近年,随着移动互联网的进一步发展,大众需求着更加便捷的上网方式,逐渐由原先的PC转移到更加方便的移动端,各个互联网平台都在抢占着手机端应用的时长,各类手机App之间的竞争也因用户流量数据而强势展开。有需求就有竞争,有竞争就有改良和进步,正是市场的需求无形之中对诸多手机APP的形成发展起到了推动作用,由此使用者们在使用上拥有了更多的自由度,但与此同时也带来了一定的弊端,其中一些APP的使用者逐步流失的可能性增加。对于互联网企业来说,最关键的客户来源就是用户,只有源源不断的用户,企业才能够维持生命力,让使用者的使用时间得以稳固,是企业能否长久生存的关键问题。企业要想在激烈的时长竞争中不被市场淘汰,要适时的对自身产品进行更新换代,保持对用户的吸引力,稳住老用户,拉进新用户;同时也要通过数据深入地分析用户的行为习惯和偏好,探索用户行为与流失之间的联系。如果能通过统计模型找到用户留存的关键因素并预测出即将流失的用户,对不用需求的用户制定相应的挽留手段,则将对整个平台有着十分重要的影响。刚好数据挖掘中的模型,能够极好地符合该要求。本文结合本地生活平台内容消费用户与“抖音”、“快手”等内容平台中用户结构不同且更为复杂的特性,运用无监督机器学习模型,先将用户进行分类,了解用户现状以及不同用户的行为特征,再进行流失预警分析。并经过预处理行为特征,通过逻辑回归模型的系数,找到不同用户群体的核心行为,从而进一步提升模型结果对业务的实际应用价值。在实证过程中发现,平台的纯内容消费用户不足50%,平台除了需要转化更多用户成为内容消费用户提升用户时长和粘性外,还需要兼顾原本的找店用户,而不是如其他内容平台一样,单纯的推荐一些泛娱乐内容来增加用户浏览时长。但是,无论是哪一类用户,浏览时长都是用户留存的关键。通过对推算算法排序目标的调整和精细化的推荐排序优化,在实际业务的AB实验中也确实得到了不错的正向效果,次日留存提升0.7%,浏览时长提升0.5%。信息流用户的核心行为是消费时长,找店用户的核心行为是查看内容中的店铺。除了调整推荐算法目标外,也建议运用聚类技术找到不用类型用户,对不用户行为引导,吸引用户进行核心行为的操作,了解产品可以提供的帮助从而提升体验。另外,实际结果表明,根据对模型各项指标的评估（包括召回率、精准率、AUC等）,发现GBDT对于用户流失的预测效果相对更好,具有最好的用户流失预测性能。建议基于此算法预测出的流失用户,并通过PUSH进行流失用户召回机制,结合用户需求推送相应的内容。