
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
Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04