Netflix、Spotify、Amazon为何使用不同的用户流失率计算方法？

原创 MarTechApe MarTechCareer

防止客户流失并不像想象中那么简单，有时比获取新客户更难，因为对于现有客户来说，他们已经了解了我们的产品，清楚对产品的期望，这种情况下，说服他们留下来则更具挑战性。

如果我们不能准确了解有多少客户流失以及我们应该努力保留哪些客户，那么我们就很难找到准确的减少客户流失的方法。

今天的文章就以Netflix、Spotify、Amazon等不同商业模型的公司为例，分析为他们使用的用户流失率的计算方法有何不同、有什么常见错误以及如何避免吧！

客户流失率计算方法的缺陷

客户留存是每家公司成功的关键，很大程度上决定着未来的产品和营销策略。衡量客户流失的经典指标是帐户流失率 (Account Churn Rate)，其实指的就是一段时间内现有客户的流失数量：

但如果你只单纯地关注这一指标的涨幅，那么你会陷入数据的圈套。什么意思呢？让我们看一个例子！

以一家订阅业务公司的流失率为例子，他们的客户流失率如下所示：

▲ 账户流失率

如图所示：

● 在2020年9-12月之间，取消订阅的用户百分比急剧增加

● 但是从2021年1月开始，团队成功地把客户流失率降低了近40%

对于产品团队来讲，大幅降低的流失率看起来是一项重大的成功。但是！这种衡量流失的方法存在一些严重的缺陷，盲目依赖它时，可能会影响产品团队的决策。

让我们来看看三个常见的错误以及如何纠正它们以更准确地了解公司的客户流失率。

错误一：忽视季节性

衡量是否成功留住用户时，最直观的想法就是看流失率如何随时间变化。例如，我们可能会查看一个新的‘会员计划’启动后的几个月内流失率是不是能得以成功下降。

但是，大多数企业，尤其是订阅业务，在其流失数据中都有季节性。

例如，相比于冬季，夏季取消订阅的 Netflix 订户可能更多（毕竟谁不喜欢严寒冬日，窝在沙发上度过美好的 Netflix 夜晚呢？而在夏天大家都要出去玩，谁还在家里看电视呢）。正因为用户在寒冷的季节对Netflix更加依赖，所以一到冬季，Netflix的流失率就自然下降。

这样的话，在分析过去几个月的流失率时，会因季节性影响而出现波动。因此，在分析一段时间内的用户流失数量时，调整时间窗口非常重要。

让我们再看一下文章开头那家订阅公司的例子。当我们扩大时间范围时（从只看2020～2021年，扩展到看2019～2021年），我们就可以在下图中，看到这家公司的客户流失率也同样受到季节性的影响：一年中最后几个月的流失率明显要高。

一个原因可能是，对于大量客户来说，这是他们的订阅需要续订的时候。

避免这种季节性影响的一种改进流失率计算方式的办法，就是计算同比流失率。例如，如果我们想要知道 2020年12月的流失率是不是降低了，我们应该与2019 年12月的客户流失率进行比较：

从夏季到 2020 年底，流失率看似一直在增加。但是当计算同比YoY流失率时，我们可以看到实际上2020年流失的用户比2019年同期的少。可以画出每个月的 YoY 流失率：

▲ YoY账户流失率

错误 2：只关注用户流失，而不是价值流失

在关注客户帐户流失时，我们假设所有客户对我们的业务是等价值，然而情况往往并非如此。

以 Spotify 等采用免费增值模式的公司为例，订阅高级会员的用户是更好、更可靠的收入来源（否则，公司不会努力的将用户转化为更高级别的用户）。

▲ Spotify Premium 在英国的定价计划

如果业务中存在不同价格的选项，那么单纯的帐户流失率可能不是评估是否存在流失问题的合理指标。

例如，在产品的免费版本中删除某些功能后，Spotify可能会观察到用户流失率显着增加。但与此同时，高级用户则不太可能降级到免费版本。

你需要选择哪些客户值得让他们得到特殊待遇。如果其他客户也会购买，那很好，但他们不会得到同样的待遇。——彼得·费德

但免费用户也不是说可以随便流失的，如果一项功能的推出，既留不住高级用户，也损失了免费用户，那就太得不偿失了。那么我们如何权衡呢？

这时，我们可以计算每个用户的每月经常性收入 (Monthly Recurring Revenue, MRR)。然后根据我们因用户流失而损失的收入来衡量所流失掉的价值，这种方法就给高价值用户提供了更高的权重：

使用MRR 流失率，通过不同客户类型给业务带来的价值来决定哪些客户需要重点关注，这种方法更加准确有效。

与其一视同仁的与所有客户流失作斗争，不如将精力集中在可以最大业务价值的客户。

再回到我们的那家订阅公司的例子，我们可能会发现MRR流失率明显低于用户流失率。这意味着我们相对来说留住了高价值客户。此外，同比MRR流失率相对稳定，这意味着 2020 年底客户流失率激增其实仅仅是因为低价值客户。

▲ 账户和MRR流失率

错误 3：不区分用户组群

订阅业务中定义流失很容易：如果客户不续订，那么该客户被归类为流失。但是！对于大多数企业来说，情况并非如此。

对于Uber、Amazon、AirBnb 或 Instagram等公司，建立忠实的客户群并减少客户流失对业务至关重要。但他们的业务并非订阅模式（至少不是他们的主要收入来源），因此必须寻找其他方式来定义流失。

通常可以采用不活跃阈值（inactivity threshold）来定义客户是活跃还是流失。例如，对亚马逊来说，可以选择将连续两个月未下订单的用户定义为流失。一旦找到合适特定业务的流失的定义，就可以使用前面解释的流失指标来分析。

然而，使用这样一个通用的流失阈值可能会导致错误的结论，进而影响公司的决策。为什么呢？再来举个例子！

让我们来看看一个虚构的机票预订平台。为了找到合适的阈值，我们分析了一个群组用户在两次预订之间的天数：

▲ 航班预订平台上的预订间隔

从上面的箱线图中，我们可以看到 75% 的用户在上次预订后 82 天（蓝色框的上端），进行了后续预订。如果我们想要捕获至少 90% 进行后续预订的用户，那么阈值就要定为99天。当然我们需要在准确性和等待的时间之间进行权衡。这里，如果用户在 99 天后没有再次预订，就被视为流失。

那么让我们来看看当前群组的流失率。理想情况下，我们将数据集划分为训练集以得出阈值和测试集以查看其是否准确。鉴于该公司有两个主要用户群，休闲和商务，我们分别看一下：

▲ 每个用户类型的流失率，99 天阈值

很明显，与仅预订假期航班的休闲用户相比，商务用户的留存更好。鉴于休闲客户的流失率高出两倍多，提高这一细分市场的保留率理应成为业务的重点。

但让我们先退后一步，直觉告诉我们，在这里看到的是两种截然不同的客户类型。商务人士可能会更频繁地旅行，而个人休闲旅行可能是季节性的，每年只发生几次。将我们之前的预订间隔按照细分群组分析一下，确定了这种猜想：

▲ 不同用户类型的航班预订平台的预订间隔

商务用户倾向于在更短的时间间隔内预订下一个航班，90%的二次预订发生在 79 天内。对于休闲用户，则为 132 天！

因此，对整个用户群使用相同的阈值不是最好的方法。需要通过细分组群，单独考虑阈值。比如，我们都以90%的复购为参考，那么对于休闲用户至少 105 天没有预订则被归类为流失用户。然而对于商务客户在 88 天内没有进行后续预订，就被视为不活跃了。

▲ 每个用户类型的流失率，（使用单独阈值情况下）

通过细分的分析，我们可以看到休闲用户的预定并没有那么糟糕。他们确实需要更长的时间才能回来，这也是一种自然常态。另一方面，现在商务客户的流失率明显高于以前，但与休闲客户的水平相似。

因此，对公司中的所有用户一概而论的对待方式会对决策产生严重影响。正如上面的例子中，会误将所有的努力都集中在提高休闲客户的保留率上。

在定义流失率时，也要考虑自然常态的预订间隔。有很多类似的例子，例如在化妆品业务上要区分男性和女性；或酒店预订平台，区别对待商务和私人旅客。

结论

只有当我们用正确的流失数据才有可能通过分析来正确的指导决策。本文介绍的错误都是很常见的哦！

如果你也想学习数据科学方法如何被应用在美国一线互联网科技公司，诸如Apple、Walmart、Airbnb等公司，并系统化掌握各类应用场景下的数据科学解决方法，那么千万不要错过MarTechApe的《A/B测试企业级实战训练营》以真实商业场景中的复杂A/B测试问题为项目背景，让学员在两个月的时间里，使用百万量级原始数据，搭建完整的A/B测试流程，提高用户转化率！

在过去开办的7期《训练营》中，我们为顶尖科技公司输送数据能力强、实验经验丰富、统计基础扎实的数据人才。不论你本来是什么背景，都能通过这门课程，打开盛行“测试文化”的互联网高科技公司的大门！

《A/B测试企业级实战训练营》往期学员战绩：

1你将获得

真枪实弹的A/B测试项目实操，百万量级真实数据+五大应用案例，从零学会A/B测试的里里外外！
为你建立一个完整的、专业的、深度还原大公司的的A/B测试项目，让你在面试时可以自信展示自己亲自做的案例，成功拿下offer！
从0到100真实操作A/B测试项目的全套流程：数据清洗、数据自动化处理、实验设计、实验执行、结果分析、报告展示。
经历真实工作场景中的、各大互联网科技公司里使用的A/B测试流程，以及适应不同商业场景的各类实验/准实验方法。学会工作中最重要的分析方法！
深度学习A/B测试实战中常见的测试陷阱及避免方法。
牢固掌握公司里A/B测试项目中的实际SQL与Python应用，为A/B测试搭建数据库、清理数据、创建数据集。
学会用Python自动化实现A/B测试，为你的老板提高100%的工作效率！
接受系统的统计训练，打下坚实牢固的统计基础，彻底明白A/B测试的统计原理、分析方法、实验设计方法、抽样准则。
各大互联网、科技公司A/B testing面试题解题步骤示范与详细解析。对互联网科技公司的深度剖析和指标介绍，让你自如面对各类面试考验！
模拟实际工作中与产品经理的合作，培养商业意识与产品思维。
专业的Bootcamp经历简历模版与认证证书，可以晒到LinkedIn等求职网站，大大提高面试邀请率！
福利升级：训练营以往只内推成功从训练营中毕业的学生。但在疫情期间，所有A/B测试实战训练营学员，均可获得全职或实习岗位的内推机会！

2训练营老师介绍

Emma老师

美国知名电商Wayfair高级商业分析专家
拥有多年电商A/B测试实战经验，及新人教授经验
精通Advanced SQL, Python等数据分析工具
设计推出的A/B测试，为公司带来上千万美元的收入

Emma老师对学员知无不言，有问必答！无论是面试中遇到的问题，还是工作中遇到的困惑。

3训练营课程内容

整个Bootcamp历时8周，每周3小时课程，共计24小时课时。
周末线上实时授课，课后完成老师布置的作业，助教团队在班级群内随时答疑，直播录像永久回放。
五大课程模块：

A/B测试商业训练（案例、变量设计、测试计划）
A/B测试数据技能训练（数据源概况、SQL数据库建立、Python自动化分析）
A/B测试实验设计训练（A/B测试 vs 准实验、实验步骤、真实商业环境中的实验挑战）
A/B测试统计训练（统计分析、深度解析）
A/B测试面试训练

课程内容涵盖了A/B测试在各大互联网科技公司中的完整工作流程：

A/B测试统计基础与应用场景
A/B测试实验设计
A/B测试假设检验、变量选择、流量计算与实验周期计算
A/B测试各类应用场景中的实验变体与前后测实战分析
用SQL与Python完成A/B测试项目实战
A/B测试结果解读与高阶统计
结果展示

每位学员将有一套亲自做的A/B测试成果作品
每位学员获得A/B测试面试真题解题辅导
结课后，每位学员获得提升简历的Industry Project Experience完美描述，所有学员获得内推机会！

1. A/B测试商业训练

了解A/B测试在顶流科技公司中的各类应用场景
了解A/B测试适用的商业问题与它的局限
了解科技公司产品团队如何使用A/B测试
面对商业问题，如何设计有效的假设？
如何制定A/B测试的实验计划与执行框架？

2. A/B测试数据技能

搭建一个真实的A/B测试实验数据库
了解A/B测试中常面临的数据问题
用SQL对数据进行清洗与转制，完成样本选取、组别分配、变量选取等实验步骤，为A/B测试做好数据准备
用Python搭建A/B测试分析流程

学员在项目中重点使用SQL与Python，全方位了解A/B测试中涉及的数据库搭建、样本选取、实验组与测试组分配、变量选取等数据分析步骤。并且充分掌握用Python搭建A/B测试结果分析流程，实现A/B测试自动化，对真实工作中的A/B测试分析了如指掌。简而言之，项目后，你不仅将牢固掌握SQL与Python等最热门的数据分析软件，还将成为真正的A/B测试技术流，完全掌握A/B测试这项数据分析工作中最重要的技能。

3. A/B测试实验设计

充分了解A/B测试的实验步骤
设立零假设与被择假设
确认实验指标，设计实验变量
根据指标类型确认统计检验方法
估算样本量，确定实验周期
置信区间与统计功效
A/B测试中的各类偏差
样本量不够或其他实验条件不满足时的实验设计
了解准实验与A/B测试的应用区别
为项目案例设计A/B测试实验

学员在项目中将透彻学习实验方法与实验设计。在这个环节中，将研究如何制定实验方案，以提高实验效率，缩小随机误差的影响，并使实验结果能有效地进行统计分析。学习在工作场景中如何用A/B测试等实验来提高用户激活/活跃/留存等关键的产品指标，提升产品功能表现，真正理解A/B测试的商业价值与业务地位。

4. A/B测试统计训练