對於任何依賴經常性收入和重復銷售的企業來說，讓客戶保持活躍並持續購買是必不可少的。客戶流失(或“流失”)，這種代價高昂且令人沮喪的事情是可以預防的。通過使用本書中介紹的技術，你可以識別客戶流失的預警信號，並學會在客戶離開之前識別並挽留他們。《客戶留存數據分析與預測》向開發人員和數據科學家傳授經過實踐證明的技術與方法，可以在客戶流失發生之前阻止其發生。本書包含很多來自現實中的示例，介紹如何將原始數據轉換為可衡量的行為指標、計算客戶生命周期價值，並使用人口統計數據改進客戶流失預測。通過遵循 Zu等

●第Ⅰ部分 構建自己的“裝備庫”
第1章 客戶流失 3
1.1 為什麼閱讀本書 4
1.1.1 典型的客戶流失場景 5
1.1.2 本書主要內容 6
1.2 對抗客戶流失 6
1.2.1 減少客戶流失的干預措施 7
1.2.2 為什麼客戶流失難以對抗 8
1.2.3 有效的客戶指標：防止客戶流失的利器 11
1.3 本書為何與眾不同 13
1.3.1 實用且透徹 13
1.3.2 模擬案例研究 14
1.4 具有重復用戶交互性的產品 15
1.4.1 支付消費品的費用 16
1.4.2 B2B服務 16
1.4.3 客戶流失與媒體廣告 17
1.4.4 消費者訂閱 17
1.4.5 免費增值商業模式 18
1.4.6 App內購買模式 18
1.5 非訂閱服務的客戶流失場景 18
1.5.1 將“不活躍”看作“流失” 18
1.5.2 免費試用轉換 19
1.5.3 upsell和down sell 19
1.5.4 其他“是/否”客戶預測 19
1.5.5 用戶行為預測 20
1.5.6 其他與客戶流失不同的用例 20
1.6 消費者行為數據 20
1.6.1 常見客戶事件 20
1.6.2 最重要的事件 23
1.7 對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 社交網絡模擬 27
1.8 使用很好客戶指標進行
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 34
第2章 測量流失率 35
2.1 定義流失率 38
2.1.1 計算流失率和留存率 39
2.1.2 流失率和留存率的關繫 40
2.2 訂閱數據庫 40
2.3 基本的客戶流失計算：淨留存率 42
2.3.1 淨留存率計算 42
2.3.2 使用SQL計算淨留存率 44
2.3.3 解釋淨留存率 47
2.4 標準流失率計算：基於客戶數量的流失 49
2.4.1 標準流失率定義 49
2.4.2 用於計算流失率的外連接 50
2.4.3 使用SQL計算標準流失率 51
2.4.4 何時使用標準流失率 53
2.5 基於事件的非訂閱產品流失率 53
2.5.1 通過事件確定活躍客戶和流失客戶 54
2.5.2 使用SQL計算基於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流失率的定義和計算 57
2.6.2 使用SQL計算MRR流失率 58
2.6.3 MRR流失率、客戶數流失率與淨流失率 60
2.7 流失率測量轉換 61
2.7.1 幸存者分析(高級) 61
2.7.2 流失率轉換 63
2.7.3 通過SQL對任意時間窗口內的流失率進行轉換 64
2.7.4 選擇流失率測量窗口 65
2.7.5 季節性和流失率 66
2.8 本章小結 67
第3章 客戶指標計量 69
3.1 從事件到指標 71
3.2 事件數據倉庫模式 72
3.3 統計某個時間段內的事件 74
3.4 指標周期定義的詳細信息 76
3.4.1 行為周期 76
3.4.2 用於指標測量的時間戳 77
3.5 在不同時間點測量 78
3.5.1 重疊測量窗口 78
3.5.2 時序指標測量 81
3.5.3 保存測量指標 81
3.5.4 保存模擬示例的指標 83
3.6 測量事件屬性的總數和平均值 84
3.7 指標質量保證 85
3.7.1 測量指標如何隨時間變化 85
3.7.2 QA案例研究 88
3.7.3 檢查指標覆蓋率 90
3.8 事件QA 92
3.8.1 檢查事件如何隨時間變化 92
3.8.2 檢查每個賬戶的事件 95
3.9 選擇行為測量的測量周期 97
3.10 測量賬戶使用期 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 測量MRR和其他訂閱指標 106
3.11.1 計算MRR並作為指標 106
3.11.2 特定數量的訂閱 108
3.11.3 計算數量並作為指標 109
3.11.4 計算計費周期並作為指標 110
3.12 本章小結 112
第4章 觀察續訂與流失 115
4.1 數據集介紹 116
4.2 如何觀察客戶 117
4.2.1 提前進行觀察 117
4.2.2 觀察續訂和流失的順序 119
4.2.3 創建訂閱數據集 120
4.3 從訂閱中識別活躍期 121
4.3.1 活躍期 121
4.3.2 用於存儲活躍期的模式 122
4.3.3 尋找正在進行的活躍期 123
4.3.4 找到以客戶流失為結束的活躍期 124
4.4 識別非訂閱產品的活躍期 128
4.4.1 活躍期定義 128
4.4.2 從事件生成數據集的過程 129
4.4.3 用於計算活躍周的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 計算觀察日期的SQL程序 134
4.6 探索客戶流失數據集 137
4.7 導出當前客戶進行細分 141
4.7.1 選擇活躍賬戶和指標 141
4.7.2 通過指標來細分客戶 143
4.8 本章小結 143
第Ⅱ部分 動手實踐
第5章 通過指標理解客戶流失和客戶行為 147
5.1 指標隊列分析 149
5.1.1 隊列分析背後的思想 150
5.1.2 使用Python進行隊列分析 152
5.1.3 產品使用隊列 155
5.1.4 賬戶使用期隊列 157
5.1.5 計費周期的隊列分析 159
5.1.6 最小隊列規模 160
5.1.7 顯著和不顯著的隊列差異 161
5.1.8 具有大量零客戶指標的指標隊列 162
5.1.9 因果關繫：指標是否會導致客戶流失 163
5.2 總結客戶行為 164
5.2.1 了解指標的分布 164
5.2.2 用Python計算數據集彙總統計信息 166
5.2.3 篩選罕見指標 168
5.2.4 邀請業務人員共同保證數據質量 168
5.3 指標分數 169
5.3.1 指標分數背後的想法 169
5.3.2 指標分數算法 170
5.3.3 使用Python計算指標分數 171
5.3.4 使用評分指標進行隊列分析 173
5.3.5 MRR的隊列分析 175
5.4 刪除無效的觀察 176
5.4.1 從流失分析中刪除非付費客戶 177
5.4.2 在Python中根據指標閾值刪除觀察 178
5.4.3 從罕見指標分析中刪除零測量值 179
5.4.4 脫離行為：與流失率增加相關的指標 180
5.5 使用隊列分析細分客戶 182
5.5.1 細分過程 182
5.5.2 選擇細分標準 182
5.6 本章小結 183
第6章 客戶行為之間的關繫 185
6.1 行為之間的相關性 186
6.1.1 “指標對”之間的相關性 186
6.1.2 使用Python計算相關性 190
6.1.3 使用相關性矩陣了解指標集之間的相關性 191
6.1.4 案例研究的相關性矩陣 193
6.1.5 在Python中計算相關性矩陣 194
6.2 對行為指標組計算平均值 196
6.2.1 為什麼要計算相關性指標分數的平均值 196
6.2.2 使用載荷矩陣(權重矩陣)計算平均分數 197
6.2.3 載荷矩陣的案例研究 198
6.2.4 在Python中應用載荷矩陣 200
6.2.5 基於指標組平均分數的流失隊列分析 202
6.3 發現相關性指標組 204
6.3.1 通過聚類對指標進行相關性分組 204
6.3.2 在Python中計算聚類相關性 206
6.3.3 將分數的平均值作為分數載荷矩陣的權重 211
6.3.4 運行指標分組及分組隊列分析列表 212
6.3.5 為聚類選擇相關性閾值 213
6.4 向業務人員解釋相關性指標組 215
6.5 本章小結 217
……

對於任何依賴經常性收入和重復銷售的企業來說，讓客戶保持活躍並持續購買是必不可少的。客戶流失(或“流失”)，這種代價高昂且令人沮喪的事情是可以預防的。通過使用本書中介紹的技術，你可以識別客戶流失的預警信號，並學會在客戶離開之前識別並挽留他們。
《客戶留存數據分析與預測》向開發人員和數據科學家傳授經過實踐證明的技術與方法，可以在客戶流失發生之前阻止其發生。本書包含很多來自現實中的示例，介紹如何將原始數據轉換為可衡量的行為指標、計算客戶生命周期價值，並使用人口統計數據改進客戶流失預測。通過遵循 Zuora 首席數據科學家 Carl Gold 的方法，你將獲得高客戶留存率帶來的優勢。
主要內容
● 計算流失指標
● 通過客戶行為預測客戶流失
● 使用客戶細分策略減少客戶流失
● 將客戶流失分析技術應用於其他業務領域
等

(美)卡爾·戈爾德 著 殷海英 譯