预测公共数字减肥干预中用户的早期流失

文献标题

预测公开数字减肥干预中的早期用户流失

文献信息

• 主题领域: 数字健康、机器学习、行为预测
• 关键词: 机器学习、流失预测、用户留存、mHealth、数字健康、体重管理、行为干预、多维特征

研究背景与问题

• 问题与挑战:

  1. 数字健康干预(DHIs)通常经历高流失率，导致用户未能达到预期的健康效果。
  2. 流失率在公众可用的体重管理应用中尤其高，仅约42.2%的用户完成了试验后的使用要求。
  3. 流失预测研究大多集中在受控环境中，难以扩展到大众健康应用。此外，大多数研究在用户已经流失后才执行预测，而不是早期阶段。
  4. 很少有研究探讨在流失预测后重新吸引用户的有效性。

• 重要性: 高流失率不仅阻碍了健康干预的效果，还导致资源浪费和用户满意度大幅下降。早期精准预测用户行为流失可优化个性化干预以提高用户留存率，改善健康结局。

• 研究动机与相关工作: 作者旨在填补现有研究中的关键空白，包括利用机器学习(ML)算法预测早期流失，分析多维特征影响，并评估重新吸引用户的潜力。作者指出先前研究使用的特征选择和模型维度对流失预测仍未定论。例如，Kwon等人首次研究公众可用的减肥应用流失，但数据时间窗太长且忽略了早期流失阶段。

解决方案

• 方法或解决方案:

  1. 对公开订阅制体重管理应用（WayBetter）进行流失预测，并探索流失在7天试用期的动态。
  2. 实验数据来源于1,283位用户的310,845条事件日志，试验采用多种ML算法，包括Logistic回归、决策树、随机森林(Random Forest, RF)、XGBoost、人工神经网络(ANN)等。
  3. 比较不同维度特征的模型，包括低维(LDM，主要基于日志次数)、中维(MDM，整合独立性变量如安装日、用户体重等)以及高维(HDM，包含174个应用内事件特征)。

• 创新之处:

  1. 首次研究通过不同模型维度和机器学习算法，在合成真实用户参与数据中实现7天内流失预测。
  2. 探讨哪些特征对流失预测的贡献最高，并通过用户实际使用行为分析流失干预策略的潜力。
  3. 使用贝叶斯逻辑回归（BLR）及其他模型，评估其适用于即兴适应性干预(JITAIs)的可能性。

• 实施步骤:

  1. 数据清洗与预处理：剔除反映取消订阅的直接事件日志，处理数据中的异常值；
  2. 特征构建：包括每日登录次数、会话时长、用户体重等；
  3. 模型训练与评估：从低维到高维模型，经过10折交叉验证、超参调整，优化主要性能指标(F1分数、AUC等)。

研究成果

• 具体成果:

  1. 在流失率高达65%的情况下，RF低维模型在第7天取得最佳性能，F1分数为0.865，平均每周0.839，表现优于部分高维模型。
  2. 低维模型仅使用每日登录次数，就实现了高精度流失预测，与高维模型相比在复杂性和可解释性上占优势。
  3. 高维模型在低误报率条件下对正负类的区分能力更强，AUC值显著领先（平均0.789）。

• 优势对比:

  1. 与现有研究（如Kwon等、Bricker等）相比，此研究模型简化，但性能相近，表明每日登录次数足以捕获用户参与动态。
  2. 作者进一步量化了即使在预测准确的情况下，用户通过追加干预措施重新参与的可能。

• 实验或评估结果:

  1. 约93%的流失用户在试验期可被模型正确识别。
  2. RF模型在第一天至第六天平均正确预测了80.6%的重新参与用户。
  3. 流失干预成效随着用户继续流失而下降——预测后的重新参与用户比例从日2的48.8%下降至日7的18.6%。

• 局限性与未来方向:

  1. 用于订阅模式的流失定义可能不适用于免费(mFreemium)应用，此限制影响了结果的普适性。
  2. Rule-based的应用内干预（如推送提醒）影响了模型性能，但未纳入调整。
  3. 建议未来在实际实施中结合强化学习，提高模型动态适应性，进一步在随机对照试验中验证干预策略有效性。