划分的均衡。
举个例子
用户过去30日中，游离用户：1-2日；低活用户：3-7日；中活用户：8-20日；高活用户：21-30日。
这样划分固然没有问题，但是不够精准，例如：在过去30日内，一位用户是在最远期来过1天，另一位用户是在最近期来过1天，如果按照上述的计算方式，活跃程度是一样的，然而在流失预测中，显然后面的这位用户相对的活跃程度更高，流失的可能性也更小。
因此可以采用 天数 权重 的方式计算活跃度，例如下图，越靠近预测期，权值越高，具体的权重值可根据不同的业务而定。
其二：模型正负样本数量选择
训练中正负样本的选择，会直接影响到最终模型的准召。因此，可根据业务判断是否需要调整训练样本的配比问题。高成本的召回策略（消费券发放）更关注流失预警的准确率；高覆盖的召回策略（端内Push）更关注流失预警的召回率。
当然，除了可以调整正负样本，也可以根据预测出来的置信度进行控制，高成本召回策略只筛选置信度>90%的用户进行投放。
以上就是本期的内容分享。
