用户流失坦白接反应了产物的市场接管水平如何，以及运营事情的优劣。预测流失率的方针在于预测用户将会在哪个时间点分开，从而提前筹备好计策，留住他们。

什么是用户流失率？我们为什么需要存眷用户流失率？

简朴来说：用户流失率是指用户的流失数量与全部利用/消费产物（或处事）用户的数量的比例，是用户流失的定量表述，以及判定用户流失的主要指标，直接反应了产物的市场接管水平如何，以及运营事情的优劣。

一般来说，这个指标用在“订阅型产物”的景象居多，如信息订阅类App“锤子阅读”、绝大大都的在线SaaS产物，甚至传统的牛奶订购。

由于留住当前的用户要比获取新用户来的划算，所以预测流失率的方针在于：

预测用户将会在哪个时间点分开（在订阅期竣事前），在符合的时间点对这些用户施加影响，挽留他们，如通过短信、邮件或APP，操作超低价商品吸引回访可能专属优惠券等，这些计策对付一些流失用户是很有效的！

接下来，笔者将操作简朴的统计学常识，先容一种基于用户不活泼记录的用户流失预测模子。

该模子在不利用呆板进修算法的环境下，可以给出一个容易领略的用户流失预测，以便我们对将要分开的用户有一个相当精确的洞察。

空话不多说，进入正题吧~

一、用户活泼的操纵性界说

在我们正式开始预测用户流失率之前，我们需要记任命户的汗青活泼环境。做这个的目标在于：相识用户是否在利用我们的产物或处事。

那么，问题就来了，用户的“活泼”该做奈何的操纵性界说（即按照可调查、可丈量、可操纵的特征来界定变量寄义的要领）？

实际上，“用户活泼”的界说取决于你的业务配景，跟产物可能处事场景密切相关，差异范例的产物对“用户活泼”有差异的界说。以新浪微舆情的“信息监测”为例，它是一款订阅型的大数据产物，用户通过各类要害词的组合检索到信息后，然后选择邮件可能客户端订阅，凭据自界说的吸收频次来收取订阅信息。

对付这款数据产物来说，用户的活泼可以这样界说：假如一个用户是活泼的，那么在指按时间段内（阐明单元取决于阐明者，可以是天、周、月、季度或年），应该包括如下付费、利用可能互动行为：

该用户对“信息监测”的订阅尚未逾期；

该用户在web端可能移动端登录产物页面；

该用户利用了产物的部门或全部成果，如基于信息源可能地区的定向监测成果；

该用户在此期间发生了一些消费，如文本数据下载、订阅续费等；

该用户在此期间对该产物有各类反馈，包罗投诉。

…

对付这款产物来说，以月份为单元来阐明用户行为是很有意义的，因为该产物最短的订阅期是一个月，最长的订阅期是一年。

一旦清晰的界定了“用户活泼”的界说，我们就可以用这些操纵性界说来对每个月份的用户（不）活泼环境举办编码，操作二进制值（0,1）—如果在X月份，用户是活泼的，将ta的活泼值设定为1，不然设定为0。

二、成立“用户不活泼档案”

此刻，对付每位用户，我们有了一个以月为单元的“活泼标志”，接下来我们以此为基本，成立起“用户不活泼档案”。这意味着，对付每个用户，笔者想对他们持续不活泼的月份数举办计数统计。

在这里，笔者选择了一年的“阐明窗口”（也就是把12个月作为阐明的时间范畴），将“活泼档案”和“不活泼档案”以表格的形式泛起—蓝色表单显示每位用户在各个月份上的活泼记录，绿色表单则显示用户的不活泼记录。

按照用户在此时间段内大概呈现的活泼景象，笔者列举出3种典范用户，如下表所示：

1.用户A：

该用户在刚进入“阐明窗口”时是活泼的，然而在5月变得不活泼（也就是说，5月份是之一个不活泼的月份）。接下来，这个用户的不活泼状态一连到了12月，也就一直一连到了“阐明窗口”的末端

因此，从5月到12月，“用户不活泼档案”对用户持续不活泼的月份举办逐月累加的计数统计。

2.用户B：