一个APP用户的活跃情况，和下期活跃预测的例子

一，做流失预测的用处：

•1.管理流失，提升留存/活跃率：

①精确了解客户流失情况

②分析流失和活跃客户特征

③预测可能流失客户

④制定相对应的个别或整体运营策略---尤其针对“高价值又即将流失”的宝贵用户群

⑤实施运营策略并评估实际成果

⑥重复1-5

●

•2.不仅仅可以预测流失，未来还可以建立模型来预测我们关注的其他事件，

•比如“哪些人最有可能看教练视频？”

•“那些人最有可能参加跑团？”等等

二，预测“多远的未来”？

为什么我们在流失预测报告中的预测窗口是2周/4周/8周？而不是把统计报告中“流失用户”的“90天未使用APP”中的90天当作预测窗口？

•我们从14/15年的数据看：对有记录的所有用户，观察他们的“两次运动间的间隔天数”的“最大值”和“3/4分位值”。（¾分位值的含义：比如，一个用户在2015年运动9次，分别在{1月1日，1月11日，1月31日，2月11日，3月11日，3月31日，4月30日，5月11日，5月31日}，那么八个运动间隔分别是{10天，20天，10天，30天，20天，30天，10天，20天}；那么从小到大排序为{10，10，10，20，20，20，20，30，30}，那么，对于这个跑步用户而言，他的3/4分位值就是排名第六的20天。）

•14/15年的 运动用户中：

•观察间隔天数的3/4分位值：81%小于2周，90%小于4周，96%小于8周内，98%小于三个月。

•观察‘最久间隔多少天运动’：62%小于2周，76%小于4周，87%的小于8周，93%小于三个月。

•由此推论：

•对于我们关心的“哪1000名运动者最有可能“辍跑”？”的问题来说，一份“接下来的2周/4周/8周会辍跑的用户列表”，是有相当的代表性的，这个列表上的名单，如果按照以前的规律、没有正面活动的话，有相当大的可能会“三个月以上不跑步”而变成流失。

•因此，“适合我们当下关注”的预测指标，是预测下一个时间周期（2周/4周/8周）用户是否会登入。