用户流失|用户流失，该怎么分析？最强大脑|企业|IP|迪斯尼|克拉

编辑导语：每一种服务不可能百分百留住客户，通过计算获得的用户流失率似乎看不到什么实质性原因或者不知道怎么分析。在这篇文章里，作者介绍了用户流失分析的常见错误、分析的基本思路、三种类型问题的分析方法以及不同类型业务流失要如何处理，一起来看看吧。

文章插图
有同学问：用户流失该怎么分析？用户流失率的数据可以算，可算出来以后呢？只看数据似乎完全看不出什么流失原因，只知道用户已经X个月没有来了，也不知道看到这个能干啥。今天系统解答一下。
一、用户流失分析常见错误错误1：试图挽留每一位用户这是运营最常见的错误，很多新人都会踩这个坑。不购物了就发券，不登录了摇转盘。结果空烧经费，养出来一帮无利不起早的羊毛客。
实际上，用户流失是不可避免的，天下没有100%的留存。
每种业务都要关注自己的核心用户，在谈及用户流失的时候，我们真正要做的是：把流失率关在笼子里，控制在一个可以接受的水平上。
错误2：试图搞懂每一个流失原因这是分析最常见的错误，很多新人都会踩这个坑。
用户不喜欢？我们没做好？对手太厉害？用户没钱了？——总之想给每个人一个理由。可压根没数据，于是大眼瞪小眼。
实际上，我们没必要、也没能力穷举所有原因。同上一条，我们只要控制可控因素，减少明显错误即可。
错误3：只盯流失不看活跃，事后诸葛这是另一个常见错误。在流失率实际增高以后才开始分析，结果木已成舟，用户都跑了，分析了也没啥用。
流失率是个相对滞后的指标。在数据上“流失”以前，用户可能已经跑掉了，早前几个月就没活跃了。
所以，流失率要和活跃率结合起来看。对于影响用户活跃的事件要尽早关注，对于核心用户活跃率要紧密跟踪，避免事后做无用功。
二、用户流失分析基本思路用户流失分析的目标是把流失率关在笼子里，因此在数据上，我们首先关注的是流失率走势，尤其关注三类问题（如下图所示）。

文章插图

事件型问题。由一次/多次事件引发的短期流失率波动。
系统型问题。公司整体流失率高于同行/经验水平，并且居高不下。
持续型问题。流失率从某时间开始持续增高，未见好转迹象。

流失率是一个和活跃率相对的概念。虽然我们习惯上会给一个“用户X月不登录/不购货”即为流失用户的定义，但当用户已经不活跃的时候，真实的流失可能已经发生了。
为了更好地发现流失问题，往往自然周期和生命周期两种方式，结合活跃率一起看。自然周期往往指向事件型问题（因为事件是按自然日期发生的），生命周期往往指向系统型问题（业务做得不好，用户生命周期短or存在断点）。

文章插图
三、事件型问题分析方法负面的事件会引发用户流失。比如缺货、涨价、系统BUG、用户投诉、对手大促销（我们还恰好没做）等等。这一类事件最容易被识别到。体现在数据上，受事件影响的用户群体活跃率，会在事件发生后应声而落，之后N个月，流失率开始增长。

文章插图
在分析时，需要：

收集并密切注意相关事件。
做好事件归类（内部/外部、系统/价格/商品…）。
锁定受影响用户群体（打好标签以备观察）。
关注受影响用户活跃变化。
观察事件对整体流失影响。

这样就事论事，更容易看出结果。在设计挽留方法时，也更容易对症下药。找到真正让用户不爽的原因，比单纯地塞优惠券更能保留用户。
需注意：正面事件也会提升流失率。特别是用户拉新、促活、留存、唤醒等等。单纯地刺激非消费类软指标，最容易引发虚假繁荣。
客观上，只要有优惠活动，就会吸引套利的羊毛客，这类用户天生流失率就高。
主观上讲，运营方为了制造好看的数据，也会减少限制，留下套利空间。两下作用，使得正面活动的效果往往会打折。比如新用户注册，由拉新活动产生的用户生命周期流失率很容易明显高于正常新用户的（如下图），之后N个月，这一批用户流失率势必高。