gabrielmoreira 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。