我們如何去建立流失預警模型呢？答案如下：

模型建立的第一步：

1、我們並不應該直接去拉出資料看那些已經流失的使用者都沒有做什麼，而是去看那些依然留存的使用者，他們做過什麼，從中提取出共性。

也就是說，我們需要明確自己的產品中，究竟是什麼讓使用者留下來。

那麼簡單來說，就是要把事件、時間、次數這三個維度理清楚：在多久的時間週期裡，一個事件重複做了幾次。

接下來進入第二步。

2、用第一步歸納出來的不同特徵的事件模型去對比已經流失的使用者群體的事件特徵。從而找到關鍵事件特徵。

上一步，我們可能獲得了N類事件，但並沒有證明這些事件與使用者的流失之間存在必然的相關性。

於是，我們需要去對比真實流失的使用者群體，來判斷哪些事件可能存在相關性。

到這一步，我們或許可以把模型縮小，從而獲得若干個推測模型，將他們分別列出，並且進入第三步。

3、使用推測流失模型給使用者分層

這一步的關鍵，是透過第二步獲得的N個推測模型，去按照模型把使用者分成多個不同的2層使用者：

留存活躍層、疑似報警層

符合留存模型的使用者，和符合推測流失模型的使用者會根據不同的推測模型放入不同的使用者池中。

4、擬定預警措施，並測試，最後固化預警模型。

好了，做完前三步，你已經有了數個懷疑會流失的使用者群體，接下來你就需要去製作預警措施，舉例，某社群運營根據前三步，擬出了下列一些推測模型：

模型一：使用者註冊後7日內每日未瀏覽超過3篇文章

模型二：使用者註冊後7日內未Follow超過10位作者

模型四：使用者註冊後7日內未被follow超過10人

接下來就是測試。

對模型一到模型五的使用者在註冊後7日內，去實施對應的條件，看哪一個模型最能推動使用者活躍和留存——即，實施後使得7日留存率上升較大比例，最高的那個可能就是最有效的。

當然，在測試的過程中，同時需要測試，用什麼方法來召回效果是最好的，這個就不展開了，大家去測就得了。

5、將模型應用到激勵體系中去，促進留存與活躍。

「召回」永遠不應該是運營要投入大量精力的領域，因為「召回」的價效比很低，所以，當你的流失預警模型、召回策略有效的時候，你應該趕緊推動策略固化成使用者激勵體系的一部分，讓他們幫助你更好的去促進新使用者的留存與活躍。

舉例，依然是上面的例子：

模型一：使用者註冊後7日內每日未瀏覽超過3篇文章

模型二：使用者註冊後7日內未Follow超過10位作者

模型四：使用者註冊後7日內未被follow超過10人

如果產品中本身就具有積分體系，那麼完全可以增加「積分獲取」任務：

這個時候，其實就完成了矛盾的轉移：從「召回」使用者改變為讓使用者更加活躍。

從而形成良性迴圈。

從運營的動作來說，每一步針對使用者的動作，都不應該是割裂看待的，而是要想辦法把不同的目的融入到同一個動作中去，這樣才能減少每一步的運營投入，並提升運營的效率。

期望可以幫的到您

所謂的「模型搭建」的問題，先說一個可能你已經聽膩了的故事：

所有的產品都有他的魔法數字，譬如，Twitter發現新使用者在30天內如果關注超過30個物件，那麼這些使用者的持續活躍的可能性將大大上升；Linkedin發現新使用者如果在一週內新增超過5個聯絡人，那麼它的留存率會提升3-5倍；Dropbox發現使用者只要使用了一次資料夾功能，那麼它的留存會大大提升。

引用外部內容

把故事裡的數字反過來，就是流失預警要考慮的內容：

如果一個加入了Twitter的新使用者沒有在30天內關注超過30個人，那麼它可能就會沉睡，或者流失；如果一個使用Linkedin的新使用者沒有在一週內新增超過5個聯絡人，那麼它大機率會流失；如果一個使用Dropbox的新使用者沒有使用過資料夾功能，那麼它很可能會流失。

所以，對提升留存來說，需要促進使用者去做出對應的動作，而對於流失預警來說，當用戶沒有做出對應動作的時候，就要啟用干涉動作，否則就會流失。

那麼，我們如何去建立流失預警模型呢？

你應該已經猜到了這個模型建立的第一步：

1、我們並不應該直接去拉出資料看那些已經流失的使用者都沒有做什麼，而是去看那些依然留存的使用者，他們做過什麼，從中提取出共性。

也就是說，我們需要明確自己的產品中，究竟是什麼讓使用者留下來。

那麼簡單來說，就是要把事件、時間、次數這三個維度理清楚：在多久的時間週期裡，一個事件重複做了幾次。

接下來進入第二步。

2、用第一步歸納出來的不同特徵的事件模型去對比已經流失的使用者群體的事件特徵。從而找到關鍵事件特徵。

上一步，我們可能獲得了N類事件，但並沒有證明這些事件與使用者的流失之間存在必然的相關性。

於是，我們需要去對比真實流失的使用者群體，來判斷哪些事件可能存在相關性。

到這一步，我們或許可以把模型縮小，從而獲得若干個推測模型，將他們分別列出，並且進入第三步。

3、使用推測流失模型給使用者分層

這一步的關鍵，是透過第二步獲得的N個推測模型，去按照模型把使用者分成多個不同的2層使用者：

留存活躍層、疑似報警層

符合留存模型的使用者，和符合推測流失模型的使用者會根據不同的推測模型放入不同的使用者池中。

4、擬定預警措施，並測試，最後固化預警模型。

好了，做完前三步，你已經有了數個懷疑會流失的使用者群體，接下來你就需要去製作預警措施，舉例，某社群運營根據前三步，擬出了下列一些推測模型：

模型一：使用者註冊後7日內每日未瀏覽超過3篇文章

模型二：使用者註冊後7日內未Follow超過10位作者

模型四：使用者註冊後7日內未被follow超過10人

接下來就是測試。

對模型一到模型五的使用者在註冊後7日內，去實施對應的條件，看哪一個模型最能推動使用者活躍和留存——即，實施後使得7日留存率上升較大比例，最高的那個可能就是最有效的。

當然，在測試的過程中，同時需要測試，用什麼方法來召回效果是最好的，這個就不展開了，大家去測就得了。

5、將模型應用到激勵體系中去，促進留存與活躍。

「召回」永遠不應該是運營要投入大量精力的領域，因為「召回」的價效比很低，所以，當你的流失預警模型、召回策略有效的時候，你應該趕緊推動策略固化成使用者激勵體系的一部分，讓他們幫助你更好的去促進新使用者的留存與活躍。