数据分析方法和思维—拐点法和分位数法

迈不过友情╰ 2023-01-01 03:41 173阅读 0赞

背景

互联网的用户是存在一定的生命周期的, 每一个产品都会经历去获取用户, 用户成长, 用户不断成熟, 然后用户衰退的过程。

![format_png][]

产品经理和运营都希望能够在用户流失之前, 通过一些福利体系去干预用户,  福利体系包括 比如天猫的满减券, 游戏中的游戏礼包, 游戏道具, 游戏金币等等, 都是为了去唤醒流失的用户。

但因为我们的福利对应的礼物是有成本的, 我们希望的是可以去干预即将流失的用户, 以及唤回刚流失不久的用户, 所以我们需要用科学的方法去找到这部分用户。

所以我们要定一个合理的周期, 这个周期就是流失周期, 流失周期指的就是如果用户在这个时期内没有进行活跃, 在这个流失周期左右的时间是我们最好去干预用户的时间。

流失周期确定

流失周期的确定一共有两种方法, 一种是分位数法, 一种是拐点法。

1.  分位数法:
    
        首先先计算用户活跃的时间间隔, 比如用户a 活跃的时间日期分别是 2020-12-01 和 2020-12-14 那么间隔就是13天, 我们把所有用户的活跃的时间间隔都计算好, 然后找出间隔的 90% 分位数.
    
        为什么是90% 分位数呢？这是因为如果有90% 的活跃时间间隔都在某个周期以内的话, 那么这个周期内不活跃的话, 之后活跃的可能性也不高。

![format_png 1][]

如上图所示, 横轴是 所有用户的活跃的时间间隔, 从小到大排列, 纵轴是不同时间间隔的人数占比, 从蓝线我们可以发现大多数的用户充值时间间隔都在前面, 从红线我们可以发现充值时间间隔在72天以内的占比数达90% ,所以我们把72天作为用户的流失周期

2. 拐点法

拐点法要依赖留存率(留存的人数/之前活跃的人数) 指标, 整体的思路是取一段时间内(一般取一周或者一个月)活跃过的用户, 判断在未来每一天的 留存人数, 或者每一周的留存人数, 或者每个月的留存人数。

这里我们要计算以后的每天还是每周还是每个月依赖于用户在这个产品的活跃情况, 一般来说对于比较活跃的产品, 流失周期就是比较短这时候我们可以看天, 对于不那么活跃的产品, 我们就看周或者月。

这里以取周 为例, 我们取1月1号到1月31号这一个月所有活跃人数, 看他在第1周, 第二周, 第三周, 第四周, 第五周, 第六周.... 每一周的留存人数, 因为随着时间的递增, 留存的人数一般来说会越来越少, 也就是流失的人数越来越多, 但用户的留存率不在发生变化

![format_png 2][]

如上图所示, 横轴的数字代表每一周, 纵轴代表留存率, 我们发现随着时间的推移, 留存人数越来越少, 大概是到了第十周以后, 留存人数处于比较稳定的水平。

这个10周就是一个明显的拐点, 我们把10周叫做流失的分界点也就是流失周期

总结

拐点法和分位数法除了找活跃用户的流失周期以为, 我们还可以应用在比如找付费的用户的流失周期, 电商产品中购买的用户的流失周期, 视频内容类的观看的用户的流失周期。

-----------------
    长按识别下方二维码，并关注公众号
    
    1.回复“PY”领取1GB Python数据分析资料
    
    2.回复“BG”领取3GB 名企数据分析报告

[format_png]: /images/20221120/eeca4eda51364617b63068864c2b9469.png
[format_png 1]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9zOTJncWw0Wk5CSjNpY2lhTXJZamlhNlM0VFJkV2NmSTBtSUR1eFVLRDZJN1NhRFlmZmY0R0dIMEZKNWlhWmxNenNjc3FrcVlzenZVU0h0Rko3TzJKTUw5cVEvNjQw?x-oss-process=image/format,png
[format_png 2]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9zOTJncWw0Wk5CSjNpY2lhTXJZamlhNlM0VFJkV2NmSTBtSUJzcFFPOERreEc5UEZ5cTh1d2NMQVdBYmFDRU5EM2Zic0dGN3ZPWUhTME1hYU8yTk5EZ2VSZy82NDA?x-oss-process=image/format,png