當(dāng)用戶導(dǎo)入出現(xiàn)異常，找不到原因時(shí)，你都是怎么解決的？本文以某生鮮超市為例，解析如何解決老客留存率也低于正常新店基準(zhǔn)值，幫助店鋪提升用戶的生命周期，希望對(duì)你有所啟發(fā)。

運(yùn)營(yíng)背景：在過(guò)去一段時(shí)期內(nèi)某生鮮超市一家新店有100萬(wàn)導(dǎo)入期用戶，僅有15%用戶進(jìn)入成長(zhǎng)期，老客留存率也低于正常新店基準(zhǔn)值，如何幫助這家店提升用戶生命周期？

解決這個(gè)問(wèn)題，在用戶策略上我們會(huì)分拆幾步：

1、 洞察用戶從導(dǎo)入期到成長(zhǎng)期的典型用戶路徑和特征是什么，去找發(fā)力點(diǎn)做優(yōu)化

2、 去搭建補(bǔ)貼激勵(lì)體系及觸達(dá)體系

3、 去搭建防流失管理體系

一、基于最優(yōu)路徑做用戶的1轉(zhuǎn)N單策略

首先就是洞察已經(jīng)進(jìn)入成長(zhǎng)期用戶的典型路徑和特征，這里先說(shuō)一下成長(zhǎng)期的定義，我們定義用戶成長(zhǎng)期的標(biāo)志是用戶在多長(zhǎng)時(shí)間內(nèi)達(dá)到多少單會(huì)進(jìn)入一個(gè)穩(wěn)定的復(fù)購(gòu)周期，我們通過(guò)洞察發(fā)現(xiàn)35天內(nèi)下完3單的用戶流失率明顯降低，這是我們定義成長(zhǎng)期的一個(gè)北極星指標(biāo)。

做用戶路徑洞察的目的是什么呢？

第一個(gè)目的是分析用戶從導(dǎo)入期到成長(zhǎng)期到底是路徑1更優(yōu)還是路徑2更優(yōu)。

第二個(gè)是基于最優(yōu)路徑去做運(yùn)營(yíng)策略的布局。

比如這家生鮮超市APP，用戶完成1-3單轉(zhuǎn)化有幾條強(qiáng)路徑。

1. 路徑1：優(yōu)惠券列表-去使用-可用券商品區(qū)下單
2. 路徑2：首頁(yè)搜索轉(zhuǎn)化
3. 路徑3：首頁(yè)活動(dòng)專(zhuān)區(qū)

導(dǎo)入期優(yōu)惠券路徑用戶完成三單的占比便達(dá)到了60%，說(shuō)明一個(gè)新用戶持續(xù)留存在APP的最優(yōu)路徑就是新人禮包的補(bǔ)貼策略，我們?cè)谌呗苑矫孀隽艘幌盗姓{(diào)整，比如我們上過(guò)一個(gè)新人任務(wù)進(jìn)度提醒產(chǎn)品，用戶每下一單，會(huì)在任意頁(yè)面最頂端通欄顯示下一單的優(yōu)惠以及完成3單后的驚喜禮包，這便是一個(gè)非常簡(jiǎn)單的激勵(lì)體系，這個(gè)產(chǎn)品，新客1轉(zhuǎn)N漏斗提升效果挺明顯，轉(zhuǎn)2單及以上用戶比例由40%提升到67%。

圍繞“首單+每單購(gòu)后即時(shí)激勵(lì)”模式打造，提前鎖定新用戶認(rèn)知，引導(dǎo)用戶完成0-3單轉(zhuǎn)化。

二、補(bǔ)貼和激勵(lì)

補(bǔ)貼策略制定：

第一建立商品促銷(xiāo)與用戶的匹配策略。

第二建立用戶補(bǔ)貼的評(píng)估體系。

第一個(gè)，商品促銷(xiāo)用戶匹配在觸達(dá)體系中最為關(guān)鍵，比如今天是草莓活動(dòng)，明天是蘋(píng)果活動(dòng)，運(yùn)營(yíng)每次推這種活動(dòng)的時(shí)候最頭大的問(wèn)題就是push和短信該推給哪些用戶，要不無(wú)差別覆蓋，用戶每次被打擾一次，要不就是基于用戶點(diǎn)擊數(shù)據(jù)做簡(jiǎn)單分層，但發(fā)現(xiàn)并不精準(zhǔn)。

解決這個(gè)問(wèn)題的核心就是用偏好時(shí)序模型，偏好預(yù)測(cè)是推薦場(chǎng)景下的一個(gè)重要任務(wù)，原理是給定用戶先前購(gòu)買(mǎi)的商品序列，以及商品交互行的時(shí)間衰減，利用模型對(duì)用戶的下一筆購(gòu)物行為進(jìn)行預(yù)測(cè)。

偏好時(shí)序模型運(yùn)營(yíng)可以通過(guò)SPSS分析得到：

假如這個(gè)是用戶訂單底表數(shù)據(jù)，我們通過(guò)數(shù)據(jù)來(lái)建立一個(gè)分析模型：

目標(biāo)是通過(guò)這個(gè)訂單底表數(shù)據(jù)建立一個(gè)挖掘模型，挖掘用戶的購(gòu)買(mǎi)序列習(xí)慣，并預(yù)測(cè)用戶下一個(gè)購(gòu)買(mǎi)節(jié)點(diǎn)會(huì)購(gòu)買(mǎi)什么？

我們通過(guò)SPSS搭建一個(gè)時(shí)序分析流，由數(shù)據(jù)模型幫我們進(jìn)行預(yù)測(cè)。

這個(gè)數(shù)據(jù)流輸出結(jié)果是：

用戶時(shí)序分析結(jié)果翻譯一下：

如果用戶在購(gòu)買(mǎi)了蘋(píng)果和雞蛋后，下一次購(gòu)買(mǎi)蘋(píng)果的置信度是100%（由于實(shí)驗(yàn)數(shù)據(jù)過(guò)擬合，所以是100%的概率，真實(shí)訂單數(shù)據(jù)的話，置信度越高，表明用戶在購(gòu)買(mǎi)完蘋(píng)果雞蛋后，下一單很高概率購(gòu)買(mǎi)蘋(píng)果）

第二個(gè)如何建立用戶的觸達(dá)及活動(dòng)補(bǔ)貼評(píng)估體系？

評(píng)價(jià)指標(biāo)有兩個(gè)，GMV提升率和ROI，比如成長(zhǎng)期用戶運(yùn)營(yíng)我們是這么AB測(cè)試的，把成長(zhǎng)期用戶篩出來(lái)分為實(shí)驗(yàn)組以及隨機(jī)抽取部分用戶作為對(duì)照組，比如實(shí)驗(yàn)組是100萬(wàn)人，對(duì)照組是10萬(wàn)人，實(shí)驗(yàn)組發(fā)20減5的補(bǔ)貼券并通過(guò)定向短信通知形式進(jìn)行干預(yù)轉(zhuǎn)化，對(duì)照組不干涉自然轉(zhuǎn)化。得到干預(yù)組的轉(zhuǎn)化率是10%，對(duì)照組是6%。

如果強(qiáng)行說(shuō)干預(yù)策略有效也并不一定有說(shuō)服力，因?yàn)榘l(fā)券必然會(huì)導(dǎo)致轉(zhuǎn)化提升，所以我們要看GMV提升率和ROI的增益是否達(dá)到預(yù)期。

簡(jiǎn)單來(lái)講就是這100萬(wàn)人在干預(yù)前和干預(yù)后的增益率對(duì)比

GMV提升率=GMV提升部分/GMV基線，比如我們這個(gè)案例中GMV基線如果不干涉自然轉(zhuǎn)化下單是6萬(wàn)人，按照20元客單來(lái)計(jì)算，GMV是120萬(wàn)。干涉后按照15客單計(jì)算，GMV是150萬(wàn)，增益GMV是30萬(wàn)，GMV提升率25%。

然后計(jì)算成本部分 券成本是50萬(wàn)，短信成本以1毛來(lái)計(jì)算，10萬(wàn)元，總計(jì)成本是60萬(wàn)，發(fā)現(xiàn)ROI=0.5 發(fā)現(xiàn)20減5并沒(méi)達(dá)到預(yù)期，對(duì)吧，然后相同思路再去測(cè)45減10券，把用戶客單去拔高，直到ROI遠(yuǎn)遠(yuǎn)高出1，才證明這部分用戶補(bǔ)貼有效。

最終我們可以把ROI和GMV提升率構(gòu)成一個(gè)矩陣，把所有補(bǔ)貼折扣、券放入矩陣中，去看ROI和GMV提升率最大的氣泡分布在哪里。這就是基于歷史沉淀打法和策略。

三、用戶流失預(yù)警管理項(xiàng)目

假如月均滾動(dòng)流失率是在10%左右，預(yù)警項(xiàng)目前，每周會(huì)固定把符合流失定義的用戶篩選出來(lái)，假如1000萬(wàn)MAU，每周的召回覆蓋人數(shù)大約就是100萬(wàn)，短信點(diǎn)擊率是0.4%左右，訂單轉(zhuǎn)化率5%，每次最多召回200人，可想召回效率有多低。

預(yù)警模型可以將月均滾動(dòng)流失率降到6%左右，提前干預(yù)轉(zhuǎn)化率提升到10%。我來(lái)講下具體是怎么做到的。

1. 第一部分是模型的搭建
2. 第二部分是用戶分層的預(yù)警
3. 第三部分是召回策略

模型搭建涉及流失時(shí)間窗口定義、流失特征定義、算法建模三部分。

流失時(shí)間定義方法就是按照流失回歸率的拐點(diǎn)來(lái)定，具體不講了。

流失特征定義對(duì)于模型設(shè)計(jì)來(lái)說(shuō)是核心，特征構(gòu)建我們會(huì)從具體流失場(chǎng)景挖掘建模指標(biāo)，比如某些用戶流失原因是因?yàn)榕渌头?wù)體驗(yàn)差，并且投訴后沒(méi)有很好解決，這個(gè)場(chǎng)景下可以衍生幾個(gè)指標(biāo)用于預(yù)測(cè)用戶流失，比如派送次數(shù)、投訴次數(shù)、投訴解決比例，可以分析和流失之間的關(guān)聯(lián)關(guān)系，同理，因?yàn)閮?yōu)惠少、商品種類(lèi)少等等場(chǎng)景都可以用指標(biāo)來(lái)描述。

算法部分就是一個(gè)二分類(lèi)預(yù)測(cè)建模問(wèn)題，可以用到的算法邏輯回歸、決策樹(shù)等，評(píng)價(jià)算法指標(biāo)像AUC值、精準(zhǔn)率、召回率等，建模過(guò)程中基于這些數(shù)據(jù)進(jìn)行樣本特征的篩選。

召回策略方面，因?yàn)轭A(yù)警的用戶并沒(méi)有真正流失，這就有充分的時(shí)間去洞察用戶歷史偏好度，去做針對(duì)性的召回策略，但這里實(shí)施時(shí)候會(huì)遇到2個(gè)問(wèn)題：

第一個(gè)就是所有的用戶數(shù)據(jù)一同灌入模型，得出預(yù)測(cè)結(jié)果。但這樣做往往會(huì)遇到一個(gè)問(wèn)題，就是預(yù)測(cè)出來(lái)的流失用戶，更偏向于低活，而高活用戶預(yù)測(cè)流失召回卻基本為0。所以為了避免這樣的問(wèn)題，可以將不同活躍度用戶分別搭建模型。

第二個(gè)就是模型準(zhǔn)確率和召回率很難同時(shí)達(dá)到雙高水平，這個(gè)時(shí)候可以根據(jù)預(yù)警目標(biāo)來(lái)進(jìn)行參數(shù)調(diào)優(yōu)，高成本的召回策略（消費(fèi)券發(fā)放）更關(guān)注流失預(yù)警的準(zhǔn)確率；高覆蓋的召回策略（端內(nèi)Push）更關(guān)注流失預(yù)警的召回率。

以上是我實(shí)戰(zhàn)分享，用戶運(yùn)營(yíng)離不開(kāi)洞察和模型的搭建，洞察如用戶行為路徑、用戶時(shí)序習(xí)慣分析和預(yù)測(cè)，模型更不用說(shuō)了，搭建時(shí)序預(yù)測(cè)模型和用戶流失預(yù)警模型，除了算法工程師建模之外，運(yùn)營(yíng)可以使用SPSS分析軟件搭建用戶模型，只需了解SPSS使用方法即可，這樣可以基于結(jié)論迅速假設(shè)-執(zhí)行-驗(yàn)證，而效率卻遠(yuǎn)遠(yuǎn)高于算法工程師所謂的大數(shù)據(jù)挖掘，即使大數(shù)據(jù)挖掘的再精細(xì)也是一個(gè)漫長(zhǎng)的過(guò)程，所謂效率決定一切！