# P7c Predictive Retention Designer

> 预测性留存设计器

- Skill: `gabrielmoreira/p7c-predictive-retention-designer` (Agent Skill)
- Install (CLI): `npx skillmds@latest add gabrielmoreira/p7c-predictive-retention-designer`
- Raw SKILL.md: https://api.skillmd.com/api/skills/gabrielmoreira/p7c-predictive-retention-designer/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: gabrielmoreira (https://skillmd.com/u/gabrielmoreira)
- Updated: 2026-09-21
- Page: https://skillmd.com/skills/gabrielmoreira/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

```yaml
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。