最主要的3大方面用户运营分析包括哪几个方面( 二 ) _生活知识

我们在拿到样本数据后开始训练模型，针对用户流失预警在建模思路方面有三种算法：
1、cox生存模型：这个模型算法最大的作用是可以分析各个用户变量与流失的关系，并通过生存算法预测出不同用户在未来流失概率。
2、决策树模型：可以提供不同流失的规则集，用户运营可以通过流失规则快速分层用户并进行运营。
3、神经网络模型：可以计算每个用户的流失评分，用户运营可以根据评分高低来确定不同流失风险用户的运营策略。
我们这次建模是通过cox生存模型进行预警，后边还会写文章详细阐述另外两种算法模型的应用。模型搭建效果如下：
我们再来看下模型的效果，以下为本次样本分析数据的实际流失客户。
模型个案处理摘要显示 506 个个案已删失。该数字表示尚未流失的客户量，占比72.3% 。
（一）、哪些维度会影响用户的流失：
最终模型计算出强相关的几个影响指标，包括地址、职业、电话卡服务、无线网服务、有线网络服务、电话时长等。

地址的 Exp(B) 值表示，对于居住在同一地址的客户，每年的流失风险会降低 100%?(100%× 0.972)=2.8%。在同一地址居住两年的客户的流失风险会降低 100%?(100%×0.9722)=5.5% 。
电话卡的 Exp(B) 值表示没有订购电话卡服务的客户流失的风险比率是订购此服务的客户的 2.024 倍。
网络服务的 Exp(B) 值表示未订购网络服务的客户流失的风险比率是订购此服务的客户的 0.577 倍。

（二）、平均客户的存活曲线
客户存活曲线是“平均”客户的模型预测流失时间的可视化显示。X轴显示事件发生的时间。Y轴显示生存概率。存活曲线上的任何一点表示“平均”客户经过某段时间仍未流失的概率。
通过模型输出的结果，我们可以看到随着入网年限的增加，用户的平均生存概率随之下降，当入网年限达到56个月后，曲线形成块状不在平滑，客户生存概率急速下降。那本次案例做用户流失预警的窗口值可以确定为56个月。
确定窗口值后，我们可以将从数据库中筛选入网时长56个月及以上的用户数据输入模型，预测在未来一个季度或不同季度的流失概率。
（三）、模型输出流失用户评分及名单
在模型最底部，我们有一条数据流做流失名单的预测：
如果我们对模型感到满意，那么我们会希望对客户进行评分以确认下一年一个季度内最可能流失的客户。
图中分别是第一季度预测流失27名用户、第二季度预测流失104名用户、第三季度预测流失162名用户，最后一个季度流失213名用户。
从模型导出的明细表中我们可以看到每一个用户的流失概率评分，如何通过流失评分来判断流失倾向，需要用到模型里的累计增益图功能。
三、用户分层运营和数据监测用户标签的意义在于丰富用户运营的场景。
我们通过用户流失预警模型可以获得不同流失风险用户的标签，如果针对单维度用户标签做运营会存在分组用户过多营销资源有限的情况，因此，实际运营中，我们需要建立一套良好的用户分层机制和push机制，做到千人千面个性化营销。
用户分层可以通过多维度交叉实现：
在做日常用户分层运营策略，我们以用户生命周期、用户价值、用户流失预警进行交叉，可以实现多个有营销意义的分组。
不同分组的营销策略不累述，相应讲了不同分组用户如何进行画像，基于画像特征制定不同分组用户的营销策略。
再者就是要做好分组用户的可视化监测：
我们通过这张可视化报表可以了解到做整个用户运营数据BI报表体系，以用户生命周期为框架，动态监测不同生命周期用户的潜力表现和风险表现。
【最主要的3大方面用户运营分析包括哪几个方面】通过风险预警模型输出不同流失风险水平的用户，分布为高流失风险、中流失风险、低流失风险，再结合生命周期的不同标签和用户价值不同的标签，可以分组更多有营销场景意义的用户，比如高流失风险成熟期的高价值用户，这个用户分组以后进行相应的push计划和可视化监测即可。
以上我们阐述了用户流失预警体系的搭建方法，用户运营从大体系来讲，用户建模是基础，用户画像标签的输出离不开模型的支撑，运营掌握一门建模技术方能做好用户运营。