全新正版客户留存数据分析与预测9787302630807清华大学出版社

第Ⅰ部分 构建自己的“装备库”

章 客户流失 3

1.1 为什么阅读本书 4

1.1.1 典型的客户流失场景 5

1.1.2 本书主要内容 6

1.2 对抗客户流失 6

1.2.1 减少客户流失的干预措施 7

1.2.2 为什么客户流失难以对抗 8

1.. 有效的客户指标：防止客户流失的利器 11

1.3 本书为何与众不同 13

1.3.1 实用且透彻 13

1.3.2 模拟案例研究 14

1.4 具有重复用户交互的产品 15

1.4.1 支付消费品的费用 16

1.4.2 B2B服务 16

1.4.3 客户流失与媒体广告 17

1.4.4 消费者订阅 17

1.4.5 免费增值商业模式 18

1.4.6 App内购买模式 18

1.5 非订阅服务的客户流失场景 18

1.5.1 将“不活跃”看作“流失” 18

1.5.2 免费试用转换 19

1.5.3 upsell和down sell 19

1.5.4 “/”客户预测 19

1.5.5 用户行为预测 20

1.5.6 与客户流失不同的用例 20

1.6 消费者行为数据 20

1.6.1 常见客户事件 20

1.6.2 重要的事件

1.7 对抗客户流失的案例分享 24

1.7.1 Klipfolio 24

1.7.2 Broadly 25

1.7.3 Versature 26

1.7.4 社交网络模拟 27

1.8 使用很好客户指标进行

案例研究 27

1.8.1 利用率 28

1.8.2 成功率 30

1.8.3 单位成本 31

1.9 本章小结 34

第2章?测量流失率 35

2.1 定义流失率 38

2.1.1 计算流失率和留存率 39

2.1.2 流失率和留存率的关系 40

2.2 订阅数据库 40

. 基本的客户流失计算：净留存率 42

..1 净留存率计算 42

..2 使用SL计算净留存率 44

.. 解释净留存率 47

2.4 标准流失率计算：基于客户数量的流失 49

2.4.1 标准流失率定义 49

2.4.2 用于计算流失率的外连接 50

2.4.3 使用SL计算标准流失率 51

2.4.4 何时使用标准流失率 53

2.5 基于事件的非订阅产品流失率 53

2.5.1 通过事件确定活跃客户和流失客户 54

2.5.2 使用SL计算基于客户活跃度的流失率 54

2.6 高阶流失率：MRR流失率 56

2.6.1 MRR流失率的定义和计算 57

2.6.2 使用SL计算MRR流失率 58

2.6.3 MRR流失率、客户数流失率与净流失率 60

2.7 流失率测量转换 61

2.7.1 幸存者分析(高级) 61

2.7.2 流失率转换 63

2.7.3 通过SL对任意时间窗口内的流失率进行转换 64

2.7.4 选择流失率测量窗口 65

2.7.5 季节和流失率 66

2.8 本章小结 67

第3章?客户指标计量 69

3.1 从事件到指标 71

3.2 事件数据仓库模式 72

3.3 统计某个时间段内的事件 74

3.4 指标周期定义的详细信息 76

3.4.1 行为周期 76

3.4.2 用于指标测量的时间戳 77

3.5 在不同时间点测量 78

3.5.1 重叠测量窗口 78

3.5.2 时序指标测量 81

3.5.3 保存测量指标 81

3.5.4 保存模拟示例的指标 83

3.6 测量事件属的总数和平均值 84

3.7 指标质量保 85

3.7.1 测量指标如何随时间变化 85

3.7.2 A案例研究 88

3.7.3 检查指标覆盖率 90

3.8 事件A 92

3.8.1 检查事件如何随时间变化 92

3.8.2 检查每个账户的事件 95

3.9 选择行为测量的测量周期 97

3.10 测量账户使用期 99

3.10.1 账户使用期定义 99

3.10.2 账户使用期的递归CTE 101

3.10.3 账户使用期SL程序 103

3.11 测量MRR和订阅指标 106

3.11.1 计算MRR并作为指标 106

3.11.2 特定数量的订阅 108

3.11.3 计算订阅单元数量并作为指标 109

3.11.4 计算计费周期并作为指标 110

3.12 本章小结 112

第4章?观察续订与流失 115

4.1 数据集介绍 116

4.2?如何观察客户 117

4.2.1 提前进行观察 117

4.2.2 观察续订和流失的顺序 119

4.. 创建订阅数据集 120

4.3 从订阅中识别活跃期 121

4.3.1 活跃期 121

4.3.2 用于存储活跃期的模式 122

4.3.3 寻找正在进行的活跃期 1

4.3.4 找到以客户流失为结束的活跃期 124

4.4 识别非订阅产品的活跃期 128

4.4.1 活跃期定义 128

4.4.2 从事件生成数据集的过程 129

4.4.3 用于计算活跃周的SL 3

4.5 选择观察日期 132

4.5.1 平衡流失和非流失观察 132

4.5.2 选择观察日期的算法 133

4.5.3 计算观察日期的SL程序 134

4.6 探索客户流失数据集 137

4.7 导出当前客户进行细分 141

4.7.1 选择活跃账户和指标 141

4.7.2 通过指标来细分客户 143

4.8 本章小结 143

第Ⅱ部分?动手实践

第5章?通过指标理解客户流失和客户行为 147

5.1 指标队列分析 149

5.1.1 队列分析背后的思想 150

5.1.2 使用Python进行队列分析 152

5.1.3 产品使用队列 155

5.1.4 账户使用期队列 157

5.1.5 计费周期的队列分析 159

5.1.6 队列规模 160

5.1.7 显著和不显著的队列差异 161

5.1.8 具有大量零客户指标的指标队列 162

5.1.9 因果关系：指标会导致客户流失 163

5.2 总结客户行为 164

5.2.1 了解指标的分布 164

5.2.2 用Python算据集汇总统计信息 166

5.. 筛选罕见指标 168

5.2.4 邀请业务人员共同保数据质量 168

5.3 指标分数 169

5.3.1 指标分数背后的想法 169

5.3.2 指标分数算法 170

5.3.3 使用Python计算指标分数 171

5.3.4 使用评分指标进行队列分析 173

5.3.5 MRR的队列分析 175

5.4 删除无效的观察 176

5.4.1 从流失分析中删除非付费客户 177

5.4.2 在Python中根据指标阈值删除观察 178

5.4.3 从罕见指标分析中删除零测量值 179

5.4.4 脱离行为：与流失率增加相关的指标 180

5.5 使用队列分析细分客户 182

5.5.1 细分过程 182

5.5.2 选择细分标准 182

5.6 本章小结 183

第6章?客户行为之间的关系 185

6.1 行为之间的相关 16

6.1.1 “指标对”之间的相关 16

6.1.2 使用Python计算相关 190

6.1.3 使用相关矩阵了解指标集之间的相关 191

6.1.4 案例研究的相关矩阵 193

6.1.5 在Python中计算相关矩阵 194

6.2 对行为指标组计算平均值 196

6.2.1 为什么要计算相关指标分数的平均值 196

6.2.2 使用载荷矩阵(权重矩阵)计算平均分数 197

6.. 载荷矩阵的案例研究 198

6.2.4 在Python中应用载荷矩阵 200

6.2.5 基于指标组平均分数的流失队列分析 202

6.3 发现相关指标组 204

6.3.1 通过聚类对指标进行相关分组 204

6.3.2 在Python中计算聚类相关 206

6.3.3 将分数的平均值作为分数载荷矩阵的权重 211

6.3.4 运行指标分组及分组队列分析列表 212

6.3.5 为聚类选择相关阈值 213

6.4 向业务人员解释相关指标组 215

6.5 本章小结 217

……

Carl Gold是Zuora,Inc.的首席数据科学家。Zuora是一个综合订阅管理平台和新上市的硅谷独角兽公司，在全球拥有1000多家客户。Zuora的客户来自众多行业，包括软件(软件即服务，SaaS)、媒体、旅游服务、消费包装商品、云服务、物联网(Internet of Things，IoT)和电信运营商。Zuora在订阅和经常收入方面是的。Carl于2015年加入Zuora，担任首席数据科学家，并为Zuora的客户分析产品Zuora Insights开发了预测分析系统。

对于任何依赖经常收入和重复销售的企业来说，让客户保持活跃并持续购买是必不可少的。客户流失(或“流失”)，这种代价高昂且令人沮丧的事情是可以预防的。通过使用本书中介绍的技术，你可以识别客户流失的预警信号，并学会在客户离开之前识别并挽留他们。 《客户留存数据分析与预测》向开发人员和数据科学家传授经过实践明的技术与方法，可以在客户流失发生之前阻止其发生。本书包含很多来自现实中的示例，介绍如何将原始数据转换为可衡量的行为指标、计算客户生命周期价值，并使用人口统据改进客户流失预测。通过遵循 Zuora 首席数据科学家 Carl Gold 的方法，你将获得高客户留存率带来的优势。 主要内容 ● 计算流失指标 ● 通过客户行为预测客户流失 ● 使用客户细分策略减少客户流失 ● 将客户流失分析技术应用于业务领域 ● 使用人工智能技术进行准确的客户流失预测

对于任何依赖经常收入和重复销售的企业来说，让客户保持活跃并持续购买是必不可少的。客户流失(或“流失”)，这种代价高昂且令人沮丧的事情是可以预防的。通过使用本书中介绍的技术，你可以识别客户流失的预警信号，并学会在客户离开之前识别并挽留他们。 《客户留存数据分析与预测》向开发人员和数据科学家传授经过实践明的技术与方法，可以在客户流失发生之前阻止其发生。本书包含很多来自现实中的示例，介绍如何将原始数据转换为可衡量的行为指标、计算客户生命周期价值，并使用人口统据改进客户流失预测。通过遵循 Zuora 首席数据科学家 Carl Gold 的方法，你将获得高客户留存率带来的优势。 主要内容 ● 计算流失指标 ● 通过客户行为预测客户流失 ● 使用客户细分策略减少客户流失 ● 将客户流失分析技术应用于业务领域 ● 使用人工智能技术进行准确的客户流失预测