流失预测

建模型从行为信号给每用户流失风险评分，以在离开前干预。

为什么

防流失比追回便宜 5-10 倍 — 在首个流失信号得及时干预（问候邮件、功能提示、人工联系）的用户留存是无干预者 2-3 倍。流失行为信号已知可测：会话频率降、核心动作率降、工单升级、客户关键人离。流失模型每日从这些信号给每用户评分，产排名单告诉客户成功团队本周联系谁及为什么。无模型 CS 随机联系（或只最响的）而静流失者 — 占多数 — 在任何人注意前走。模型还量化哪些信号最预测流失，告诉产品修什么降基线。

何时使用

有 1000+ 用户和 6 个月流失历史可训时。月再训因行为模式移。

如何做

1. 定义流失：SaaS"30 天无会话"或"降为免费"；消费"7 天无会话"
2. 拉 6 个月用户行为：会话频率、核心动作率、功能使用广度、工单、最后活跃天数
3. 历史用户在 30 天标流失（1）或留存（0）；这是训目标
4. 在行为特征上训简单模型（逻辑回归起步即可）；10 万+ 用户前跳深度学习
5. 每日给每活跃用户评分；输出 top-100 最高风险用户及其 top-3 风险信号
6. top-20 路由客户成功本周人工联系；21-100 路由自动邮件干预
7. 追干预结果：被联系用户 30d 留存了吗？哪些干预对哪些信号有效？
8. 月再训；产品变流失预测信号移，过时模型错排

示例

# 流失模型特征（逻辑回归）
- sessions_last_7d（计数）
- core_actions_last_7d（计数）
- feature_breadth（30d 内用过的不同功能）
- days_since_last_active
- support_tickets_open
- plan_downgrade_in_last_30d（布尔）
- key_person_left（布尔，B2B）

# 每日评分输出（100 中 top 5）
user_123  风险=0.82  信号：会话↓42%，核心动作↓60%，不活跃=12 天
user_456  风险=0.78  信号：工单=3 开，不活跃=9 天
user_789  风险=0.74  信号：功能广度↓2→1，降计划=true
user_012  风险=0.71  信号：关键人离=true，会话↓30%
user_345  风险=0.68  信号：核心动作↓50%，不活跃=8 天

# 干预路由
top-20（风险 > 0.65）：本周人工 CS 联系
21-100（风险 0.4-0.65）：自动"想你"邮件 + 功能提示

# 结果追踪（本月）
联系 80 用户 → 52 留存 30d（65%）vs 未联系 18%
→ 干预 3.6x 有效；扩到 top-40 人工联系

常见问题

⚠6 特征逻辑回归即可却起深度学习；复杂度延迟数月上线。
⚠只联系最响的风险账户（投诉的）而静流失者静走。
⚠不追干预结果，CS 持续用实际不留存的干预。
⚠永不再训模型；1 月预测流失的信号产品变后 6 月不预测。

最佳实践

✓从 6-8 行为特征逻辑回归起；可解释、快上线、通常达深度学习 90% 准确。
✓top-20 路由人工 CS、21-100 自动邮件；人工 3x 有效但不可扩到 100/周。
✓按信号类型追干预结果；告诉你哪些干预对哪种流失原因有效。
✓月再训；流失预测信号随产品变，过时模型 2 月内错排。