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./ 。