打开APP
userphoto
未登录

开通VIP,畅享免费电子书等14项超值服

开通VIP
微软PowerBI 创建AARRR报表之三:留存流失分析

每日干货好文分享丨请点击+关注

对商业智能BI、数据分析挖掘、大数据、机器学习感兴趣的加微信tsbeidou,邀请你进入交流群,数据爱好者们都在这儿。

欢迎关注天善智能微信公众号,我们是专注于商业智能BI,大数据,数据分析领域的垂直社区。

数据化运营过程中的三个关键词,是开源、节流、保活跃。

在之前的两篇AARRR博文中,我们分别就新增用户、提升用户活跃度来进行展开。

在本篇博文中,我们重点“节流”,也就是AARRR中的留存和流失分析。

什么是留存(Retention)和流失(Churn)?

一般而言,留存(Retention)就是使用了一段时间的产品后,仍然留下来的那部分用户。在零售业和服务业,更多地使用交易数据,因此留存是指发生过交易或者消费的客户,在接下来的若干期间内,仍然重复交易或消费的客户。而流失(Churn)恰恰相反,是不再继续发生交易或者消费的客户。

Cohort Analysis,宏观上说是人群行为分析的一种,应用中特指留存分析、粘性分析。因此我们谈到留存(Retention)时,也会提到Cohort Analysis。

留存率是统计某个期间新增客户中,经过一段时间后仍然存在客户行为(如登陆、消费)的客户的比例。和回购率/复购率类似,留存不仅是个可以反映客户粘性的指标,更多地反映产品对用户的吸引力。

作为客户分析中最重要的指标之一,留存率一来可以衡量渠道拉新最终的结果——有多少人留下来,二来可以通过留存率来分析产品的使用情况。如果某产品新用户占比过高,那说明该产品的活跃可能是靠推广得来,尤其需要关注用户的留存率情况。

取决于数据基础和业务类型,对于游戏行业而言,通常比较容易计算首日、次日、3日、7日、14日以及30日留存率。对于一般的零售业和服务业(如餐饮),由于客户行为数据不然手机游戏互联网行业那么易于获得,因此可以采用最常用的销售明细数据,来计算流失和留存。

如图所示的留存率曲线,通常经历过一段时间后,留存率会下降到一定水平保持稳定(如10%),如果再整个过程中采取多项措施,将留存率提升到更高,比如50%。反映到后续的收入(Revenue)指标中,将给我们带来更高的收益。

留存率 vs 流失率的计算

直观来讲,留存是相对于流失而言的。如果客户没有留存下来,那么必然流失掉。那么,是否可以根据1-流失率,简单地得到留存率呢?

答案显然是否定的。

首先:

  • 计算的整体基础不同。无论留存还是流失,都是相对于某个整体的一部分而言的

  • 计算留存的基础,是新增客户数,这个增量指标。留存是某个统计期间新增客户中的一部分。

  • 而计算流失的基础,通常是上期客户数(期初客户数),这是个累积指标。如果本期内没有继续发生交易行为,那么流失客户是期初客户中的一部分。

由于相对的整体不同,那么必然有:留存率 不等于(1-流失率)

但是,这并不妨碍我们,通过流失的角度,来看待客户留存。

计算逐期客户流失率

计算逐期客户流失率

逐期客户流失率,是指在上个统计期间(季度)发生过交易消费行为的客户,在本统计期间(如季度)并未发生交易消费行为。

另外,按季度的逐期客户流失率,比按照月份计算的逐期客户流失率,明显会低一些。

取决于分析的行业以及可用的数据基础不同,可用按年份、季度、月份、星期或天来计算留存和流失。

另外,可以将客户流失率,同客户复购率、客户回购率、客户增长率结合起来开展分析。

通过创建交互式的雷达图,可用综合考察客户粘性、客户增长、客户忠诚度等指标。

客户流失与老客户关怀

除了逐期流失计算以外,重要的指标是近期流失。

与逐期流失的计算通常使用:

  • 分子:[流失客户数-逐期]

  • 分母:[期初客户数(上期末)]

而近期流失的计算,主要采用流失期的概念

最近一次购买时间距离当期时间的间隔,超过360天以上的客户,视为流失客户。

流失期通常是进行客户分类得到的,通常通过客户关怀来降低流失客户数量。

客户关怀做关怀唤醒第一步,先把老客户进行分类,按照最近一次的购买时间、购买频次和购买金额,把活跃期和沉默期、睡眠期、流失期的客户做一个区分。一般按照最近一次购买时间来说,0-90天属于活跃期、90-180天属于沉默期、180-360天属于睡眠期、360天以上属于流失期。

如上图所示,当前时点为2016年第三季度中的某一天,那么相对于当前,在2013年第三季度的那批客户中,有一部分客户已经流失掉了,流失的数量为391个。

2013年第四季度发生过交易的客户中,有很大一部分当前处于“休眠”期,因此,采取适当的手段开展客户关怀。一般而言,处于活跃期的客户数量占比较低,而处于休眠期(沉默期)的客户占比数量较高的情况下,识别出那批处于休眠/沉默期的客户,并开展客户关怀,可以有效降低客户流失。

防止客户流失时,考虑客户购买频率

除了AARRR分析之外,我们还可以同RFM分析模型相结合,来构造沉默/休眠客户-高频度客户矩阵。

对于最近12个月份购买频度高,并且处于沉默/休眠阶段的客户群体。通常是开展客户关怀优先级最高的客户。对于已经流失的客户,也可从中找到最近18个月/24个月某买频次较高的那部分客户,采取客户挽回手段,加快流失客户的客户回流。

友情提示:

天善智能是国内最大的商业智能BI、数据分析、大数据领域社区,欢迎大家登陆天善学院有更多免费行业专家数据库,商业智能BI,数据分析,大数据,数据挖掘视频和干货好文分享。

1月5日晚8:30 平凡之处见真章!Excel透视表实战直播分享

1月12日晚8:30 揭开人工智能的神秘面纱直播分享

参加每周四的公开课分享活动,请加微信:tsbeidou(备注:公司+行业+姓名)。

更多内容欢迎登陆:https://www.hellobi.com/ 。

本站仅提供存储服务,所有内容均由用户发布,如发现有害或侵权内容,请点击举报
打开APP,阅读全文并永久保存 查看更多类似文章
猜你喜欢
类似文章
【热】打开小程序,算一算2024你的财运
微软 Power BI 创建 AARRR 报表之一:提升活跃度(Activation)
如何使用Power BI进行回流客户分析?
互联网时代零售银行新宠——客户数据分析与精准营销
从BI透视成本到BA商业分析
BI&DWHome | 四川移动BI系统的九大主题分析
15种常用的数据分析模型,搭配BI工具更高效,赶紧收藏起来
更多类似文章 >>
生活服务
热点新闻
分享 收藏 导长图 关注 下载文章
绑定账号成功
后续可登录账号畅享VIP特权!
如果VIP功能使用有故障,
可点击这里联系客服!

联系客服