AI 流失预测为什么救不回客户：从「预测谁会走」到「行动能留下谁」

一家 SaaS 客户做完流失预测模型，AUC 0.87，业务方很满意。上线三个月后复盘：模型确实准确预测出了流失客户，但客户该走的还是走了，留存率提升 0.4 个百分点，营销成本涨了 30%。

这不是模型问题，是问题定义问题。

一、预测与干预是两个问题

流失预测回答的是：在没有任何干预的情况下，谁会流失？

但业务真正要回答的是：如果我给他发这张优惠券，他的流失概率会降低多少？

这两个问题的答案，在人群上的分布几乎不重合。举个简化例子：

客户	不干预流失概率	给券后流失概率	提升（uplift）
A	90%	85%	+5pp
B	55%	20%	+35pp
C	45%	44%	+1pp
D	10%	10%	0pp

传统流失模型会把 A 排在最前，因为他「流失概率最高」。但 A 是必然流失者（Lost Cause）——他对优惠不敏感，券发出去大概率打水漂。真正该发券的是 B（Persuadable，可被说服者），给他 35 个点的提升，ROI 高得多。

C 和 D 是铁杆用户（Sure Thing），本来就会留下，发券纯属白送钱。

这就是为什么大量流失模型上线后效果平平：它们都在瞄准 Lost Cause。

二、三个需要修正的工程细节

1. 标签定义

「流失」怎么定义，直接决定模型质量。常见错误：

• 用了「取消订阅」作为标签，但很多用户是「不取消了但也不再用了」，这在收入上等同于流失
• 窗口期定得太短（比如 30 天），漏掉了善变的用户
• 把「降低套餐」和「彻底离开」混为一谈

实操建议：用**收入流失（Revenue Churn）**而非账户流失作为标签，窗口期按业务周期定（B 端通常 60-90 天），并单独建模「降级」。

2. 样本的时间穿越

最容易犯的错：用今天的状态预测今天的流失。比如「过去 30 天登录次数」这个特征，如果用户已经流失了，这个数字自然是 0——模型学到的其实是「已流失用户的特征」，毫无预测价值。

正确做法是时间点对齐：在 T 时刻预测 T+90 天是否流失，特征只取 T 时刻及之前的数据，严格避免泄漏。

3. 类不平衡与业务成本

流失率通常在 3%-10%，AUC 0.87 听起来不错，但 precision 可能只有 0.3。这意味着触达名单上三分之二的人其实不会流失，你给铁杆用户发了券。

三、从预测到 uplift：怎么做

Uplift 建模的难点是你无法同时观测一个人的两种状态。解决办法是引入实验设计。

步骤一：跑干预实验

从全量用户里随机抽一部分，随机分成「给券」和「不给券」两组，观察 90 天内流失差异。这是唯一能拿到真 uplift 数据的方式。

很多公司舍不得做对照组的「损失」，但不做实验就永远只能猜。

步骤二：用双模型或元学习器

拿到实验数据后，可以训练 uplift 模型：

• 双模型法：分别训练「给券组」和「对照组」两个流失模型，两者的预测差就是 uplift。简单，效果够用。
• X-learner / T-learner：更精细的元学习框架，适合对照组样本量少于 30% 的情况。
• 因果森林（Causal Forest）：能输出个体级别的异质效应，可解释性也不错，是我们的首选。

步骤三：做人群分层

把结果按 uplift 和基线流失率两个维度切成四象限：

• 高 uplift + 高基线下滑：优先触达，这里是钱
• 高 uplift + 低基线下滑：性价比不错，可以拓展
• 低 uplift + 高基线下滑：Lossless 名单，认了吧，别浪费预算
• 低 uplift + 低基线下滑：完全不管

四、真实收益

我们在一家 B 端 SaaS 客户上跑了这套流程。改造前的流失模型：留存提升 0.4pp，营销 ROI 1.2。

改成 uplift 模型后：触达量减少 60%，留存提升 3.1pp，ROI 4.7。

关键不是模型更准了，而是发券的对象换了。总预算没变，只是把三分之二的钱从「必然流失者」挪到了「可被说服者」身上。

五、别忘了触达方式本身

最后提醒一句：uplift 只能解决「发给谁」，不能解决「怎么发」。同样一批可说服用户，发一张 8 折券和打一个电话，效果差好几倍。触达渠道本身也应该进实验设计——A/B 测多发一组（不同触达方式），这部分的收益往往比模型优化更大。

流失预测不是预测问题，是决策问题。把问题定义改了，AUC 0.87 的模型也能产生真价值。