當用戶導入出現(xiàn)異常，找不到原因時，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值，幫助店鋪提升用戶的生命周期，希望對你有所啟發(fā)。

運營背景：在過去一段時期內某生鮮超市一家新店有100萬導入期用戶，僅有15%用戶進入成長期，老客留存率也低于正常新店基準值，如何幫助這家店提升用戶生命周期？

解決這個問題，在用戶策略上我們會分拆幾步：

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

2、 去搭建補貼激勵體系及觸達體系

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N單策略

首先就是洞察已經(jīng)進入成長期用戶的典型路徑和特征，這里先說一下成長期的定義，我們定義用戶成長期的標志是用戶在多長時間內達到多少單會進入一個穩(wěn)定的復購周期，我們通過洞察發(fā)現(xiàn)35天內下完3單的用戶流失率明顯降低，這是我們定義成長期的一個北極星指標。

做用戶路徑洞察的目的是什么呢？

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

第二個是基于最優(yōu)路徑去做運營策略的布局。

比如這家生鮮超市APP，用戶完成1-3單轉化有幾條強路徑。

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：首頁搜索轉化
3. 路徑3：首頁活動專區(qū)

導入期優(yōu)惠券路徑用戶完成三單的占比便達到了60%，說明一個新用戶持續(xù)留存在APP的最優(yōu)路徑就是新人禮包的補貼策略，我們在券包策略方面做了一系列調整，比如我們上過一個新人任務進度提醒產品，用戶每下一單，會在任意頁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，這便是一個非常簡單的激勵體系，這個產品，新客1轉N漏斗提升效果挺明顯，轉2單及以上用戶比例由40%提升到67%。

圍繞“首單+每單購后即時激勵”模式打造，提前鎖定新用戶認知，引導用戶完成0-3單轉化。

二、補貼和激勵

補貼策略制定：

第一建立商品促銷與用戶的匹配策略。

第二建立用戶補貼的評估體系。

第一個，商品促銷用戶匹配在觸達體系中最為關鍵，比如今天是草莓活動，明天是蘋果活動，運營每次推這種活動的時候最頭大的問題就是push和短信該推給哪些用戶，要不無差別覆蓋，用戶每次被打擾一次，要不就是基于用戶點擊數(shù)據(jù)做簡單分層，但發(fā)現(xiàn)并不精準。

解決這個問題的核心就是用偏好時序模型，偏好預測是推薦場景下的一個重要任務，原理是給定用戶先前購買的商品序列，以及商品交互行的時間衰減，利用模型對用戶的下一筆購物行為進行預測。

偏好時序模型運營可以通過SPSS分析得到：

假如這個是用戶訂單底表數(shù)據(jù)，我們通過數(shù)據(jù)來建立一個分析模型：

目標是通過這個訂單底表數(shù)據(jù)建立一個挖掘模型，挖掘用戶的購買序列習慣，并預測用戶下一個購買節(jié)點會購買什么？

我們通過SPSS搭建一個時序分析流，由數(shù)據(jù)模型幫我們進行預測。

這個數(shù)據(jù)流輸出結果是：

用戶時序分析結果翻譯一下：

如果用戶在購買了蘋果和雞蛋后，下一次購買蘋果的置信度是100%（由于實驗數(shù)據(jù)過擬合，所以是100%的概率，真實訂單數(shù)據(jù)的話，置信度越高，表明用戶在購買完蘋果雞蛋后，下一單很高概率購買蘋果）

第二個如何建立用戶的觸達及活動補貼評估體系？

評價指標有兩個，GMV提升率和ROI，比如成長期用戶運營我們是這么AB測試的，把成長期用戶篩出來分為實驗組以及隨機抽取部分用戶作為對照組，比如實驗組是100萬人，對照組是10萬人，實驗組發(fā)20減5的補貼券并通過定向短信通知形式進行干預轉化，對照組不干涉自然轉化。得到干預組的轉化率是10%，對照組是6%。

如果強行說干預策略有效也并不一定有說服力，因為發(fā)券必然會導致轉化提升，所以我們要看GMV提升率和ROI的增益是否達到預期。

簡單來講就是這100萬人在干預前和干預后的增益率對比

GMV提升率=GMV提升部分/GMV基線，比如我們這個案例中GMV基線如果不干涉自然轉化下單是6萬人，按照20元客單來計算，GMV是120萬。干涉后按照15客單計算，GMV是150萬，增益GMV是30萬，GMV提升率25%。

然后計算成本部分 券成本是50萬，短信成本以1毛來計算，10萬元，總計成本是60萬，發(fā)現(xiàn)ROI=0.5 發(fā)現(xiàn)20減5并沒達到預期，對吧，然后相同思路再去測45減10券，把用戶客單去拔高，直到ROI遠遠高出1，才證明這部分用戶補貼有效。

最終我們可以把ROI和GMV提升率構成一個矩陣，把所有補貼折扣、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、用戶流失預警管理項目

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

預警模型可以將月均滾動流失率降到6%左右，提前干預轉化率提升到10%。我來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警
3. 第三部分是召回策略

模型搭建涉及流失時間窗口定義、流失特征定義、算法建模三部分。

流失時間定義方法就是按照流失回歸率的拐點來定，具體不講了。

流失特征定義對于模型設計來說是核心，特征構建我們會從具體流失場景挖掘建模指標，比如某些用戶流失原因是因為配送服務體驗差，并且投訴后沒有很好解決，這個場景下可以衍生幾個指標用于預測用戶流失，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聯(lián)關系，同理，因為優(yōu)惠少、商品種類少等等場景都可以用指標來描述。

算法部分就是一個二分類預測建模問題，可以用到的算法邏輯回歸、決策樹等，評價算法指標像AUC值、精準率、召回率等，建模過程中基于這些數(shù)據(jù)進行樣本特征的篩選。

召回策略方面，因為預警的用戶并沒有真正流失，這就有充分的時間去洞察用戶歷史偏好度，去做針對性的召回策略，但這里實施時候會遇到2個問題：

第一個就是所有的用戶數(shù)據(jù)一同灌入模型，得出預測結果。但這樣做往往會遇到一個問題，就是預測出來的流失用戶，更偏向于低活，而高活用戶預測流失召回卻基本為0。所以為了避免這樣的問題，可以將不同活躍度用戶分別搭建模型。

第二個就是模型準確率和召回率很難同時達到雙高水平，這個時候可以根據(jù)預警目標來進行參數(shù)調優(yōu)，高成本的召回策略（消費券發(fā)放）更關注流失預警的準確率；高覆蓋的召回策略（端內Push）更關注流失預警的召回率。

以上是我實戰(zhàn)分享，用戶運營離不開洞察和模型的搭建，洞察如用戶行為路徑、用戶時序習慣分析和預測，模型更不用說了，搭建時序預測模型和用戶流失預警模型，除了算法工程師建模之外，運營可以使用SPSS分析軟件搭建用戶模型，只需了解SPSS使用方法即可，這樣可以基于結論迅速假設-執(zhí)行-驗證，而效率卻遠遠高于算法工程師所謂的大數(shù)據(jù)挖掘，即使大數(shù)據(jù)挖掘的再精細也是一個漫長的過程，所謂效率決定一切！