数据分析之生命周期

用户生命周期是指从一个客户开始对企业进行了解或企业想要对某一客户进行开发开始，直到客户与企业的业务关系完全终止且与之相关的事宜完全处理完毕的这段时间。

很多文章都会通俗的解释说，运营就是让用户留下来，没错，但是它漏了后半句话：让用户留下来，并且赚钱。

一、用户生命周期价值CLV（Customer Lifetime Value，也有称LTV：Life Time Value）

获利=CLV（用户生命周期价值）-CAC（获客成本）-COC（运营成本）

用户生命周期则比CLV更容易计算和运营。

我们通常说的留存率，就是用户生命周期的杀手锏应用。通过留存率，我们分析出用户的黏性、活跃度等指标。但留存率很难和商业挂钩，不具备商业的可解释性。我们就会换算成生命周期。

用户生命周期=周期/(1-周期内新增留存率)

如果一款产品新增用户的月留存率是70%，那么估算出：平均用户生命周期=1个月/（1-70%）=3.3个月。

运营的目标就是延长用户生命周期从3.3个月到4个月、5个月乃至更长。并且在此期间产生商业价值。对于大部分产品，这个公式都是适用的。

如果需要更精准的指标，则可以将数据制作成频数分布图。

二、来看看怎么精准的分析和运营：

1.用户生命周期最少的那部分用户，例如10天，有什么具体特征，为什么不用？

2.用户生命周期最多的那部分用户，有什么特点？

3.分布人数最多的用户，怎么样能想办法抓住他们的痛点？延长他们生命周期

4.究竟是用的久的用户（二八理论），还是分布人数最多的用户（长尾理论），产生的商业价值大？

每个用户的生命周期都能产生商业价值，但有些用户注定更有价值。

用户生命周期和流失是息息相关的，用户流失，便是用户生命周期的终止。

将用户的流失可能扼杀在萌芽阶段，是延长用户生命周期的有效手段之一。这听起来很玄乎，但举个例子就会明白的。

一款社交应用，通过流失用户的特征分析。发现了如下的几个特点。

1.流失用户中，40%的用户没有完善资料

2.新增用户没有导入通讯录好友，流失概率比导入的高20%

3.新增用户在第一周使用中，如果添加的好友低于3，则一个月后的流失概率超过一半

4.用户流失前一个月，互动率远低于APP平均值。

这些特征很容易读懂了解，运营也很容易针对性的采取策略。例如良好的新手引导、引入好友推荐（想想微博和各兴趣向APP）、增加曝光量、乃至使用机器人（这里有几个好玩案例，以后分享^ ^）等等。

如果数据化运营更彻底，可以运营和数据分析结合，将上述的特征建模，得出一个比较准确的流失概率预测。用模型计算出某一类人群流失概率在80%以上，和知道什么样的人可能流失，在运营上是两个层次。

我们可以构建决策树模型，因为决策树模型的可解释性强，它是if-then的集合，运营非常容易理解。比如用户完善资料低于50%，且没有导入通讯录好友，且好友数量低于3，则其一个月后的流失概率为80%。模型训练出叶节点，运营用SQL就能跑出来可能流失的用户群。

另外，发掘出变化性变量在运营中有奇效。比如完善资料，是否导入通讯录好友，都是静态、状态型的特征，更多是产品上的优化。但是某一类用户流失，能通过其他数据特征体现，比如上周打开了APP20次，本周打开了5次，下周打开了1次，趋势是下降的，这绝逼是累感不爱了啊！（趋势上升是另外一种运营策略了）这时我们运营就可以采取温暖的爱的抱抱，运营这类用户。

Tips：

用户生命周期运营实际会更复杂，比如真正产生商业价值的群体应该去运营和分析，需不需要引入CRM（客户关系管理），RFM（衡量客户价值和客户创利能力的重要工具和手段。）等等，比如常见的积分体系能不能提高CL。