数据分析，如何搞定流失用户召回？

当业务进入某一阶段之后，用户新增可能会趋向疲软，这个阶段里，运营人员可能会需要召回流失用户。那么，怎么搭建用户召回策略呢？这篇文章里，作者结合具体案例，讲述了如何结合数据分析做好流失用户召回分析的思路，一起来看看吧。

用户召回在在线业务中是一个永恒的话题，只要业务进入了一定的阶段，就一定会面临增长疲软，开始从增长式运营转向存量式运营。

我们今天通过一个具体的案例，系统性的讲一下数据分析，怎么做好流失用户召回的分析。

问题场景：

某垂类电商平台，已经进入了产品的平稳运营期，用户新增趋向疲软。希望搭建用户召回策略来召回流失用户，从新增式运营过渡到存量式运营。

一、基础做法——粗放式的召回

最简单的召回，就是直接硬怼，做几个用户分类，然后针对性的做一些话术方案，然后全渠道推出去。

二、粗放式召回存在的问题

看起来用户分层、用户触达、对比分析都有了，是不是就可以沉淀成策略了呢？

其实还存在很多问题：

问题1：没有考虑到用户本身的响应率。

有可能是这批用户本身存在很高的推送点击率，换一批用户就降低了。所以在用户分层上至少还需要区分高、中、低的推送响应率，单独进行方案和渠道的分析。

问题2：没有进行方案的优劣对比。

只有一个方案的情况下，无法进行方案上的复盘。比如高价值用户可能只需要80块就召回了，但是方案A花了100块，虽然可以覆盖需求，但造成了成本的浪费。所以在方案上需要设计不同梯度的方面面向用户，可以聚焦方案上的复盘。

问题3：没有考虑到渠道的适配。

全渠道的触达当然是有效的，但全渠道都用统一格式的方案的话会大大降低渠道的可分析性，因为push/短信/邮件/站内信的展示效率和点击效率都是有很大差异的。

• 短信：没有标题、前10个字展示效率最高，需要嵌入链接。
• 站内信：没有任何文案的前置展示
• push：标题展示效率最高。

所以在进行方案和渠道匹配时，还需要进行文案的渠道适配工作。

最后得到的结果，可能如下图所示。为不同的用户匹配不同的方案、文案、渠道，最大化提升召回价值。

三、精细化运营的四个步骤

1. 用户分层逻辑

在定义用户的分层标准中会遇到各种挑战，梳理用户分层标准是一个浩大的工程。

例如：

1. 如何判断高价值，单数、金额、频次，谁更有代表性？
2. 假如用单数、金额做分组，如何区分高价值和低价值？（如图）

假如再考虑时间性的因素，以大客户为例，也会衍生出很多问题：

• 一直买那么多吗？还是特定时间买这么多？
• 是一开始买这么多，还是越买越多？
• 是持续性买很多，还是偶尔买很多？

如：

加入了时间因素之后，对不同用户的分层和处理方式就更加复杂，比如：

• 周期型的大客户，如何确定周期？
• 成长型的大客户，如何确定成长的顶点在哪？

解决了以上问题，才仅仅是解决了一个用户价值分层的标签，并且标签的质量还非常的依赖数据质量的好坏。

同样的问题，在用户响应率上也是存在的：

1. 为什么用响应率做第二个分层，其他的行不行？
2. 哪些行为能代表响应，怎么样算高怎么样算低？

不同的部门、不同的目标，在这个问题上也有不同的解法：

这些问题，都分析清楚了，才能有准确的用户分层。

大家可以感受到，做用户分层是一个大工程，非常的劳民伤财，所以更要有层次的推进。常见的有三种方法：

1. 从简单到复杂，层次性推进。比如，先从二分类做起，逐渐的展开分组的数量和层级。
2. 从业务出发，先解决优先级高的问题。比如，马上双十一了，要先冲业绩，就先把囤货型揪出来。
3. 从目标出发，先解决眼前的商业目标。比如，全年的kpi是xxx，新增需要占多少，复购需要赚多少，以此判断价值用户。

我们只简单介绍，先不详细展开。

那么，搞定了用户分层，接下来怎么办？

2. 方案分类逻辑

这么多方案，如何分析，如何匹配？

一个召回方案，至少要涵盖这四个部分：

1. 召回钩子是什么？是打折还是送礼？打多少折送多少礼？
2. 什么时候上线发送？精确到天还是小时？
3. 用户转化节点到什么地方结束？
4. 用户产生行为后多久转化算召回成功？

跟用户分层结合，又会有两个场景需要解决：

1. 方案如何分类，怎么跟用户做匹配？
2. 方案的匹配程度，如何判断方案是有效的？

场景一，其实就是建立方案库，对方案进行打标。例如通过方案的目标、方案的刺激点或方案的便捷性进行标记，如：

而随着方案的细化和深入，又可以在这个基础上再分层级，比如优惠券折扣的高、中、低，目标解决长、中、短期流失的用户，不同推送通道的文案详情等等。

接下来，不同方案的匹配程度，如何判定？

3. 数据采集

方案和用户的匹配分析，重点不在「如何分析」，而是在「如何拿到正确的数据」。有了准确的数据、标签之后，可以判定哪些「更有效」或者「更接近目标」，就轻松很多。

所以上面的第二个场景真正的问题是：

1. 有没有完整的埋点记录，准确的区分和记录用户的行为。用户的注册/点击推送（哪个平台/什么文案/什么时间）-登录-活跃（进入了哪些页面/参与了哪些活动）-买单（买了什么/买了多少/用了多少折扣）整条链路是否完整。
2. 如果没有完整的埋点记录，甚至系统之间都是割裂的，并不清楚哪些用户经过了什么流程，最后购买了哪些商品。用户的分层，方案的设计、分析就无从谈起。

所以还需要确认的是：

• 用户的埋点是否完备，用户ID关系是否管理清晰；
• 用户基本信息的采集、录入完成度如何；
• 推送渠道的数据埋点是否采集，可打通；
• 方案涉及到的各种参数，是否预留了接口可以调整、变化。

确认了以上几点，才能建设好能够支持「精细化运营」的数据采集基底。同时需要注意的是，好的数据一定是好的运营产生的。在事后补救、治理得来的数据质量，一定不如在事前规划好可用性高。

搞定了数据采集，就到此为止了吗？当然不是。

四、技术保障

推送数据发出去了，还会存在以下问题：

• 推送多发、漏发了，怎么办？
• 推送早发、迟发了，怎么办？
• 推送没发出去，怎么办？

这些问题都会影响到最终的活动效果评估，还会打乱用户标签的逻辑。甚至产生一些运营事故。

所以在最终确定推送方案之前，我们还需要做的是：

• 校验人群包是否跟目标对齐；
• 并发资源是否充足；
• 是否有防抓包机制。

搞定了以上所有问题，才能搭建有效的、可复用、可迭代的精细化运营。

五、总结

如果孤立的去看某一次召回活动是否成功，是否有效，看起来只需要进行一次专业的分析看起来就很完美了；

但是如果深入去思考用户召回这件事是否可持续，是否可复盘、可复用、可迭代，则需要一个强大的基础：

搭建一个庞大的体系，不只是为了解决一个单一的问题，而是更多的考虑这个方案在别的地方是否存在复用的价值。

比如这个用户召回的场景，搭建起来之后，就可以可以复用到用户转化、用户促活上。

六、工作中的实际情况及破局

很多工作场景中，其实并不是我们没有能力去做持续性的、深入的、精细化的分析。而是大多数公司，都不具备搭建底座的能力：

• 没有用户标签；
• 没有行为数据；
• 没有策略分层。

从而导致只能做这样的分析：

• A方案比B方案转化率高10%，所以A方案更好；
• 8点发推送比12点发推送高10%，所以8点发更好。

而一遇到「用户是否有差异」、「是不是文案/卖点不行」这类问题，就容易发懵。

那么如何破局呢？

使用层次化的推进方式，从已有的内容推动同层级的基底建设。

例如已经有了「用户交易数据」、「用户基本信息」，推动补充「行为数据」采集是成本最低的。

然后模块化的向上堆叠，比如用户模块的数据已经有了，就可以开始进行用户的一级标签补充及构建了。最后的推动方式如图所示：

逐步推动底层的建设，持续输出和迭代分析结果。

做完了以上内容，就完成了一个粗放式运营向精细化运营的转变，从0到1搭建了一套数据运营体系。

这套体系还有个很好听的名字，叫做「CDP（Customer Data Platform）」。

高额信用卡低门槛，1天下卡，免费申请>>

【免责声明】本站所载文章著作权归原作者所有，如有侵权请通过邮箱w3tool@geekdata.com联系我们。