怎么样正当地界说用户散失
本文摘要:订阅专栏撤销订阅 人人都是产品主管内容运营团队3.5万2721很久没有更新博客了,这篇再写一些关于“用户流失”的内容,之前发布的这篇文章对网站的活跃用户、流失用户及新用户流失做了界说,这里修正下对流失用户的英文叫法,一般对流失用户常用的英文为“chur
订阅专栏撤销订阅 人人都是产品主管内容运营团队

3.5万

27

21

很久没有更新博客了,这篇再写一些关于“用户流失”的内容,之前发布的这篇文章对网站的活跃用户、流失用户及新用户流失做了界说,这里修正下对流失用户的英文叫法,一般对流失用户常用的英文为“churn user”,之前用的wastage、away、lost等都不是太规范。后来陆续有做相关分析的朋友问到流失用户的流失时间长度究竟选择多长是合理的,尤其是《网站分析实战》这本书出版之后,我在里边有提到怎么更精确地界说流失的时间长度,可能解释的比较简略,仍是有朋友留言反馈这方面的问题,所以这里再用一篇文章解释一下。

 

流失用户与回访用户

流失用户的界说请参考“网站的活跃用户与流失用户”这篇文章,要解释怎样合理地去界说用户流失时间段长度的问题,需要先介绍一个新的指标概念:回访用户。这里的回访用户不是指Google Analytics上面的Returning Visitor(与新用户相对,指之前拜访过网站的用户再次拜访网站),这里的回访用户指流失之后再次拜访网站的用户,即用户早年流失过,满足流失时间期限内完全没有拜访/登录网站的条件,但之后从头拜访/登录网站。然后,依据回访用户数可以核算得到用户回访率,即:

用户回访率 = 回访用户数 ÷ 流失用户数 × 100%

回访用户率的数值巨细直接地可以验证对用户流失界说的合理性。正常状况下,用户的回访率应该是比较低的,从事务的角度考虑,假如对流失的界说是合理的,那么很难让那些对你的网站现已失掉爱好的用户从头来拜访你的网站。一般状况下,网站的用户回访率应该在10%以下,在5%左右的数值是比较合理的,关于成熟的网站而言用户回访率会稍高,而新兴的网站的用户回访率通常更低,尤其像手机APP这类用户易流失的产品。

流失期限与用户回访率

用户流失的流失期限的长度与用户的回访率成反比,我们在界说用户流失时使用的接连不拜访/登录网站的期限越长,这批流失用户之后回访网站的概率就会越低,并且跟着界说的流失期限的增大,用户回访率一定是递减的,并逐渐趋近于0。那么假如选择适宜的流失期间长度?我们可以设定不同的流失期限长度,进一步统计每一个流失期限的用户回访率,并观察用户回访率随界说的流失期限增大时的收敛速度。假如以“周”为单位设定流失期限:

依据设定的不同流失周期的用户回访率的变化曲线,我们能够使用拐点理论(Elbow Method)选择最适宜的流失周期。

拐点理论:X轴上数值的添加会带来Y轴数值大幅增益(减益),直到超过某个点之后,当X添加时Y的数据增益(减益)大幅下降,即经济学里边的边际收益的大幅减少,那个点就是图表中的“拐点”。比如上图中流失周期添加到5周的时分,用户回访率的缩减速度显着下降,所以这里的5周就是拐点,我们可以用5周作为界说用户流失的期限,即一个之前拜访/登录过的用户,假如之后接连5周都没有拜访/登录,则界说该用户流失。

所以,有个这个方法之后,就可以更加合理地界说流失用户的统计逻辑,而之前要做的就是选择不同的流失期限分别核算用户的回访率,然后用统计的到的数值生成如上的一张带滑润线的散点图,问题就方便的解决。

via:kdd china


我觉得吧,有行业共识的就用共识,跟龙头企业看齐。
没有行业共识的,就自己去试,7天,8天,9天……n天
可是!有可能7天流失回访率是5%,14天流失回访率是20%,而30天流失回访率也是5%


我觉得重点是搞清楚一个人产品的流失究竟怎么界说,有哪些要害指标。界说之后再去看满足界说的用户的精确率是多少,


回访的时间要设置多久才好??时间太长是否是也不太合理?因为回访时间不同也欠好比较


特地为这篇文章注册回复。
依据用户回访率来界说流失,可是用户回访率=回访用户数 ÷ 流失用户数 × 100% ,流失没有界说,怎么核算回访率?


同为这篇文章注册的。。
个人了解,作者说的回访率,按作者的意思,若以1周7天为流失周期,其实就是某天活跃的用户中,接连7天没用产品但第8天又使用了产品的用户有多少;若以2周为流失周期,则指某天活跃的用户中,接连14天没用产品但第15天又使用了产品的用户有多少……顺次类推。所以实践上,这个方法找出来的天数(或周数),就是可以涵盖大部分用户任意2次登录时间间隔最大值的天数。所以若直接统计登录时间间隔的散布,找到这个天数会便利的多。作者的思路是正确的,可能表达得有些绕弯


有一个问题,用户回访率不一定是一直下降的,因为回访用户和流失用户跟着流失最大期限的增大是同时下降的,其比值极可能添加。这个方法感觉在稀疏数据上不可行~


很多数据面前比值也有添加的可能。PS:稀疏数据在做任何分析的时分都不是很可行,数据只有在很多的时分才有意义,小量数据有片面性,


人人都是产品主管(woshipm)是以产品主管、运营为核心的学习、交流、分享平台,集媒体、培训、社群为一体,全方位效劳产品人和运营人,建立9年举行在线讲座500+期,线下分享会300+场,产品主管大会、运营大会20+场,掩盖北上广深杭成都等15个城市,内行业有较高的影响力和知名度。平台集合了众多BAT美团京东滴滴360小米网易等知名互联网公司产品总监和运营总监,他们在这里与你一同生长。