2019年用户流失分析（一）——Python实现

       在用户流失调研中，以往的用户流失标准定义为用户没有再进行续费的时候（即使催缴信息通知后），而现实中用户未必是消费殆尽时才流失，而是已经不再活跃的时候就已经流失了，这样的初始标准延迟了我们对流失用户进行干预的时间。所以，流失用户的标准应该定义为在一段时间内未进行收视、业务办理等行为的用户。

1、数据选取

       本次分析的对象是2019年3月份用户状态变为欠费停机、主动停机、主动销户，并且4、5月份未复通的电视用户和部分目前仍为正常的电视用户。

       相关数据是选取用户的基础信息（安装地址等）、1年内的工单数据（故障、投诉、咨询等工单信息）、3个月的收费数据（缴费、托收等各渠道支付信息）、6个月的办理记录数据（缴费、办理业务等信息）及用户前5个月电视收视行为数据。

2、分析目标

       针对用户流失导致市场份额减少、营销成本增加、收入降低的问题实现以下目标：

1. 从分布分析、对比分析、统计分析、相关性分析等方法分析挖掘用户特征情况；
2. 利用聚类和分类算法构建用户流失预警模型，预测出最可能流失的用户名单。提高挽留成功率，降低流失率，帮助有效挽留方案的制定。

3、用户特征分析

3.1 基本情况分析

       本次对13241个用户做用户特征分析，其中8000个为正常的用户，5241个为3月份的流失用户，主动暂停用户占流失用户的47%。

       流失率是最能代表各区域流失情况的指标之一。我们从经分报表中提取3月份各分公司的在网用户数，然后分别计算各分公司的流失比例。如图 1所示。

图 1

3.2 用户收视数据分析

       收视方面，在基于业务对频道名称、节目名称、类型等数据的清洗；删除重复数据、无效数据和时间异常数据后，使1200万左右的收视数据处理为约800万条有效收视数据。

       首先将流失用户和正常用户的收视时长分布绘制出，如图2所示。发现收视时长低于500小时的流失用户数比收视时长低于500小时的正常用户数比例高，并且流失用户曲线比正常用户曲线斜率变化速度快，即两极化凸显，更加说明两者的用户收视时长差距较大。

图 2

       其次，在收视方面除了收视时长以外，还有一个明显的特征：用户在线天数，即用户的开机率。目前全网的月平均在线天数为15天。而本次用户5个月的在线天数如图3所示。可以发现流失用户与正常用户的分布有明显区别，流失用户低于75天的占比在69%左右，而正常用户在45%之后在线天数就已经高于75天；正常用户的在线天数分布整体呈凸线趋势，而流失用户的在线天数整体呈凹线趋势。

 图 3

3.3 消费情况分析

       消费方面，用户3个月的账单总体情况如图 4所示。无论是正常用户还是流失用户，大体的消费能力基本都属于50~200之间，同时存在少量高消费用户，这种分布是与产品销售制定的策略、方案有关。单单从数据的角度来看，消费的特征没有直接的影响用户的流失，但很可能是用户流失的附加考虑因素之一。

图 4

 

Python用户流失系列文章一月一更！

 

文章未经博主同意，禁止转载！