总算是把用户流失分析讲清楚了！

最近做了一些用户流失、生命周期分析相关的项目（电商领域）。些许实战经验，趁周末和大家聊聊。

经常听到有人提起“用户流失”这个概念。

有时候出自老板之口，他可能参与了几场业内交流会，听到“拉一个新用户的成本是维护老用户的10倍”，亦或是对于行业流量见顶的焦虑，深感阻止用户流失刻不容缓。

有时候出自运营之口，他们觉得花了老大劲儿拉来的用户，总得做点什么，不能让用户白白流失掉。不过更多时候，是KPI没完成，想把锅甩给用户流失的大趋势。

有时候出自分析师之口，对用户做了分层/分类之后，发现其中有那么一两类用户即将流失，需要针对性做点什么动作挽回。

我发现，大家虽然聊的都是“用户流失”四个大字，但往往不在一个频道。

究其根源，不同行业，不同岗位，对“什么样的用户行为算流失”这个问题的理解，千差万别。

注：不同行业，对用户的叫法会有些差别，例如电商行业会把购买的消费者叫做客户。本文为了易于理解，统一称为用户。

用户流失的两个关键

我们聊用户流失，首先要搞清楚的是“什么样的用户行为才算是流失”

这个问题，看似很难回答，不过只要抓住两个关键点，就能从容破题。

一是“动作”，二是“时间范围”。

用户什么动作，对我们来说是关键行为？

可能是登录，可能是使用时长，在电商行业更关注的是购买。

有了动作，还需要时间范围来判断流失与否。

通常用“是否超过了某个时间范围”来判断。

如果是电商品牌，一个用户，最近一次购买我们的产品，距离今天已经超过2年了，那他大概率已经流失，再也不会购买我们的产品了。

这两个关键点都很容易确定。动作嘛，大家很容易在内部达成共识；时间范围嘛，则是很容易吵得焦头烂额。

“凭什么你觉得一个用户2年没复购算流失？能不能有点危机意识！我偏要觉得2个月没复购就算流失！”

那，怎么样通过具体的时间范围来定义用户流失状态呢？

简单粗犷地界定

对于没什么数据参考，追求快决策，或者说大家不那么重视数据的公司，拍脑袋决策永不过时。

根据所谓的行业经验，直接拍一个数字。例如超过120天未回购的用户是流失用户，或者拍一个超过1年没回购的用户是流失用户，需要一波唤醒操作。

至于为什么阈值是120天，150天，180天或是1年，答曰经验。

严谨点的会说是行业通用法则或者是参考产品消耗周期，但这么回答的，大概率是没有真正调研过行业具体情况，更没有拉过各种产品消耗周期数据的。

拍脑袋界定用户流失周期的方法，简单，粗暴，结果的可执行程度和拍脑袋人的层级有关。如果是老板拍的，那必然是蕴含了丰富的行业经验，大家也会找一些数据来佐证合理性。如果是实习生拍的，那必然要被拍一顿。

怎么用量化的方式，更科学的界定流失时间范围呢？

如何用数据科学界定流失

先聊聊个体。

因为对产品、品牌无感，或者经历了很差的购物体验，有的用户虽然最后一次购买距今只有15天，但其实已经流失了。

有的用户沉寂150多天，就是为了等下波大促囤货。

还有用户已经1年多未复购过，但是一年半后他又回来复购了。

个体视角，能刻画出非常多有趣、生动的用户购买行为。不过要做分析，还得跳脱出个体，在更宏观的层面把握整体脉络。

量化的核心逻辑，是挖掘出不同时间范围用户，在此后一段时间的回购率分布。

通过用户最近一次交易行为距离某个时间点的远近，以及对应回购的概率，来描绘分布，找到拐点（魔法数字）。

第一步，设定一个时间锚点，界定区间。

比如2021年1月1日。以此时间点为分界锚点，确定流失分析的时间区间和回购分析的时间区间。

区间的界定有一定灵活性，回购分析区间的时间要尽量覆盖锚点前用户的预期复购时间，不能太短，一般会在3个月以上。

假设案例中的品牌消耗周期较长，有大促囤货心智，所以回购分析区间长度是一年。

第二步，在流失区间内分析用户距锚点的时间差。

说起来有点拗口，通过一张图来总结就很形象了。

在流失分析区间内，我们统计出每个用户最后一次的购买时间，并计算最后一次购买时间，和时间锚点的间隔天数（距锚点的时间差）。

例如A用户，他在2021年1月1日之前购买了非常多次，但我们关注的是他最近一次购买时间2020年1月1日，这个日期距离时间锚点2021年1月1日，间隔了366天。B、C和其他用户也是一样的道理。

第三步，判断回购区间内是否回购。

A用户，虽然在流失分析区间的时间范围内，最后一次购买距离时间锚点已经间隔了366天，但是他在回购分析的区间内（2021年1月1日——2021年12月31日）又回来购买了。

这一步是在前面流失分析的基础上，判断每一个用户在回购分析区间内是否复购。

第四步，跳出个体用户视角，分析 距锚点的时间差 和 回购区间是否购买 的分布关系

有了个体用户视角的明细数据，根据距锚点的时间差和回购区间内是否回购这两列数据，很容易透视得到汇总的数据：

用可视化刻画更加清晰：

结果显而易见：不同的时间差区间，回购的概率差异很大。

最近一次购买时间距离锚点30天以内的用户，在锚点之后的时间范围，回购概率高达35%。最后一次购买时间越远，其后回购的可能性也越低。

根据分布图，有两种方法可以帮助我们解决“到底几天才算是流失”的问题。

可接受阈值法：

不同的业务模式、阶段，对用户流失的容忍度是不同的。有的业务模式认为用户回购概率低于15%，就应该算流失，做相关的预警和召回动作。那从图上来看，150天是一个合适的阈值。因为一旦超过150天，用户的回购率就低于15%。

拐点法：

还有一种拐点法。

通过观察曲线拐点，我们发现211-240天之后，用户回购率有一个明显的崎岖（下拐），从11%下跌至不足7%。意味着超过240天，用户回购率有一个明显到肉眼可见的下降幅度，突破了原有的平滑趋势。

可以把240天这个突破点（拐点）作为用户是否流失的阈值。如果用户最近一次购买距今已经超过240天，那他很可能已经流失。

拐点法除了要判断拐点，在用的时候，也要结合不同区间的量级分布。

后话

时间和篇幅有限，今天主要和大家聊了如何界定用户流失这个小话题。方法有通用性和科学性，但还是需要结合实际场景，才能发挥出更大的价值。

用户分析是个很大的命题。界定用户流失只是第一步，接下来的一段时间，会不定期分享我的所做，所感，所悟。

对比Excel系列图书累积销量达15w册，让你轻松掌握数据分析技能，感兴趣的同学可以点击下方链接了解：