怎么可能做到 90%客户留存？让愤怒小鸟再飞一会

编者按本文作者张溪梦，是前 LinkedIn 商业分析部门高级总监。于 2015年 在硅谷和北京建立了大数据分析公司 GrowingIO，本文介绍了该公司以数据分析促进企业营收的经验。文章首发于狼蚁网络推广号GrowingIO。

很多人都玩过《愤怒的小鸟》，有一只鸟，飞到半空中，以抛物线的姿态，这条抛物线可以分成四个点，起飞点、平衡点、快要降落点、降落点，是不是客户的生命周期有类似之处，从消费开始、成长、稳定、下降，离网。

我们想让这只小鸟飞得远一点，不要立刻落地，落地就相当于客户流失了，应该在哪一个生命周期做工作？

一、什么时候给它一个推力，它可以飞得更远？

还有一个有意思的故事，LinkedIn 是个企业级的服务商，它是世界上第二大的 SAAS 公司，就是提供企业软件服务的。

以前我们在 LinkedIn 最早做客户流失模型时，每次检测到用户快流失的时候，就给他发 E-Mail（美国一般都用 E-Mail 营销），比如给客户 50%的折扣、或者这个月可免费等促销手段，但我们很快发现，客户立马关了，他关了。

启动营销方案了，用户流失的可能性反而加大了。

为什么？因为很多付费用户都忘了自己在付费，等到我们检测他会流失的时候，一旦邮件发了 50%这种折扣促销，反而等于提醒了他还在付费，立刻让他把账户关了。

我们开始反省用户流失模型怎么会产生负面影响？用户不使用我们的产品，产品没有价值，怎么做？

把助推点提前，把用户生命周期往前推，不是在他流失的时候，才对他进行照顾，而是把邮件或者营销方法提前，提前到小鸟飞行中间节点，好很多。后来甚至推到极致，在他刚刚开始注册账户，LinkedIn 负责客户关系的部门就介入培训客户，又好很多。

在我们负责推广这套客户关系系统管理后，LinkedIn 用户的流失率从最早的时候 51%、变成 30%到了今天低于 20%，估计明年的流失率是 10%以内。

流失率从 50%降到 10%，每年有 90%的付费用户留存，这意味着什么？中间 Revenue 是在以几何倍数的增长。

大家可以再玩一下《愤怒的小鸟》，数学分析和物理相互关系，把低活跃变成高活跃，为未来流失减低做了很多伟大贡献。

所有数据和业务是完全强关联，管理客户流失在早期就要进行行动。但和产品接洽时间不一样，每个客户流失时间也不一样。以前把所有用户加起来报一个数，这是错误的。

鸟飞得远，不是发出去，是按照时间点发的，每个用户精确管理它的生命周期。也就是今天我们讲的行动和数据紧密结合。

二、怎么可能精确到管理每个客户？

LinkedIn 有 3.5 亿左右的用户，几千名销售，我们怎么可能能精确管理到每个客户的生命周期呢？

彼德·德鲁克说，如果一个事物无法度量的话，那么我们就没法管理它。说的是，定下目标以后，必须要可衡量、可度量，我们才能对它进行管理和成长。

我们怎么能做到可衡量、可度量每一个客户的生命周期？

我们当时针对所有用户，他们怎么用 LinkedIn 网站的，我们分析了每一位用户的行为，每个公司的猎头人员，或者每个卖家、买家很细微的点击、看、发信。

把这些细微的行为，算出来了一个积分，我们定期地对用户进行打分，每天、每星期、每月，打完分以后对整个数据库进行排序，每天只把这种最有可能流失的客户，及时地通知负责客户管理的客户关系经理。

而在以往，还是每个季度才能做一次这样的分析，为什么？

因为慢。

现在 LinkedIn 变成实时地在计算着这种东西，每天都能看到最重要客户的排名，最可能流失的客户排名。这样，客户关系经理的效率极速提高。以前，他拍脑子都不会知道，这 300 个客户里面张三、李四都在干什么，但今天，仅仅通过一张积分表，他就能够很精准地预测一个用户的流失。

这实际上就是自动化。这是一个高纬度自动化的模型在后面猛烈计算，它算出来一个非常简单的数字值。

以前在 LinkedIn 产品里面，我们当时大约有 200-300 个不同 KPI。后来通过这个抽象出来以后，只有两个值，销售或者客户关系经理只看两个数值，温度和健康度。

温度，就是说用户继续购买 Linkedin 服务的可能性有多少。

健康度，就是说用户使用这个产品的频次有多少.

使用并不表示他要付费，付费并不等于他要使用，这两个东西放在一起以后，所有的人员就都被这些数据带动起来了。

比如说一个客户非常健康却不购买，那么客户关系经理就要追卖东西；有的客户只付费不使用，这些客户一定会流失，客户关系经理就要开始培训客户如何使用付费功能······

这样，每天都在带动客户越来越和这个平台有更多的互动，这套东西后来就形成了整个客户成功的服务体系。

到今天，LinkedIn 的员工 90%的销售每天都在用这套系统，99%的人每周都在用这套系统，每天会用多少次？平均每天每个人用 10 次左右。

而在以前，他一年才能做两个数据驱动决策，现在他每天基本平均接触 10 个数据决策。这样他的效率是呈几何倍数在升高。

结果就是，流失率从 50%降到 10%，每年90%的付费用户留存。

所以，为什么要做数据驱动下的精细运营，其实数据驱动的核心就是要提高效率，真正做数据驱动就是为拉十列车装上轮子。

延伸阅读

知乎周源如何做到82.8%用户留存率？

提高App用户留存的5个原则

为何移动端最大的问题是用户留存？