下载掌阅APP，畅读海量书库
立即打开
与过去10年相比，最近两年，客户增长得少了，降本增效提得多了，互联网从增量时代进入存量时代。增量时代的核心特点是速度，客户增长是主旋律；存量时代流量成本越来越高，稳定生意最重要。具体怎么做呢？一是培养核心竞争力，二是做用户留存。在增量市场逐渐变为存量市场的阶段，最关键的就是完成从惯于做新用户的生意，向做老用户的生意转变。在对老用户的运营中，最常做的是留存、复购、流失召回。
换回流失用户的好处不言而喻，提升品牌活跃用户占比、延长生命周期、提高收益、降低规模用户总成本等。在做流失召回时，我们通常会遇到这几个问题：这个用户能不能被召回？用什么钩子召回概率更大？召回之后预计能转化多少金额？当遇到这几个疑问时，其实需要解决的是评估每个流失用户的召回概率、偏好、价值这3个问题。
第1步就是从用户生命周期上定义流失用户，流失比较经典的定义是“一段时间内未进行关键行为的用户”，关键点在于如何界定时间周期（流失周期）和关键行为（流失行为）。首先，对于不同的产品关键行为和时间周期都不同。有的产品相对高频，例如外卖平台；有的产品相对低频，例如电商平台，所以必须根据用户使用产品的行为特征、业务属性来定义流失用户，并不是所有的产品都用相同的逻辑，其次，定义流失有不同的方式，常见的方式有拐点法、分位数法和根据业务经验判断法。
拐点法：拐点在数学上指改变曲线向上或向下方向的点，直观地说拐点是使切线穿越曲线的点（曲线的凹凸分界点）。形象地说就是， x 轴上数值的增加会带来 y 轴数值大幅增益（减益），直到超过某个点之后，当 X 增加时 Y 的数据增益（减益）大幅下降，即经济学里的边际收益的大幅减少，那个点就是拐点。在寻找拐点时，以流失周期为 x 轴，以用户回访率为 y 轴作图，用户流失的流失期限与流失用户回归率通常成反比，即随着流失期限增大，流失用户回归率逐渐变小，并逐渐趋近于0。
同时根据产品的特性，可以选择“主动登录”这一行为作为是否流失的关键行为。用户当天（或 X 天）登录则认为是回归用户，当天（或 X 天）未登录则认为是流失用户。利用用户回访率计算用户流失周期的步骤如下：①计算某日登录用户的 N 日回访率，并画出用户回访率时序图。②根据图形，找出对应的拐点，定义出流失周期。例如，如图3-5所示，拐点产生在16天左右，可以选择16天作为用户的流失周期，若用户已经16天左右没有登录App了，则可以采取流失召回动作以吸引用户回归。
理论运用到现实中可能不会奏效，如果没有出现拐点，则该怎么办？在没有拐点的情况下，可以依据业务产品经验或分位数法来判断，一般产品的回访率为5%~10%，不管划分多长的时间周期都会存在回访，误差不可避免。
图3-5 用户回访率拐点法图
分位数法，亦称分位点，是指将一个随机变量的概率分布范围分为几个等份的数值点，常用的有中位数（二分位数）、四分位数、百分位数等。如何通过分位数的方法计算用户的流失周期呢？①计算某个时间登录的用户距离下次登录的时间间隔，并计算各时间间隔用户的占比和累计占比。②找到累计占比90%（或根据业务定义）的时间间隔，即90%分位数，此时的时间间隔就可以作为用户的流失周期。这里的90%分位数，一般是数据分析师和业务人员协商出来的结果，表示有90%比例的用户活跃时间间隔都在某个周期以内，那么如果一个用户在这个周期内不活跃，则之后活跃的可能性也不高。例如，如图3-6所示，90%分位数时间间隔为20天，则可以选取用户的流失周期为20天，若用户已经20天左右没有登录App了，则可以采取流失召回动作以吸引用户回归。
图3-6 用户不同活跃时间间隔分位图
第2步需要明确问题，流失召回的基本问题一般有下面几种：①如果还没有有效召回方案，则问题是设计召回方案以召回用户。②如果方案预算有限，则问题是如何最大化地召回ROAS。③如果已经有历史方案，则问题是如何提升以往方案ROAS。
第3步需要明确评估指标，在明确了问题的基础上，需要将业务梳理一下，然后确定可用的评估体系。假设用户的召回流程是：圈定目标召回用户→设计召回策略→刺激流失用户登录消费。这里可以确定需要评估的圈定用户环节，利用估计各用户在召回后还能产生的价值来划分用户，这里也有很多种做法，①通过用户的消费趋势估计用户召回后的一定时间段内会产生的消费额；②估计不同用户在不同额度消费券刺激下的消费额变化；③将用户的消费额度和用户的消费券刺激下的增加额度相结合，以便划分用户群体。
这里涉及了RFM模型，RFM模型是衡量客户价值和客户创造利益能力的重要工具和手段，其根据最近一次消费时间（Recency）、一定时间内的消费频率（Frequency）、一定时间内的累计消费金额（Monetary）将用户按3个维度分为8层。在实际应用中，首先，根据业务经验，选出每个用户的R、F、M分别代表的指标；其次，求出每类指标的平均值；最后，判断用户的得分与平均值的大小情况，并对用户进行分层。也可以使用机器学习的聚类分析法来对用户进行综合划分。