客户流失预测：信号、简单模型和评估方法

流失预测只有在足够早、标得够准时才有用。本文讲哪些信号能预测流失、怎么从规则起步，并用一个例子演示：按团队真实的处理能力，用精确率、召回率和提升倍数评估预测。

什么是流失预测

客户流失预测估计哪些客户会在一段时间内（比如接下来 60 天）取消、不再购买或不续约，让你趁还有时间采取行动。产出通常是一份排序名单，或每个客户一个风险分。

重点不在预测，而在行动。团队只打得了 50 个电话，模型却标出 500 个账户，也帮不上忙。

能预测流失的信号

行为几乎总比人口属性更有预测力。下表列出 SaaS 和订阅业务里最重要的信号。

两三个信号组合起来用；任何单一信号的误报都很多。

先从规则开始，而不是模型

上机器学习之前，先根据团队已有的经验写两三条规则，用历史数据检验：

• 近 30 天的活跃天数比前 30 天减少一半以上。
• 14 天没有用过核心功能。
• 实际使用的席位不到购买席位的一半。

命中两条及以上的账户就标出来。如果这样已经能抓到大部分流失客户，可能根本不需要模型；如果不行，这些规则就是模型要超过的基线。客户健康分是同一个思路的结构化版本。

一个例子：怎么评估预测

一家 SaaS 公司在季度初给 2,000 个活跃账户打分。接下来 60 天里有 150 个流失，基础流失率 7.5%（示例数字）。客户成功团队能联系 200 个账户，所以标出得分最高的 200 个。

• 标出的 200 个里有 80 个流失：精确率 40%。
• 全部 150 个流失账户里，有 80 个在名单上：召回率 53%。
• 随机挑 200 个，大约只有 15 个会流失（7.5%）；模型的 40% 是基础比例的 5.3 倍。

要按你实际能处理的数量来评估模型。这里看整体准确率会误导人：预测「没人流失」的准确率是 92.5%，却毫无用处。

升级到模型

规则不够用时：

1. 准确定义流失：取消、不续约，还是 90 天没有购买。
2. 为每个客户构造特征，用近 30–90 天的数据：活跃天数、核心动作、和上一期相比的趋势、席位、客服联系、套餐、使用时长。
3. 用知道结果的历史数据。用较早的月份训练，用最近的月份测试。
4. 从逻辑回归或梯度提升树开始。 它们容易解释，在表格数据上也很难被超越。
5. 按你的处理能力看精确率和召回率，并和规则基线比较。
6. 行动并衡量。 标出的账户里一半去联系、一半留作对照，看外呼是不是真的留住了客户。

常见误区

• 数据泄漏：用了只有在决定之后才出现的信号，比如访问取消页面。
• 预测得太晚：续约前一周分数才升高，已经来不及了。
• 没有行动计划：一份没人负责的名单什么都改变不了。
• 从不重新训练：产品一变，「正常使用」的样子也会变。

事后弄清客户为什么离开，见客户流失分析。

用 TapCub 准备输入数据

TapCub 没有内置流失模型，但能提供行为方面的输入。用户登录时做身份识别，并把事件关联到账户，全端分析 › 用户 › 账户 就能按公司显示活跃情况。在 全端分析 › 用户 › 分群与标签 为你的规则建分群，比如「14 天没有核心动作」；分群每天重算，名单始终是新的。按套餐或注册群组对比留存，看哪些群体流失得早；再给高风险分群的规模设一条监控。要做模型，就在你自己的数据分析环境或数据仓库里，把这些按账户的计数和计费数据结合起来。