操盘手年鉴The Operators’ Almanac
GR · FW · 174

流失率拆解框架

Churn Decomposition Framework · churn-decomposition-framework--what-is-good-monthly-churn
增长 框架 AI 前 2022-02 Lenny Rachitsky ✓ 已核验出处
所属簇 留存与流失

解决什么问题

只看总流失率掩盖了不同类型的流失原因,导致无法精准优化留存策略。

核心内容

流失率应从两个维度拆解建模:

  1. Intentional vs. Involuntary churn(故意与非故意流失)
    • Intentional:用户主动决定停止使用产品。
    • Involuntary:非主观原因导致流失,如信用卡过期、忘记密码、连接错误。常被公司忽视,通过良好的数据监测可以标记并挽回这些事件。
  2. Soft vs. Hard churn(软流失与硬流失)
    • Soft churn:用户已停止使用产品但仍在付费(包月或包年)。这种情况表明产品的价值提取大于价值创造,应引起高度关注。
    • Hard churn:彻底流失。

适用边界

适用于所有需要精细化运营流失率的订阅制业务,特别是存在较高无意识流失或沉睡付费用户的产品。

关键引述 · 原话

"Where I see companies losing meaningful percentage points is in overlooking involuntary churn-good data instrumentation can flag these events..." — Crystal Widjaja

出处Lenny Rachitsky · 02-newsletters/what-is-good-monthly-churn.md
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast(2019–2026)。本站为个人学习用途的二次创作,与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2