客戶留存數(shù)據(jù)分析與預(yù)測(cè)

第Ⅰ部分  構(gòu)建自己的“裝備庫(kù)”
第1章  客戶流失 3
1.1  為什么閱讀本書(shū) 4
1.1.1  典型的客戶流失場(chǎng)景 5
1.1.2  本書(shū)主要內(nèi)容 6
1.2  對(duì)抗客戶流失 6
1.2.1  減少客戶流失的干預(yù)措施 7
1.2.2  為什么客戶流失難以對(duì)抗 8
1.2.3  有效的客戶指標(biāo)：防止客戶
流失的利器 11
1.3  本書(shū)為何與眾不同 13
1.3.1  實(shí)用且透徹 13
1.3.2  模擬案例研究 14
1.4  具有重復(fù)用戶交互性的產(chǎn)品 15
1.4.1  支付消費(fèi)品的費(fèi)用 16
1.4.2  B2B服務(wù) 16
1.4.3  客戶流失與媒體廣告 17
1.4.4  消費(fèi)者訂閱 17
1.4.5  免費(fèi)增值商業(yè)模式 18
1.4.6  App內(nèi)購(gòu)買模式 18
1.5  非訂閱服務(wù)的客戶流失場(chǎng)景 18
1.5.1  將“不活躍”看作“流失” 18
1.5.2  免費(fèi)試用轉(zhuǎn)換 19
1.5.3  upsell和down sell 19
1.5.4  其他“是/否”客戶預(yù)測(cè) 19
1.5.5  用戶行為預(yù)測(cè) 20
1.5.6  其他與客戶流失不同的用例 20
1.6  消費(fèi)者行為數(shù)據(jù) 20
1.6.1  常見(jiàn)客戶事件 20
1.6.2  重要的事件 23
1.7  對(duì)抗客戶流失的案例分享 24
1.7.1  Klipfolio 24
1.7.2  Broadly 25
1.7.3  Versature 26
1.7.4  社交網(wǎng)絡(luò)模擬 27
1.8  使用客戶指標(biāo)進(jìn)行
案例研究 27
1.8.1  利用率 28
1.8.2  成功率 30
1.8.3  單位成本 31
1.9  本章小結(jié) 34
第2章　測(cè)量流失率 35
2.1  定義流失率 38
2.1.1  計(jì)算流失率和留存率 39
2.1.2  流失率和留存率的關(guān)系 40
2.2  訂閱數(shù)據(jù)庫(kù) 40
2.3  基本的客戶流失計(jì)算：
凈留存率 42
2.3.1  凈留存率計(jì)算 42
2.3.2  使用SQL計(jì)算凈留存率 44
2.3.3  解釋凈留存率 47
2.4  標(biāo)準(zhǔn)流失率計(jì)算：基于客戶
數(shù)量的流失 49
2.4.1  標(biāo)準(zhǔn)流失率定義 49
2.4.2  用于計(jì)算流失率的外連接 50
2.4.3  使用SQL計(jì)算標(biāo)準(zhǔn)流失率 51
2.4.4  何時(shí)使用標(biāo)準(zhǔn)流失率 53
2.5  基于事件的非訂閱產(chǎn)品
流失率 53
2.5.1  通過(guò)事件確定活躍客戶和
流失客戶 54
2.5.2  使用SQL計(jì)算基于客戶活躍度
的流失率 54
2.6  高階流失率：MRR流失率 56
2.6.1  MRR流失率的定義和計(jì)算 57
2.6.2  使用SQL計(jì)算MRR流失率 58
2.6.3  MRR流失率、客戶數(shù)流失率與
凈流失率 60
2.7  流失率測(cè)量轉(zhuǎn)換 61
2.7.1  幸存者分析(高級(jí)) 61
2.7.2  流失率轉(zhuǎn)換 63
2.7.3  通過(guò)SQL對(duì)任意時(shí)間窗口內(nèi)的
流失率進(jìn)行轉(zhuǎn)換 64
2.7.4  選擇流失率測(cè)量窗口 65
2.7.5  季節(jié)性和流失率 66
2.8  本章小結(jié) 67
第3章　客戶指標(biāo)計(jì)量 69
3.1  從事件到指標(biāo) 71
3.2  事件數(shù)據(jù)倉(cāng)庫(kù)模式 72
3.3  統(tǒng)計(jì)某個(gè)時(shí)間段內(nèi)的事件 74
3.4  指標(biāo)周期定義的詳細(xì)信息 76
3.4.1  行為周期 76
3.4.2  用于指標(biāo)測(cè)量的時(shí)間戳 77
3.5  在不同時(shí)間點(diǎn)測(cè)量 78
3.5.1  重疊測(cè)量窗口 78
3.5.2  時(shí)序指標(biāo)測(cè)量 81
3.5.3  保存測(cè)量指標(biāo) 81
3.5.4  保存模擬示例的指標(biāo) 83
3.6  測(cè)量事件屬性的總數(shù)和
平均值 84
3.7  指標(biāo)質(zhì)量保證 85
3.7.1  測(cè)量指標(biāo)如何隨時(shí)間變化 85
3.7.2  QA案例研究 88
3.7.3  檢查指標(biāo)覆蓋率 90
3.8  事件QA 92
3.8.1  檢查事件如何隨時(shí)間變化 92
3.8.2  檢查每個(gè)賬戶的事件 95
3.9  選擇行為測(cè)量的測(cè)量周期 97
3.10  測(cè)量賬戶使用期 99
3.10.1  賬戶使用期定義 99
3.10.2  賬戶使用期的遞歸CTE 101
3.10.3  賬戶使用期SQL程序 103
3.11  測(cè)量MRR和其他訂閱
指標(biāo) 106
3.11.1  計(jì)算MRR并作為指標(biāo) 106
3.11.2  特定數(shù)量的訂閱 108
3.11.3  計(jì)算訂閱單元數(shù)量并作為
指標(biāo) 109
3.11.4  計(jì)算計(jì)費(fèi)周期并作為
指標(biāo) 110
3.12  本章小結(jié) 112
第4章　觀察續(xù)訂與流失 115
4.1  數(shù)據(jù)集介紹 116
4.2　如何觀察客戶 117
4.2.1  提前進(jìn)行觀察 117
4.2.2  觀察續(xù)訂和流失的順序 119
4.2.3  創(chuàng)建訂閱數(shù)據(jù)集 120
4.3  從訂閱中識(shí)別活躍期 121
4.3.1  活躍期 121
4.3.2  用于存儲(chǔ)活躍期的模式 122
4.3.3  尋找正在進(jìn)行的活躍期 123
4.3.4  找到以客戶流失為結(jié)束的
活躍期 124
4.4  識(shí)別非訂閱產(chǎn)品的活躍期 128
4.4.1  活躍期定義 128
4.4.2  從事件生成數(shù)據(jù)集的過(guò)程 129
4.4.3  用于計(jì)算活躍周的SQL 130
4.5  選擇觀察日期 132
4.5.1  平衡流失和非流失觀察 132
4.5.2  選擇觀察日期的算法 133
4.5.3  計(jì)算觀察日期的SQL程序 134
4.6  探索客戶流失數(shù)據(jù)集 137
4.7  導(dǎo)出當(dāng)前客戶進(jìn)行細(xì)分 141
4.7.1  選擇活躍賬戶和指標(biāo) 141
4.7.2  通過(guò)指標(biāo)來(lái)細(xì)分客戶 143
4.8  本章小結(jié) 143
第Ⅱ部分　動(dòng)手實(shí)踐
第5章　通過(guò)指標(biāo)理解客戶流失和
客戶行為 147
5.1  指標(biāo)隊(duì)列分析 149
5.1.1  隊(duì)列分析背后的思想 150
5.1.2  使用Python進(jìn)行隊(duì)列分析 152
5.1.3  產(chǎn)品使用隊(duì)列 155
5.1.4  賬戶使用期隊(duì)列 157
5.1.5  計(jì)費(fèi)周期的隊(duì)列分析 159
5.1.6  小隊(duì)列規(guī)模 160
5.1.7  顯著和不顯著的隊(duì)列差異 161
5.1.8  具有大量零客戶指標(biāo)的指標(biāo)
隊(duì)列 162
5.1.9  因果關(guān)系：指標(biāo)是否會(huì)導(dǎo)致
客戶流失 163
5.2  總結(jié)客戶行為 164
5.2.1  了解指標(biāo)的分布 164
5.2.2  用Python計(jì)算數(shù)據(jù)集匯總統(tǒng)計(jì)
信息 166
5.2.3  篩選罕見(jiàn)指標(biāo) 168
5.2.4  邀請(qǐng)業(yè)務(wù)人員共同保證數(shù)據(jù)
質(zhì)量 168
5.3  指標(biāo)分?jǐn)?shù) 169
5.3.1  指標(biāo)分?jǐn)?shù)背后的想法 169
5.3.2  指標(biāo)分?jǐn)?shù)算法 170
5.3.3  使用Python計(jì)算指標(biāo)分?jǐn)?shù) 171
5.3.4  使用評(píng)分指標(biāo)進(jìn)行隊(duì)列
分析 173
5.3.5  MRR的隊(duì)列分析 175
5.4  刪除無(wú)效的觀察 176
5.4.1  從流失分析中刪除非付費(fèi)
客戶 177
5.4.2  在Python中根據(jù)指標(biāo)閾值
刪除觀察 178
5.4.3  從罕見(jiàn)指標(biāo)分析中刪除零
測(cè)量值 179
5.4.4  脫離行為：與流失率增加相關(guān)
的指標(biāo) 180
5.5  使用隊(duì)列分析細(xì)分客戶 182
5.5.1  細(xì)分過(guò)程 182
5.5.2  選擇細(xì)分標(biāo)準(zhǔn) 182
5.6  本章小結(jié) 183
第6章　客戶行為之間的關(guān)系 185
6.1  行為之間的相關(guān)性 186
6.1.1  “指標(biāo)對(duì)”之間的相關(guān)性 186
6.1.2  使用Python計(jì)算相關(guān)性 190
6.1.3  使用相關(guān)性矩陣了解指標(biāo)集
之間的相關(guān)性 191
6.1.4  案例研究的相關(guān)性矩陣 193
6.1.5  在Python中計(jì)算相關(guān)性矩陣 194
6.2  對(duì)行為指標(biāo)組計(jì)算平均值 196
6.2.1  為什么要計(jì)算相關(guān)性指標(biāo)分?jǐn)?shù)
的平均值 196
6.2.2  使用載荷矩陣(權(quán)重矩陣)
計(jì)算平均分?jǐn)?shù) 197
6.2.3  載荷矩陣的案例研究 198
6.2.4  在Python中應(yīng)用載荷矩陣 200
6.2.5  基于指標(biāo)組平均分?jǐn)?shù)的流失
隊(duì)列分析 202
6.3  發(fā)現(xiàn)相關(guān)性指標(biāo)組 204
6.3.1  通過(guò)聚類對(duì)指標(biāo)進(jìn)行相關(guān)性
分組 204
6.3.2  在Python中計(jì)算聚類相關(guān)性 206
6.3.3  將分?jǐn)?shù)的平均值作為分?jǐn)?shù)載荷
矩陣的權(quán)重 211
6.3.4  運(yùn)行指標(biāo)分組及分組隊(duì)列分析
列表 212
6.3.5  為聚類選擇相關(guān)性閾值 213
6.4  向業(yè)務(wù)人員解釋相關(guān)性
指標(biāo)組 215
6.5  本章小結(jié) 217
第7章　使用高級(jí)指標(biāo)對(duì)客戶
進(jìn)行細(xì)分 219
7.1  比率指標(biāo) 221
7.1.1  何時(shí)以及為什么使用比率
指標(biāo) 221
7.1.2  如何計(jì)算比率指標(biāo) 224
7.1.3  比率指標(biāo)案例研究 229
7.1.4  模擬社交網(wǎng)絡(luò)的其他比率指標(biāo) 231
7.2  指標(biāo)占比 232
7.2.1  計(jì)算指標(biāo)占比 232
7.2.2  案例研究：帶有兩個(gè)指標(biāo)的
總指標(biāo)百分比 235
7.2.3  帶有多個(gè)指標(biāo)的總指標(biāo)百分比
案例研究 237
7.3  衡量變化的指標(biāo) 238
7.3.1  衡量活躍水平的變化 238
7.3.2  具有異常值(肥尾)的
指標(biāo)分?jǐn)?shù) 242
7.3.3  測(cè)量自上次活躍事件發(fā)生
以來(lái)的時(shí)間 246
7.4  縮放指標(biāo)時(shí)間段 249
7.4.1  將較長(zhǎng)周期的指標(biāo)轉(zhuǎn)換為
較短的引用周期指標(biāo) 250
7.4.2  估算新賬戶的指標(biāo) 253
7.5  用戶指標(biāo) 258
7.5.1  測(cè)量活躍用戶 258
7.5.2  活躍用戶指標(biāo) 260
7.6  比率選擇 262
7.6.1  為什么使用比率，還有什么
選擇 262
7.6.2  使用哪些比率 263
7.7  本章小結(jié) 264
第Ⅲ部分　特殊技巧與方法
第8章　預(yù)測(cè)客戶流失 269
8.1  通過(guò)模型預(yù)測(cè)流失 270
8.1.1  用模型進(jìn)行概率預(yù)測(cè) 270
8.1.2  客戶參與和留存率 271
8.1.3  參與度和客戶行為 272
8.1.4  偏移量將觀察到的流失率與
S曲線相匹配 274
8.1.5  邏輯回歸概率計(jì)算 275
8.2  審查數(shù)據(jù)準(zhǔn)備 276
8.3  擬合客戶流失模型 279
8.3.1  邏輯回歸的結(jié)果 279
8.3.2  邏輯回歸代碼 281
8.3.3  解釋邏輯回歸結(jié)果 284
8.3.4  邏輯回歸案例分析 286
8.3.5  模型校準(zhǔn)和歷史流失概率 288
8.4  預(yù)測(cè)客戶流失概率 289
8.4.1  準(zhǔn)備當(dāng)前客戶數(shù)據(jù)集以
進(jìn)行預(yù)測(cè) 289
8.4.2  準(zhǔn)備當(dāng)前客戶數(shù)據(jù)用于
客戶細(xì)分 294
8.4.3  使用保存的模型進(jìn)行預(yù)測(cè) 294
8.4.4  案例學(xué)習(xí)：預(yù)測(cè) 297
8.4.5  預(yù)測(cè)校準(zhǔn)和預(yù)測(cè)漂移 298
8.5  流失預(yù)測(cè)的陷阱 300
8.5.1  相關(guān)性指標(biāo) 300
8.5.2  異常值 302
8.6  客戶生命周期價(jià)值 306
8.6.1  CLV的含義 306
8.6.2  從客戶流失到預(yù)期客戶
生命周期 308
8.6.3  CLV公式 309
8.7  本章小結(jié) 310
第9章　預(yù)測(cè)準(zhǔn)確性和機(jī)器學(xué)習(xí) 313
9.1  衡量客戶流失預(yù)測(cè)的
準(zhǔn)確性 314
9.1.1  為什么不使用標(biāo)準(zhǔn)準(zhǔn)確度
測(cè)量來(lái)衡量流失率 314
9.1.2  使用AUC衡量客戶流失預(yù)測(cè)
的準(zhǔn)確性 317
9.1.3  使用提升測(cè)量客戶流失預(yù)測(cè)
的準(zhǔn)確性 319
9.2  歷史準(zhǔn)確性模擬：回測(cè) 323
9.2.1  什么是回測(cè)以及為什么
進(jìn)行回測(cè) 324
9.2.2  回測(cè)代碼 325
9.2.3  回測(cè)注意事項(xiàng)和陷阱 327
9.3  回歸控制參數(shù) 328
9.3.1  控制回歸權(quán)重的強(qiáng)度和數(shù)量 328
9.3.2  帶有控制參數(shù)的回歸 329
9.4  通過(guò)測(cè)試選擇回歸參數(shù)
(交叉驗(yàn)證) 331
9.4.1  交叉驗(yàn)證 331
9.4.2  交叉驗(yàn)證代碼 332
9.4.3  回歸交叉驗(yàn)證案例研究 336
9.5  使用機(jī)器學(xué)習(xí)預(yù)測(cè)客戶
流失風(fēng)險(xiǎn) 336
9.5.1  XGBoost學(xué)習(xí)模型 337
9.5.2  XGBoost 交叉驗(yàn)證 338
9.5.3  比較XGBoost與回歸的
準(zhǔn)確度 341
9.5.4  高級(jí)指標(biāo)和基本指標(biāo)的比較 342
9.6  利用機(jī)器學(xué)習(xí)預(yù)測(cè)對(duì)客戶
進(jìn)行細(xì)分 344
9.7  本章小結(jié) 346
第10章　客戶流失的人口統(tǒng)計(jì)特征
和企業(yè)統(tǒng)計(jì)特征 347
10.1  人口統(tǒng)計(jì)和企業(yè)統(tǒng)計(jì)
數(shù)據(jù)集 348
10.1.1  人口統(tǒng)計(jì)學(xué)和企業(yè)統(tǒng)計(jì)數(shù)據(jù)
的類型 348
10.1.2  社交網(wǎng)絡(luò)模擬的賬戶數(shù)據(jù)
模型 349
10.1.3  人口統(tǒng)計(jì)數(shù)據(jù)集的SQL 350
10.2  具有人口統(tǒng)計(jì)和企業(yè)統(tǒng)計(jì)
類別的流失隊(duì)列 353
10.2.1  人口統(tǒng)計(jì)類別的流失率
隊(duì)列 353
10.2.2  流失率置信區(qū)間 354
10.2.3  將人口統(tǒng)計(jì)隊(duì)列與置信區(qū)間
進(jìn)行比較 355
10.3  對(duì)人口統(tǒng)計(jì)類別進(jìn)行
分組 361
10.3.1  用映射字典表示分組 361
10.3.2  分組類別的隊(duì)列分析 362
10.3.3  設(shè)計(jì)類別分組 364
10.4  基于日期和數(shù)字的人口統(tǒng)計(jì)
數(shù)據(jù)的流失分析 366
10.5  利用人口統(tǒng)計(jì)數(shù)據(jù)進(jìn)行
流失率預(yù)測(cè) 367
10.5.1  將文本字段轉(zhuǎn)換為虛擬
變量 367
10.5.2  僅用分類虛擬變量預(yù)測(cè)
流失率 370
10.5.3  將虛擬變量與數(shù)值數(shù)據(jù)
相結(jié)合 372
10.5.4  結(jié)合人口統(tǒng)計(jì)數(shù)據(jù)和指標(biāo)以
預(yù)測(cè)客戶流失 375
10.6  使用人口統(tǒng)計(jì)數(shù)據(jù)細(xì)分
當(dāng)前客戶 378
10.7  本章小結(jié) 383
第11章　對(duì)抗客戶流失 385
11.1  計(jì)劃你自己的對(duì)抗客戶
流失策略 385
11.1.1  數(shù)據(jù)處理和分析代碼清單 387
11.1.2  用于與業(yè)務(wù)人員溝通的
檢查清單 389
11.2  使用你自己的數(shù)據(jù)運(yùn)行
本書(shū)的代碼清單 391
11.2.1  將數(shù)據(jù)加載到本書(shū)的數(shù)據(jù)
schema中 391
11.2.2  在你自己的數(shù)據(jù)上運(yùn)行程序 392
11.3  將本書(shū)的程序移植到不同
的環(huán)境中 393
11.3.1  移植SQL程序 393
11.3.2  移植Python程序 393
11.4  了解更多并保持聯(lián)絡(luò) 394
11.4.1  作者的博客網(wǎng)站和社交
媒體 394
11.4.2  客戶流失基準(zhǔn)信息的
來(lái)源 394
11.4.3  有關(guān)客戶流失的其他
信息來(lái)源 395
11.4.4  幫助減少客戶流失的產(chǎn)品 395
11.5  本章小結(jié) 395