比方说一个内容导购性app，自然希望用户多回访多看内容，用户黏性的期望自然比一般的销售平台高。不妨，我们先按照我们的期望值去做一个定义：超过30天没访问app的用户定义为流失用户（我们会从后面的分析过程中验证这样定义是否正确）。
那么［第n月度流失率］的计算公式是：第n月流失率该月流失的新激活用户量该月的新激活用户总量（我们统计时间是在第n2月）
有了第一步的“初次触电”，就有了往下的发展机会！第二步就得开始建立流失率的模型——
1、定义好什么是流失用户后，我和数据师在讨论，用什么模型来看才是最直观最能看出流失用户的行为的......(此处省略1万字)，最后数据师给我的建议是用曲线图来建模横坐标是天数（最后一次访问的日期距离激活日期的天数，可理解为：用户是在激活后第x天流失的），纵坐标是流失率（公式已在上面提及）。
（图2）
3、通过这个曲线图，总体可感知到，这批新用户的流失率达到50%，且在第30天左右达到一个稳定趋势，即证明了“30天内没访问”就认定为流失用户的这个定义还是比较合理的。同时，再细化来看，用户在激活后的两周内流失率是比较高的，如果熬过这两周，流失的用户也大大降低。那么，这也就引出了对新用户进来后两周内的运营引导工作是否还做得不够到位，或引进来的用户本身与app定位不太符合，需要在源头上调整呢？
有了这样一个数据基础，其实还可以继续深挖很多数据，比如：
1、流失用户的回访率（回访率回访用户量流失用户量＊100%），即探究（在定义的时间段内没回访）流失用户之后是否会回来以及，回来的频次和时间点是什么。这个数据的目的是，帮助运营了解流失用户回访的时间点，在最佳的时间做用户挽回动作，提升回访率；
2、细分这批流失用户在流失之前对app的访问频次、在app的使用行为（如：是在哪个环节跳走后而流失），从而推断用户流失的原因。举个例子：用户A在流失前访问频次很高，每周会访问3-5次，但是几次从app跳走的页面都是支付页，那么极有可能支付环节出了大问题。可能是支付经常提示错误造成用户厌烦，可能是支付流程复杂让用户觉得困扰。不好的体验造成了用户A流失的主要原因；等等
