为什么关注留存率

引子

大部分公司都具有 transaction data 交易数据，这种数据是非常常见、非常容易采集的，包含客户是什么时间购买产品的，买的什么产品，消费金额是多少。总结一下，就是RFM数据

• R （recency）: 最后一次购买距今的时间

• F （frequency）: 一段时间内的交易频次

• M （monetary） : 一段时间内的交易金额

一些看似简单、但是非常常见的问题：

• 企业目前有多少个客户？

• 去年至今增加了多少客户？

• 哪些客户表现的更活跃，哪些可以已经进入休眠状态，甚至已经流失了？

• 这些在名单上的客户，明年的消费水平如何，明年一共能给企业带来多少销售额？

以上问题看似简单，可能直接用ERP/CRM系统就能回答，但是我们用了一个 隐含的假设，我们口中的 客户 实际上 我们指的是 活着的（没有流失） 的客户，所以如果我们能 知道每个客户是否是活着的，换句话说，知道每个客户的 留存率 (活着的可能性)

那样，以上的问题都可以回答！

例子：一家公司有三个客户A, B, C， 他们的留存率分别是：

• A: 0.9

• B: 0.7

• C: 0.4

• 那么这家客户一共有: $ 0.9 + 0.7 + 0.4 = 2 $ 个客户，而不是3个！

针对非契约型的交易模式，回答留存的问题是比较困难的。因为企业与客户之间的交易没有合约的约束，客户的购买行为随机发送，即使他们再也不来了，也不会通知我们，企业无法获知客户流失的时点，客户生命周期不确定。

如何计算每个客户的留存率呢？

• Pareto/NBD 概率模型

• 深度学习

• 两者结合