京公网安备 11010802034615号
经营许可证编号:京B2-20210330
四步帮你分析用户流失原因
1:数据分析师对用户流失原因调研时不知如何入手?2:数据分析师不知如何才能找到用户真正的流失原因?3:数据分析师不知如何把调研结果应用到产品改善中?4:数据分析师到底要怎样才能做好用户流失原因研究呢?
在做了一些用户流失原因调研项目后,笔者总结了用户流失原因调研四步经。
第一步:了解调研目的
无论做什么调研,研究员首先要确认调研目的,只有知道需求方最终想要解决什么问题才能做好调研。用户流失原因调研不只是简单的了解用户流失的原因就可以,产品经理提出用户流失原因调研需求,最终目的一般有两个:(1)防止用户流失;(2)挽回流失用户。
最终目的不一样,调研需要解答的问题也不一样:
(1)防止用户流失
用户为什么会流失?(用户流失原因)→用户会继续流失吗?(现有用户的不满意点与流失原因是否一致?)→如何防止用户流失?(应采取什么样的改善措施)
(2)挽回流失用户
用户为什么会流失?(用户流失原因)→流失用户回流的可能性?→什么情况下他们愿意回来?(回流触点)→如何挽回流失用户?(应采取什么样的改善措施)
第二步:找出用户流失的真正原因
无论产品经理最终的目的是什么,他们提出用户流失原因调研需求证明他们都非常关心用户为什么会流失,所以找出用户流失的真正原因非常重要。但要找出用户流失的真正原因并不容易,有时问用户为什么不再用某产品,他们会用“没钱”or“没时间”等借口敷衍我们,用户因为“没钱”不用我们的产品了,但其他价格一样的产品却销售得如火如荼,这合理吗? “没钱”or“没时间”这些借口我们当然不接受,那我们要如何找出真正的原因?笔者总结了三种方法:
(1)深入追问——5个WHY
连续问用户5个问题以获得深度递进的答案,这个方法能有效的使用户表达出深层的想法和原因。
案例:以一款休闲游戏用户流失原因调查为例
访问员:为什么最近一段时间没登录过***了?
用户: ***(游戏角色)病了。
访问员:为什么***病了就不登录了?
用户:因为一登录***就会死,不想见到它死。
访问员:既然害怕***病死,那为什么没带***看病(指的是在游戏中看病)?
用户:没钱,看不起病。
访问员:为什么没钱?
用户:***很容易生病,让***打工挣的钱不够它看病。
访问员:为什么不带***看免费医生(游戏中可免费看病)?
用户:不知道可以免费治病。
该案例最后了解到导致用户流失的原因有两个:***(游戏角色)打工挣钱少、用户不知道可以免费冶病。
注:图片来源于IDEO方法卡
(2)侧面对比相关产品
有时用户也意识不到他们行为背后的真正原因,直接追问他们可能问不出具体原因,这个时候可以通过侧面对比去激发用户潜意识,挖掘出真正的流失原因。
案例:
访问员:为什么不续订*钻了?
用户:没钱啊。
访问员:您目前有没有开通其他的包月业务?
用户:开通***。
访问员:为什么开通***却没有开通*钻?
用户:因为觉得***更实用,特权更多。
访问员:***里的哪些特权最吸引您?
用户:红名、魔法表情
该案例了解到用户并不是因为“没钱”而不再继订*钻,而是由于*钻的特权没法吸引用户继续开通,而用户喜欢什么类型的特权呢,这需要我们(数据分析师)继续深挖。
(3)行为分析
当我们通过网络问卷的方法调研时,很难实现层层深入追问,对于用户来说,原因类题目他们很难回答,而行为类题目较容易回答,且行为类题目回答真实性较高,有些深层的流失原因,不一定需要层层深入追问为什么,有时可以通过行为分析解决。
案例:
您的***(游戏角色)挣钱的方式主要是:
数据交叉分析发现,因为挣钱难而流失的***游戏用户主要的挣钱方式是“打工”,而我们和产品经理沟通后了解到实际上***(游戏角色)“打工”不但不能挣钱、而且会赔钱,因为“打工”会让***(游戏角色)损耗,***(游戏角色)会更容易脏、更容易饿,用户就要花更多的钱去养它们,成本大于收益。但很多用户不知道这个情况,所以一直选择“打工”挣钱,最后没办法维持游戏角色在游戏中的生存,导致流失。
第三步:解答两大最终目的其他问题
(1)用户会继续流失吗?——了解现有用户与流失用户的差异
要了解用户是否会继续流失,就需要对现有用户进行调研,如果现有用户和流失用户是同一类用户,那现有用户会继续流失。
怎么知道现有用户和流失用户的差异呢?那就需要了解现有用户的态度,现有用户不满意的方面是什么,如果现有用户不满意方面与流失用户流失原因一致,那证明现用用户和流失用户没明显差异,如果导致用户流失的问题没解决,用户会继续流失。
(2)用户什么情况下才愿意回来
首先要知道流失用户回流的可能性,如果大部分用户表示无论产品怎样改变也不会再尝试使用,那在挽留用户上投放更多资源也没作用。
其次是了解用户在什么情况下愿意回来,这包括但不限于流失原因改善,除了流失原因改善外还需要相关的促销活动,需要询问流失用户进行了解。
最后是确认进行挽回改善措施会不会引起现有用户的不满,要了解现有用户满意及不满意的方面,确保挽回流失用户的措施不会对现有用户产生影响。
第四步:设计改善措施
知道了用户侧反馈的产品问题,那具体要怎么改善产品呢?建议可以参考“GAP模型”了解缺口在哪里,在哪个环节出现问题。
(1)认知缺口:产品经理不知道用户想要的是什么。若出现了认知缺口,则首先是让产品经理清楚知道用户流失的真正原因。
(2)执行缺口:产品经理知道用户想要什么,但实际做出来的产品与设计中的不一致。若出现了执行缺口,则要了解具体哪个执行步骤出现问题,是资源的欠缺还是技术难以实现。
(3)传递缺口:产品的宣传和指引不能让用户对产品真正认知了解若出现了传递缺口,则要了解用户现在的感知是怎么样的,在哪些宣传和指引上出现了问题。
(4)流失缺口:用户体验到的产品和期望的不一样。
案例:导致用户流失的原因主要是社区游戏单调更新慢
用户期望:多种多样的游戏,希望至少每月推出一款新游戏。
产品经理认知:知道用户期望多种多样的游戏,游戏更新频率越快越好。
设计执行:每周更新一款新游戏、不同类型的游戏上百款。
用户认知:觉得快半年没更新过游戏了,来来去去就只有几款游戏。
从这个案例"数据分析师"可以发现,整个过程中主要是用户认知出现了问题,也就是出现了传递缺口,说明产品的宣传指引做得不好,那我们的改善措施就应放在产品的宣传指引上,增加新游戏的宣传,或在指引中明确告诉用户游戏更新的频率。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 MySQL 实际应用中,“频繁写入同一表” 是常见场景 —— 如实时日志存储(用户操作日志、系统运行日志)、高频交易记录(支付 ...
2025-10-30为帮助教育工作者、研究者科学分析 “班级规模” 与 “平均成绩” 的关联关系,我将从相关系数的核心定义与类型切入,详解 “数 ...
2025-10-30对 CDA(Certified Data Analyst)数据分析师而言,“相关系数” 不是简单的数字计算,而是 “从业务问题出发,量化变量间关联强 ...
2025-10-30在构建前向神经网络(Feedforward Neural Network,简称 FNN)时,“隐藏层数目设多少?每个隐藏层该放多少个神经元?” 是每个 ...
2025-10-29这个问题切中了 Excel 用户的常见困惑 —— 将 “数据可视化工具” 与 “数据挖掘算法” 的功能边界混淆。核心结论是:Excel 透 ...
2025-10-29在 CDA(Certified Data Analyst)数据分析师的工作中,“多组数据差异验证” 是高频需求 —— 例如 “3 家门店的销售额是否有显 ...
2025-10-29在数据分析中,“正态分布” 是许多统计方法(如 t 检验、方差分析、线性回归)的核心假设 —— 数据符合正态分布时,统计检验的 ...
2025-10-28箱线图(Box Plot)作为展示数据分布的核心统计图表,能直观呈现数据的中位数、四分位数、离散程度与异常值,是质量控制、实验分 ...
2025-10-28在 CDA(Certified Data Analyst)数据分析师的工作中,“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23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