数据分析咖哥十话——实践篇——卷三：留存
聚焦于留存》如何提高LTV》如何开发出优质产品》如何提升企业长期核心价值聚焦于流失》用户为何不在使用产品》如何挽回用户》运营策略评估流失分为：1）响应式流失：对特定的负面事件或体验做出反应，突然停止之前使用的产品或服务2）预期式流失：是渐进的、缓慢发生的、无特定触发因素驱动的流失降低流失：重视用户的感受、和用户保持沟通、与用户维系好关系（用户思维）1）我们通过Lifelines库，为分析了目前江里
目录
6.4.3 使用Kaplan-Meier生存模型输出留存曲线
| 阶段 | 任务 |
关键指 标 |
| 留存阶段 | 让用户持续使用产品形成粘性 | 用户活跃度 留存率 |
第六话、通过行为分析提高留存
6.1 如何留住老用户?
用户流失代表着LTV 降低。因此需要找到流失原因，什么类型用户容易流失、流失行为预警
6.2 留存与流失
6.2.1 老用户留存很重要
新客的获客成本高，且老用户留存提高，则LTV大大增加
关键节点：激活用户；让用户持续使用产品，形成粘性；持续提升产品价值
6.2.2 流失率的定义与流失原因
聚焦于留存》如何提高LTV》如何开发出优质产品》如何提升企业长期核心价值
聚焦于流失》用户为何不在使用产品》如何挽回用户》运营策略评估
流失分为：
1）响应式流失：对特定的负面事件或体验做出反应，突然停止之前使用的产品或服务
2）预期式流失：是渐进的、缓慢发生的、无特定触发因素驱动的流失
降低流失：重视用户的感受、和用户保持沟通、与用户维系好关系（用户思维）
6.2.3 数据驱动下的用户管理
流失管理的核心在于能够识别流失预警信号
1、要搜集的数据
包括日/月消费次数、日/月活跃人数、日/月消费人数、日/月消费人数占比、日/月人均消费次数等
2、如何基于数据分析流失
- 采用机器学习的方法，根据历史数据预测一个用户的流失风险是高还是低
- 使用决策树或者聚类工具将用户群体按照不同的行为特征进行划分，从而识别出流失风险高的用户群体
- 用户流失触发因素的研究也比较重要，其中包含内部触发因素（产品问题）和外部触发因素（竞对降价、抢用户）
6.3 工具：生存分析工具包和逻辑回归算法
6.3.1 用生命线库Lifelines进行留存分析
生命线库中的Cox模型可以给出不同用户行为和产品特征对流失率的影响
6.3.2 用逻辑回归算法预测用户流失
适用于分类问题（离散变量）
from sklearn.datasets import load_iris #导入鸢尾花数据集
from sklearn.linear_model import LogisticRegression #导入逻辑回归模型
X, y = load_iris(return_X_y=True) #构建鸢尾花数据集
model = LogisticRegression(random_state=0) #构建逻辑回归模型
model.fit(X, y) #进行模型的拟合
model.predict(X[:2, :]) #模型的预测结果
model.predict_proba(X[:2, :]) #模型预测的概率值
model.score(X, y) #模型的分数 0.966.4 实战：分析用户的留存和流失
6.4.1 梳理思路
1）通过生存分析工具包显示用户的流失情况，以及各指标和流失率的相关性；
2）通过逻辑回归的机器学习方法将用户分类，找出高流失风险的用户。
6.4.2 数据导入和数据清洗
6.4.3 使用Kaplan-Meier生存模型输出留存曲线
“入会月数”、“已停付会费” 与 存活时间关系密切
导入生命线库并通过其中的Kaplan-Meier模型来查看普通用户的生存率。这个模型可以拟合用户数据，并绘制出含置信区间[2]的用户留存曲线
将“入会月数”、“已停付会费”导入到模型中
结论：在20个月后，老用户继续维持会员状态的概率超过80％；而在70个月之后，也就是注册为会员5年之后，老用户的留存率仍然在50％以上
因此，老用户的留存做的不错
6.4.4 通过留存曲线比较各因子对流失率的影响
有了这个函数，就可以绘制不同用户细分类别的留存曲线，并进行对比
结论：如果选择就餐时支付会费，那么留存会大大降低，造成大幅度流失；手工转账也会造成一定的会员流失；较好的支付方式是 微信自动扣款和花呗付款
结论：月卡留存降低的最快，其次是年卡，双年卡的留存最好，因此要让客户办长期卡
结论：趋势基本保持一致，表明性别对用户留存的影响并不是十分明显
6.4.5 使用Cox危害系数模型分析流失影响因子
知道了各类用户的留存情况，下一步分析不同指标对用户流失的影响有多大
使用Cox危害系数模型 看 因子对留存的影响。
使用该模型之前，需要把每个字段都规范成Cox危害系数模型可以读取的格式
使用pd.get_dummies()方法把多类别字段分解为多个二元类别字段，即哑变量
如：会员卡类型拆分成（会员卡_年卡、会员卡_月卡，会员卡_双年卡）
6.4.6 通过机器学习方法预测用户流失率
根据老用户的数据，创建并拟合机器学习模型对新用户是否会流失进行推测
机器学习模型能够准确判定某用户是否具有高流失的风险，从而确定该用户是否需要被重点关注
监督学习需要构建 特征集各标签集
6.5 总结
1）我们通过Lifelines库，为分析了目前江里捞用户留存的现状，以及未来需要注意的重点。
2）而逻辑回归模型则告诉运营，哪些客户是他们的运营团队急需关注的对象
在进一步细化模型后，则需要详细分析老用户的留存原因，之后采取策略引导用户的行为习惯，以将用户价值最大化。
具体来说，可以采取以下3个引导策略：
第一，要尽可能说服用户购买长期会员卡
第二，对不同用户群体制订不同的留存策略。例如，对于有小孩的用户，可以增加儿童套餐，因为孩子的要求父母往往不会拒绝；另外，高收入的用户群体一般也不会轻易放弃会员资格。因为他们的时间成本很高，一般不会为会费而烦恼，可以为这类用户设计出更高端的会员类型
第三，选择便捷的付款方式，要确保用户缴纳会费时的默认选项是“自动付款”。否则，对很多怕麻烦的人来说，烦琐的会费支付方式会成为一种负担。
此外，
进一步行动，还有以下思路：
第一，进一步完善用户价值体系（参见第二话中的RFM细分）和留存模型
第二，建立灵活的运营流程，制订不同的留存策略和关系维系体系
第三，确保所有增加营收的项目都以提高用户忠诚度为基础
第四，设计一个提前预警系统，用来指导运营团队通过快速行动留住即将流失的老用户。
第七话、从内容分析发现价值
提高留存率的核心：持续输出更好的内容和产品
7.1 什么样的视频会成为爆款？
视频类型，粉丝基数，特殊词条？
根据数据集中字段进行分析
7.2 产品分析
7.2.1 产品分析与pdd案例
产品分析可以做：成本分析、职能分析（要实现什么功能）、功能分析（如何实现）、性能分析、观感分析、用户体验分析、安全与隐私分析、风险评估分析
7.2.2 产品热度的时间序列曲线
时间序列曲线 + 内部销售数据，可以通过回归、AR、MA、ARMA、ARIMA等时序模型进行预测
7.2.3 产品销售的总量和增速矩阵
将上面的矩阵中总量小、增速快的产品定义为新型品类。这类产品往往是互联网电商公司需要关注的焦点，因为它们有潜力实现更多的增长。
7.2.4 与内容相关的典型流量指标
1）流量数量指标：PV、UV、BR（跳出率）、CVR（转化率）
2）流量质量指标：访问深度（人均内容浏览量）、停留时长、点赞数、转发量
3）内容质量指标：消费用户占比、消费用户访问量占比、消费用户人均访问量
7.3 工具：自然语言处理
分析网站中视频评论等文字的情感属性，如每一类视频是好评多还是差评多
7.3.1 自然语言处理中的基本概念
让机器理解人类语言，NLP。
7.4 实战：某网站视频流量、热度和情感属性分析
df_video.groupby(['分类','在榜天数']).count()['视频ID'].unstack().clip(upper=300)
unstack()：
clip(lower=100，upper=300):
将超过300的元素都设置为300，小于100的元素都设置为100
DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐
10
0- 0
已为社区贡献2条内容
所有评论(0)