【数据分析】用户流失预警

留住已有的用户胜过拓展新的客户。用户留存和用户流失是一组相对的概念。获得一个新客户的成本要远远高于保持一个老客户的成本。所以说提升用户的留存减少用户的流失是必不可少的。用户留存依然是反映企业及产品核心竞争力的关键要素。通过这种方式发现将要流失的用户,用各种福利(大礼包,打电话,优惠卡等)来挽留此类用户.

一、基础知识

1、混淆矩阵

混淆矩阵是用来总结一个分类器结果的矩阵。对于k元分类，其实它就是一个k x k的表格，用来记录分类器的预测结果。对于最常见的二元分类来说，它的混淆矩阵是2乘2的，如下：

• TP = True Postive = 真阳性；
• FP = False Positive = 假阳性   
• FN = False Negative = 假阴性；
• TN = True Negative = 真阴性

真实值：0 1 1 0 1 1 0 0 1 0 1 0 1 0 0     

预测值：1 1 1 1 1 0 0 0 0 0 1 1 1 0 1

精确率：正确的选择除以总的选择：TP/(TP+FP)

召回率：已经召回的/已经召回的+还未召回的：TP/(TP+FN)

准确率：预测对的/总的；(TP+TN)/(TP+FN+FP+TN)

一、用户流失预警分析

1. 数据获取：通过一个月用户数据的统计,标签字段中False说明我们这个用户确实流失了,True表示还没有流失.
2. 特征工程：使用pandas中的read_csv将数据导入，理解字段、筛选字段、填充字段、编码字段、特征衍生、字段拆分、数据的归一化和标准化。
3. 切分数据集，使用KFord进行k折交叉验证，使用现有的数据集训练不同的模型。

 

 

 

针对用户增长分析，从用户防流失的角度，基于多点app电商构建用户流失预警模型，找到高潜流失用户。用于定向开展运营激活，从而有效控制用户流失风险，提升大盘用户的留存率和活跃度。（不要便宜羊毛党）

 

 

https://www.sohu.com/a/271299808_505891