P7c predictive retention designer

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。

核心概念

概念 1：从消防队到烟雾探测器

传统留存是消防队模式——火灾发生了才去灭火。用户流失了才发现，用户投诉了才回应，用户取消订阅了才发挽回邮件。挽回概率通常低于 10%，且挽回成本往往比获取新用户还高。

预测性留存是烟雾探测器模式——在烟雾探测器响起时就行动。AI 模型以 70%-90% 的准确率预测未来 30 天内的流失概率，让你在用户流失决策尚未形成之前就改变轨迹。

维度	传统留存	预测性留存
时机	流失后	流失前
方式	促销/折扣	主动干预
个性化	统一活动	个体化方案
成本	高（挽回成本）	低（预防成本）
数据使用	描述性分析	预测性分析

概念 2：流失信号在沉默中

用户流失最强烈的信号不是负面行为，而是沉默。 向你投诉的用户是在给你机会，在社交媒体吐槽的用户至少还在意你的产品。真正危险的是什么都不说的用户——默默减少使用频率、默默跳过推送、默默降低互动深度。

AI 模型能检测的早期信号：

• 行为频率衰减：从每天打开变成每三天打开（渐进的，人类难以察觉）
• 互动深度下降：还在打开但浏览时间从 15 分钟降到 3 分钟（表面"活跃"，实际"路过"）
• 功能使用路径变窄：从使用 5 个核心功能变成只用 1 个（依赖度在下降）
• 外部信号：搜索竞品、浏览竞品内容

关键洞察：趋势比快照更重要。 一个每周使用 3 次的用户和一个从每周 7 次降到 3 次的用户，虽然当前频率相同，但流失风险完全不同。

概念 3：LTV 预测与干预优先级矩阵

并非所有用户都值得用同样的力度挽留。LTV 预测与流失风险结合，得出干预优先级矩阵：

	高流失风险	低流失风险
高 LTV	最高优先级，立即干预	持续关注，预防性维护
低 LTV	选择性干预，评估投入产出比	标准运营，不额外投入

这个矩阵实现了精准的资源分配——把最贵的干预手段留给最高价值、最高风险的用户，而非"撒胡椒面"。

概念 4：干预时机窗口

每个用户都有一个干预时机窗口——从"流失信号开始显现"到"流失决策固化"之间的时间段，通常在 7 到 21 天之间。

• 窗口期内：流失是"过程"而非"决定"，恰当干预可能改变轨迹
• 窗口期后：流失成为"决定"，任何干预都更像"挽回"而非"预防"

这不是"尽早干预"，而是"在对的时间干预"。 AI 模型可以根据用户历史行为模式，计算每个用户的最佳干预时间点。

概念 5：假阳性陷阱

预测模型会犯假阳性错误——把没有流失意图的用户判定为"高风险"。代价是隐蔽且危险的：

• 干预本身制造流失：用户困惑"为什么给我优惠？"，激活自我实现的预言
• 信任成本：用户质疑"如果你们把我误判为高风险，你们的判断还可信吗？"
• 资源错配：假阳性用户占据本该用于真正高风险用户的干预资源
• 自我强化误判：假阳性的"成功留存"被计入正样本，模型更加确信需要干预

控制假阳性的关键：分层干预——高置信度（>80%）用强力干预，中置信度（60%-80%）只用轻量干预，低置信度（<60%）只做后台监控。

分步执行

Step 1：流失信号识别

任务：建立多层信号体系。

信号分层：

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

输出：信号清单 + 数据来源 + 可追踪/待建设分类

Step 2：流失风险评分模型

任务：建立用户流失风险评分模型。

特征工程要点：

• 使用频率特征：最近 7/14/30 天的登录次数、使用时长、核心功能使用率
• 行为趋势特征：频率的变化率（加速度，不只是速度）、与历史均值的偏离度
• 互动特征：推送打开率、邮件点击率、客服交互频率
• 价值特征：消费金额变化、付费功能使用率、升级/降级行为

模型选择：

• XGBoost/LightGBM：结构化行为数据上表现优异，可解释性好
• LSTM/Transformer：捕捉行为序列中的时序模式
• 生存分析模型：不仅预测是否流失，还预测何时流失

关键：模型不仅要输出风险分数，还要指出导致高风险的主要因素——同样的风险分数，不同的成因需要不同的干预策略。

输出：风险评分模型 + 特征重要性 + 可解释性报告

Step 3：干预策略设计

任务：为不同风险等级设计差异化干预策略。

干预光谱（从轻到重）：

1. 被动等待：用户下次访问时调整展示内容，用户完全感受不到干预
2. 温和提醒：推送不提及沉默的内容推荐（"本周新上线了 3 部你可能喜欢的电影"）
3. 价值引导：主动提供新功能、新内容、新使用方式
4. 激励刺激：折扣、优惠、免费试用（有逆向选择风险）
5. 直接沟通：专属客户成功经理 1v1 联系（仅用于最高价值用户）

核心原则：最优的干预策略不是"最强的"，而是"刚好够的"。用最小的干预力度达到留存目标。

输出：干预策略矩阵 + 触发条件 + 预期效果

Step 4：干预伦理三层检验

任务：每次设计干预策略时，依次过三层筛子。

1. 用户期望检验：用户是否合理地预期到这个干预行为？如果需要"不被用户发现"才能有效，可能已越界
2. 替代方案检验：有没有同样有效但更尊重用户的方式？预测模型发现的往往不是"用户需要被挽留"，而是"产品需要被改进"
3. 长期价值检验：这个干预在 6 个月后是增加了还是减少了用户对我的信任？

输出：伦理检验清单 + 干预策略合规审查

Step 5：效果追踪与迭代

任务：追踪干预效果，优化模型和策略。

追踪指标：

• 干预成功率（风险降级比例）
• 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）
• 假阳性率控制

关键：好的预测性留存系统不怕失败——它怕的是没有反馈。每次失败的干预也是有价值的数据。

输出：效果追踪仪表盘 + 模型迭代计划

示例

示例 1：SaaS 企业软件的预测性留存系统

场景描述：一家 SaaS 企业软件公司，月流失率 5%，获客成本 $500/用户，挽回成功率仅 10%。主要流失路径：用户不活跃 → 价值感知低 → 不续费。希望从被动挽回升级为主动预防。

用户输入：

我们是 SaaS 企业软件，月流失率 5%，获客成本 $500，挽回成功率才 10%。主要流失原因是用户不活跃导致价值感知低，最后不续费。想做预测性留存。

执行流程：

1. 流失信号识别：
   • 行为信号：周活跃天数下降、核心功能使用频率衰减、协作人数减少、工单频率突增
   • 情绪信号：NPS 评分下降、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
2. 风险评分模型：基于 XGBoost 构建流失预测模型，特征包括最近 30 天活跃天数变化率、核心功能使用深度、协作人数趋势、工单频率。输出每个用户的 30 天流失概率 + 主要风险因素。
3. 干预策略分层：
   • 绿色（0-30）：无需干预，保持正常服务
   • 黄色（31-60）：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（61-80）：客户成功经理主动联系 + 个性化培训 + 功能升级试用
   • 红色（81-100）：高管介入 + 定制化方案 + 续费优惠 + 紧急修复已知问题
4. 伦理检验：
   • 用户期望检验：推送"价值报告"不暴露监控事实 ✓
   • 替代方案检验：发现甘特图功能加载慢（8 秒）是流失主因 → 优先修复功能而非发折扣
   • 长期价值检验：折扣挽留会训练"装走拿优惠"行为 → 改为价值引导

输出结果：

predictive_retention_design:
  signals:
    behavioral: ["周活跃天数下降", "核心功能使用频率衰减", "协作人数减少", "工单频率突增"]
    emotional: ["NPS 评分下降", "客服投诉增加"]
    commercial: ["使用量低于合同", "关键决策人离职"]
  risk_scoring:
    model: "XGBoost"
    features: ["30天活跃天数变化率", "核心功能使用深度", "协作人数趋势", "工单频率"]
    thresholds: { green: "0-30", yellow: "31-60", orange: "61-80", red: "81-100" }
    accuracy: "75-85%"
  interventions:
    green: "保持正常服务"
    yellow: "自动推送价值报告+未使用功能提醒+活动邀请"
    orange: "CSM 主动联系+个性化培训+功能升级试用"
    red: "高管介入+定制方案+续费优惠+紧急修复"
  ethics:
    user_expectation: "价值报告不暴露监控 ✓"
    alternative: "发现甘特图加载慢是主因 → 优先修复功能"
    long_term: "避免折扣挽留，改为价值引导"
  expected_outcome:
    churn_rate: "从 5% 降至 3%"
    intervention_success: "橙色→黄色降级率 60%"
    roi: "干预成本 vs 留住用户 LTV = 1:8"

示例 2：健身 App 的预测性留存伦理纠偏

场景描述：一款健身 App，用户收到了推送"你已经 5 天没有运动了，再不回来，你的进步就白费了"。推送准确捕捉到了行为变化，但用户感到被监控，直接卸载了 App。预测准确，但干预失败。

用户输入：

我们的健身 App 做了流失预测，推送很准——用户几天没运动我们就提醒。但很多用户反馈说感觉被监视，有人直接卸载了。预测做得好，干预效果反而差。

执行流程：

1. 问题诊断：预测能力没问题，问题在于干预方式。推送精确提及沉默天数，暴露了平台对用户行为的监控粒度 → 用户感到被监视。
2. 干预伦理三层检验：
   • 用户期望检验 ✗：用户未预期到平台在追踪"有没有完整运动"，推送精确到天数 → creepy
   • 替代方案检验：用户不运动可能是因为课程不感兴趣、时间不合适、或缺乏动力 → 产品改进优先于推送挽留
   • 长期价值检验 ✗：被"监视感"推送挽留的用户，信任度永久下降
3. 干预策略重设计：
   • 原方案："你已经 5 天没有运动了" → 暴露监控
   • 新方案：在用户下次自然打开 App 时，首页推荐"本周精选 15 分钟 HIIT 课程" → 不提及沉默，但内容确实是基于用户偏好的推荐
   • 更深层改进：分析流失用户的课程偏好，优化课程内容库；增加社交激励（朋友一起运动）而非惩罚性提醒
4. 效果验证：回归用户次日留存率比原始方案高出 23%，零投诉。

输出结果：

predictive_retention_design:
  diagnosis: "预测准确但干预方式触发'被监控感'"
  ethics_audit:
    user_expectation: "精确提及沉默天数 → FAIL"
    alternative: "产品改进（课程优化+社交激励）优先于推送"
    long_term: "监视感推送永久损害信任 → FAIL"
  revised_intervention:
    approach: "被动等待+内容优化"
    trigger: "用户下次自然访问时"
    content: "个性化课程推荐（不提及沉默信号）"
    deeper_fix: "优化课程内容库+增加社交激励机制"
  result:
    retention_lift: "+23% 回归用户次日留存"
    complaints: "零投诉"
    trust_impact: "正向（用户觉得'App 越来越懂我'而非'App 在监视我'）"

常见陷阱

• 陷阱 1：干预太晚——等到红色才干预，往往已经来不及
• 陷阱 2：干预太频繁——黄色用户收到太多"关怀"，反而加速流失
• 陷阱 3：忽视高价值用户——只看风险评分不看用户价值
• 陷阱 4：折扣挽留的逆向选择——训练用户"装走拿优惠"
• 陷阱 5：预测越准干预越侵入——准确不等于可以暴露监控事实
• 陷阱 6：把预测当干预触发器——预测发现的往往是"产品需要改进"而非"用户需要被挽留"

与其他 Skill 的关系

• 上游输入：p7a-data-flywheel-builder（数据飞轮为流失预测提供数据基础）、p7b-intent-prediction-designer（意图变化可作为流失早期信号）
• 下游应用：留存用户继续使用产品，产生数据反哺飞轮
• 并行参考：p7d-marketing-productizer（营销产品化可降低流失率——产品体验本身就是留存手段）