客户流失分析原因分析 - AWS
文章推薦指數: 80 %
1.ka收入占整个原生收入的66%; · 2.客户数流失非常高,4月-5月在线共991客户,流失377个,日均流失6.2个客户; · 3.ka客单价高:账户日均消费6k,客户拥有2.5个账户,客户价值在1.5 ...
客户流失分析原因分析
第一部分:背景
1.ka收入占整个原生收入的66%;
2.客户数流失非常高,4月-5月在线共991客户,流失377个,日均流失6.2个客户;
3.ka客单价高:账户日均消费6k,客户拥有2.5个账户,客户价值在1.5万;
所以,日均增加近10万消费.
第二部分:数据获取
SELECT
company,
MIN(stdate)asMIN,
MAX(stdate)asMAX,
DATEDIFF(STR_TO_DATE(MAX(stdate),'%Y-%m-%d'),STR_TO_DATE(MIN(stdate),'%Y-%m-%d'))ASonlineday,
count(distinctstdate)ascount,
sum(shows)asShowed,
sum(clicks)asclick,
sum(charge)ascost,
sum(clicks)/sum(shows)asctr,
sum(charge)/sum(clicks)ascpc,
sum(charge)/sum(shows)ascpm,
count(distinctuser_name)asupc
FROM
native.native_report_fc_adver
WHERE
user_type='KA客户'
GROUPBYcompany;
第三部分:数据处理
library(openxlsx)
library(dplyr)
library(ggplot2)
library(plotly)
dt_user%
mutate(max=as.Date(max))%>%
mutate(status=ifelse(max%
ggplot(aes(x=count,fill=status))+geom_histogram(binwidth=1)+xlim(-1,50)
(1)在线客户平均拥有账户较多
(2)停投客户平均拥有账户较少
3.2客户在线天数分析(行为分析)
dt%
mutate(cpc=as.numeric(cpc),MIN=as.Date(MIN))%>%
mutate(status=ifelse(MAX="2017-06-01","oldonline","newclient")))%>%
ggplot(aes(x=onlineday,colour=status))+geom_histogram(binwidth=1,position="identity")
(1)忠实客户(oldonline):持续每日在线
(2)停投客户(offline):投放持续天数20天以下
综上:原生投放客户忠实用户已经认可产品,并长期依赖产品,新客尝试投放20天以下,有放弃投放行为.
3.3客户投放次数分析(行为分析)
dt%>%
mutate(cpc=as.numeric(cpc),MIN=as.Date(MIN))%>%
mutate(status=ifelse(MAX="2017-06-01"&MIN%ggplot(aes(x=count,colour=status))+geom_histogram(binwidth=1)
(1)在线客户投放次数更为明显,停投客户对信息流产品尝试时间不超过20次
3.3客户投放填充率分析
填充率=投放次数/在线天数
dt%>%
mutate(cpc=as.numeric(cpc),MIN=as.Date(MIN))%>%
mutate(status=ifelse(MAX="2017-06-01"&MIN%ggplot(aes(x=count/onlineday,colour=status))+geom_histogram(binwidth=0.03)
对于3类客户的在线时间填充率分布几乎相同,新客的填充率非常高,几乎每日在线;
第四部分:客户指标
dt%>%
mutate(cpc=as.numeric(cpc),MIN=as.Date(MIN))%>%
mutate(status=ifelse(MAX="2017-06-01"&MIN%ggplot(aes(x=ctr,colour=status))+geom_line(stat="density")
4.1显而易见,流失客户的ctr0.4%比在线客户1.3%低将近1个百分点,新客的ctr1.0%介于流失客户与在线客户之间;
dt%>%
mutate(cpc=as.numeric(cpc),MIN=as.Date(MIN))%>%
mutate(status=ifelse(MAX="2017-06-01"&MIN%ggplot(aes(x=cpc,colour=status))+geom_line(stat="density")
4.2.可见:对于cpc指标:流失客户的cpc低于在线客户的c
综上:KA的单个客户价值高,留存一个客户日均贡献1.2万元,目前每日流失6.2个客户,所以,有必要停止客户流失;由以上可知,在新客到来后20天或投放20次为客户的高流失时间,有必要在客户初期进行维护,由上可知,流失客户是因为ctr和cpc双指标都低于正常水平,在ctr和cpc都有潜力可挖。
延伸文章資訊
- 1Day 04:客戶留存率與流失率-- 同類群組分析(Cohort Analysis)
因此,與其不斷的拓展新客源,更重要的是留住舊客戶的心,不要造成客戶流失。所以,我們就來討論一個相關的分析方法-- 『同類群組分析』(Cohort ...
- 2使用即時分析預測客戶流失- Azure Solution Ideas
使用Azure AI 平臺預測客戶流失,並尋找與預測變換率相關聯的現有資料模式。
- 3客戶流失預警 - MBA智库百科
客戶流失預警是指通過對客戶一定時間段內的支付行為、業務行為及基本屬性分析,揭示隱藏在數據背後的客戶流失模式,預測客戶在未來一段時間內的流失概率及可能的原因, ...
- 4客户流失分析原因分析 - AWS
1.ka收入占整个原生收入的66%; · 2.客户数流失非常高,4月-5月在线共991客户,流失377个,日均流失6.2个客户; · 3.ka客单价高:账户日均消费6k,客户拥有2.5个账户,客...
- 5我如何分析客戶流失預測?Kaggle比賽思路分享 - Medium
其實我們不一定要用顧客資料來預測流失率(算是小小題外話)試想,客戶流失如果是根據產品本身,那我們透過市場規模、成長、競爭者分析也能洞察,這也透露了一件事情: ...