预测性留存设计器

一句话定位

从"流失后挽回"到"流失前阻止"——用 AI 预测用户流失风险，在流失发生之前主动干预。

何时触发

• 用户流失率高，挽回成本高
• 获客成本上升，留存变得比获客更重要
• 需要从被动运营升级为主动预防
• 需要量化流失风险并优先干预高价值用户

输入

产品类型 + 当前留存数据 + 已知流失原因。

示例输入：

产品: SaaS 企业软件
月流失率: 5%
获客成本: $500/用户
挽回成功率: 10%
主要流失原因: 用户不活跃 → 价值感知低 → 不续费

设计流程

Step 1: 流失信号识别

任务：识别用户流失前的预警信号。

行为信号:
  - 登录频率下降
  - 核心功能使用减少
  - 支持工单增加（可能是挫败感）
  - 数据导出行为（准备迁移）

情绪信号:
  - NPS 评分下降
  - 社交媒体负面评价
  - 客服投诉增加

商业信号:
  - 使用量低于合同约定
  - 关键决策人离职
  - 预算周期变更

Step 2: 流失风险评分

任务：建立用户流失风险评分模型。

评分维度:
  活跃度下降: 权重 30%
  功能使用深度: 权重 25%
  支持交互频率: 权重 20%
  合同/续费周期: 权重 15%
  组织变动: 权重 10%

风险等级:
  绿色 (0-30): 健康用户
  黄色 (31-60): 关注用户
  橙色 (61-80): 风险用户
  红色 (81-100): 高危用户

Step 3: 干预策略设计

任务：为不同风险等级设计干预策略。

干预策略:
  绿色: 无需干预，保持正常服务
  黄色:
    - 自动推送价值报告
    - 邮件提醒未使用功能
    - 邀请参加线上活动
  橙色:
    - 客户成功经理主动联系
    - 提供个性化培训
    - 提供功能升级试用
  红色:
    - 高管介入
    - 提供定制化方案
    - 提供续费优惠
    - 紧急修复已知问题

Step 4: 效果追踪

任务：追踪干预效果，优化干预策略。

追踪指标:
  - 干预成功率（风险降级）
  - 干预响应时间
  - 不同干预方式的效果对比
  - ROI（干预成本 vs 留住用户的 LTV）

综合输出格式

predictive_retention_design:
  input:
    product: "产品名称"
    churn_rate: "流失率"
    cac: "获客成本"
    recovery_rate: "挽回成功率"

  signals:
    behavioral: ["行为信号"]
    emotional: ["情绪信号"]
    commercial: ["商业信号"]
    available: ["当前可追踪的"]
    need_to_build: ["需要建设的追踪能力"]

  risk_scoring:
    dimensions:
      - name: "活跃度下降"
        weight: 30%
        data_source: "数据来源"
      - name: "功能使用深度"
        weight: 25%
        data_source: "数据来源"
      - name: "支持交互"
        weight: 20%
        data_source: "数据来源"
    thresholds:
      green: "0-30"
      yellow: "31-60"
      orange: "61-80"
      red: "81-100"

  interventions:
    green: ["策略"]
    yellow: ["策略"]
    orange: ["策略"]
    red: ["策略"]

  metrics:
    primary: "流失率下降"
    secondary: ["干预成功率", "干预ROI", "风险预测准确率"]

常见误判

• 干预太晚：等到红色才干预，往往已经来不及
• 干预太频繁：黄色用户收到太多"关怀"，反而加速流失
• 忽视高价值用户：只看风险评分不看用户价值

一句判断

预测性留存的核心不是预测准不准，而是干预够不够早、够不够对。