数据分析案例：流失用户精细化分析，将准确度提高2.5倍

作为某app的运营，面对用户大量流失的时候，能否实现精细化分析呢？

没有分析经验的同学会直接计算用户的整理的流失率，即流失用户数/用户总数。

但是，仔细思考一下，得到这个结论，对改善流失问题有什么具体的指导意义吗？显然，在资源和时间有限的情况下，这个整体性的流失率没有太大的指导作用，因为根据这个指标，你只能把资源用在所有流失客户身上，这显然不是精细化的运营。

面对这个问题，其实可以通过分析和建模找到流失用户的特点，根据特点对用户做精细化的分类，再结合实际业务需要做出对应的举措。实现这点最为经济和有效的方式，就是根据用户的某种行为，精确地估计一个用户流失的概率，若这个概率超过某个阈值，再触发用户挽留剂质，这样就能把钱花在最需要的地方。这就是统计学中的贝叶斯模型。

在统计学中，任何事件都是概率事件，也就是说任何事件的发生都是以其他事件发生为基础的。在统计学中，用符号P表示概率，A事件发生的概率为P(A)，B事件发生的概率为P(B)，在B事件发生的基础上发生A事件的概率为P(A|B)

基于以上的思路，我们省略了流失用户的定义和消息数的探索过程，最终获得了进一个月的活跃用户数、流失用户数、活跃用户数中未度消息大于5条的人数，具体如下图：

在这个例子中P(A)表示用户流失概率，P(B)表示用户有5条以上未读信息的概率，P(B|A)表示用户流失的前提下维度信息大于5条的概率，结果如下图：

本例中需要计算的是未读消息大于5条的用户流失概率，也就是P(A|B)，计算公式是：P(A|B)=P(B|A)*P(A)/P(B)，结果如下：

这也就是说，在用户有未读消息大于5条的时候，他流失的概率是80%，这就比整体计算得到的30%要精细和靠谱得多了，那么我们就可以专心的对未读消息大于5条的用户做运营和维度了。

Excel是使用最为广泛、最为便捷的办公软件，而且它的数据分析和挖掘功能功能十分强大，能够快速完成所有的数据清洗的过程，能够快速建立分析模型，并且快速运行得出结果，是做数据分析必备的工具。

下面是即将在我的小密圈里分享的120个Excel商业数据分析实战案例目录，欢迎看我个人资料联系我：