用戶忠誠度模型

根據模型計算用戶忠誠度，對用戶賦予標簽，可對用戶分層進行輔助判斷。

L代表用戶忠誠度，t是時間窗口，n代表時間周期，s代表消費次數、活躍次數等（如果代表優活次數，則可表示為用戶優活忠誠度），若時間窗口以月為單位，那么t=1時，s是距離第一個月內的優活次數，t=2時，s是距離第二個月內的優活次數，設定要計算的L的周期n，計算結果L的值越大，說明用戶忠誠度越高。

例：計算A、B、C三個用戶2020年1月份至7月份的優活忠誠度。

t=1,n=7,s=7個月內每個月優活達標的次數，可計算L的值。假設值與計算結果如下：

根據計算結果可以看出，用戶忠誠度C=標準>A>B，

因此結論如下：

C用戶即使在7個月內有3個月優活未達標，但其優活忠誠度滿足標準，該用戶屬于自發性優活用戶，無需過多干擾；

A用戶在7個月內有3個月優活達標，其優活忠誠度略低于標準，該用戶屬于激勵性優活用戶，需對其采取少量刺激行為使其優活達標；

B用戶雖然在7個月內也有3個月優活達標，但其優活忠誠度低于標準，該用戶屬于不穩定用戶，即容易優活也容易失活。

反駁與推理

PS：如果只看到上述模型會覺得好像很有道理，計算公式明確，能夠得出結論，且結論好像符合實際數據規律，其實不然，上述模型是營銷號在運營地圖里編造的，經不起推敲。反駁如下。

1.公式錯誤

公式中 t 代表時間窗口，s 代表優活次數，然而數學公式中1個變量只能用一個字母表示，且

表示求和公式，如果按照上述求和公式計算，結果應該是

因此公式中 t 與 s 定義不明，公式存在錯誤。

2.舉例說明

同樣以A、B、C三個用戶和標準進行對比舉例，按照上述計算公式計算 L

可以看出，ABC三個用戶的忠誠度計算結果是相同的，則根據結論ABC三個用戶忠誠度相同，但很明顯能夠看出A用戶的優活天數遞增，B用戶的優活天數遞減，C用戶處于波動中，即A用戶忠誠度遞增且現在最高，B用戶忠誠度遞減且現在最低。

因此，上述用戶忠誠度模型得出的結論不符合實際情況。

用戶忠誠度模型

1.加權法

設定標準值時間，即想要分析的起始時間，根據距離標準值的第N個時間周期，設置加權數，計算加權賦值率，下表以月為例。

加權中根據最近第N月賦予不同權重的值。最近第1月離標準值最近，所以賦值最高；最近第12月離標準值最遠，所以賦值最低。（這里采用1年為周期的計算方式，如果顧客生命周期達到2年，也可以從24開始賦值，一直從最近1月賦值到最近第24月。）

加權賦值率計算：將12+11+……+1=78，作為賦值總和。加權賦值率=加權數/加權賦值總和

2.忠誠度

L表示用戶忠誠度，n表示計算周期，k表示加權賦值率，s表示1單位時間周期內次數

3.舉例說明

例1：設定7月為標準值

根據計算結果可以看出，LA>L標準>LC>LB，因此用戶忠誠度A>標準>C>B

例2：設定7月為標準值

用戶A最近優活的多，總共優活了140次；用戶B過去優活的多，總共優活了154次。

但是根據加權得出的用戶忠誠度，用戶A忠誠度＞用戶B忠誠度，因為用戶B最近的忠誠度太低了。

用戶忠誠度與用戶滿意度的結合

根據滿意度-忠誠度可以劃分出四象限，區分不同類型的用戶群體：高滿意度，高忠誠度是天使型用戶；低滿意度和低忠誠度是危險型用戶；低滿意度，高忠誠度是羊毛型用戶；高滿意度，低忠誠度是人質型用戶。

不同的用戶類型，可以在用戶運營時有針對性地采取不同的策略。

比如基于價格的忠誠度與滿意度結合：羊毛型用戶，說明產品不好用但價格便宜，采用低價讓利的優惠組合；天使型用戶，則引誘他們更高的消費。

比如基于活躍的忠誠度與滿意度結合：人質型用戶，說明產品好用或需求場景淺，但有同樣好用或更好用的產品會容易換用，采取數據壁壘的方式增加其換用難度；羊毛型用戶，說明產品應用場景深，但產品無法完全滿足其需求，需要針對其需求進行優化。