churn-predictor

name	churn-predictor
description	流失预测器 - 识别高风险流失客户，分析流失原因，提供挽回策略建议
version	1.0.0
author	Shopilot
argument-hint	<customer-id> | [predict] | [analyze]
disable-model-invocation	false
user-invocable	true

Churn Predictor 🔮

AI驱动的客户流失预测系统，提前识别风险，主动挽回客户

基于机器学习和行为分析的智能流失预测系统，通过分析客户行为模式、购买趋势、互动频率等多维度数据，精准识别高风险客户，提供个性化挽回策略，最大化客户留存率。

---

🎯 核心功能

1. 流失风险评分

风险等级（0-100分）

极低风险 (0-20分):
  特征: 稳定购买、高互动、高满意度
  预测流失概率: <5%
  行动: 维护现状，适度关怀

低风险 (21-40分):
  特征: 正常购买、稳定互动
  预测流失概率: 5-15%
  行动: 定期跟进，预防性维护

中风险 (41-60分):
  特征: 购买下降、互动减少
  预测流失概率: 15-35%
  行动: 主动干预，了解原因

高风险 (61-80分):
  特征: 长期未购、低互动、投诉
  预测流失概率: 35-60%
  行动: 紧急干预，强力挽留

极高风险 (81-100分):
  特征: 停止互动、负面反馈、竞品切换
  预测流失概率: >60%
  行动: 最后尝试，了解流失原因

2. 流失信号检测

早期预警信号

🔴 高危信号（立即行动）
├─ 连续3个月未购买
├─ 退订邮件/短信
├─ 取消关注社交媒体
├─ 投诉未解决超过7天
├─ 明确表示不再需要
└─ 发现使用竞品

🟡 警示信号（密切关注）
├─ 购买频率下降 >50%
├─ 客单价下降 >40%
├─ 互动率下降 >60%
├─ 退货率突然上升
├─ 浏览竞品网站
└─ 负面评价/投诉

🟢 正常信号（保持关注）
├─ 购买频率稳定
├─ 互动率正常
├─ 无投诉记录
├─ 正面反馈
└─ 推荐新客户

3. 流失原因分析

常见流失原因

产品相关:
  价格因素: "价格太高/竞品更便宜"
  质量问题: "产品质量不稳定"
  功能缺失: "缺少需要的功能"
  产品过时: "产品不再满足需求"

服务相关:
  客服体验: "客服响应慢/态度差"
  售后问题: "退换货体验差"
  配送问题: "配送太慢/经常出错"
  服务中断: "服务不稳定"

体验相关:
  网站体验: "网站难用/经常卡顿"
  购买流程: "购买太复杂"
  支付问题: "支付不方便"
  账户问题: "账户管理不便"

竞品相关:
  竞品吸引: "竞品有更好的功能"
  竞品优惠: "竞品价格更优惠"
  品牌切换: "朋友推荐其他品牌"
  试用竞品: "正在测试其他产品"

个人相关:
  需求变化: "不再需要此类产品"
  预算限制: "预算削减"
  生活变化: "搬家/换工作等"
  健康原因: "健康原因停止使用"

其他:
  未知原因: "无法确定具体原因"
  多重原因: "多个因素综合影响"

4. 挽回策略推荐

基于原因的策略矩阵

┌─────────────┬───────────────┬──────────────┬──────────────┐
│ 流失原因     │ 优先级         │ 挽回策略      │ 成功概率     │
├─────────────┼───────────────┼──────────────┼──────────────┤
│ 价格敏感     │ 高            │ 专属折扣     │ 45%         │
│ 产品问题     │ 极高          │ 产品改进+补偿 │ 60%         │
│ 服务问题     │ 极高          │ 服务升级+道歉 │ 55%         │
│ 需求变化     │ 中            │ 需求重新匹配  │ 30%         │
│ 竞品切换     │ 高            │ 差化化价值    │ 35%         │
│ 体验问题     │ 高            │ 流程优化     │ 40%         │
│ 个人原因     │ 低            │ 暂停/降级    │ 50%         │
└─────────────┴───────────────┴──────────────┴──────────────┘

---

📋 使用场景

场景1：单客户预测

/churn-predictor --id "customer_67890"

输出示例：

🔮 流失风险预测 - 王芳

## 风险评估

风险等级: 🔴 高风险
风险得分: 72/100
流失概率: 48%
预测时间窗口: 90天内

## 风险因素分析

### 高危因素 🔴

1. **购买频率急剧下降**
   - 过去90天：0次购买（历史平均3次）
   - 下降幅度：-100%
   - 权重：25分

2. **互动几乎停止**
   - 邮件打开率：8%（历史45%）
   - 网站访问：0次（历史月均8次）
   - 权重：20分

3. **投诉未解决**
   - 投诉时间：45天前
   - 状态：待处理
   - 权重：15分

### 警示因素 🟡

4. **客单价下降**
   - 近期平均：¥320（历史¥580）
   - 下降：-45%
   - 权重：8分

5. **竞品关注**
   - 浏览记录：竞品网站访问
   - 频率：3次/周
   - 权重：4分

## 可能流失原因

### 主因分析（按概率排序）

1. **服务体验问题** (45%)
   - 投诉长期未解决
   - 可能导致不满累积

2. **产品需求变化** (30%)
   - 购买停止
   - 可能需求已满足或变化

3. **竞品吸引** (15%)
   - 浏览竞品频繁
   - 可能正在评估替代方案

4. **价格因素** (10%)
   - 客单价下降
   - 可能对价格敏感

## 挽回策略

### 紧急行动（48小时内）

1. **解决投诉**
   - 优先处理45天前的投诉
 客服主管亲自跟进
 提供补偿方案

 
 1对1电话回访
 了解真实原因
 表达重视

 
 赠送¥200无门槛券
 有效期7天
 表达歉意诚意



 
 定制化折扣方案
 基于历史偏好
 限时性（制造紧迫感）

 
 分配专属客服
 优先处理权限
 VIP体验（即使非VIP）

 
 新品试用机会
 独家体验权
 免费升级服务



 
 定期关怀（不过度）
 价值再教育
 成功案例分享

 
 采-纳-建议
 产品改进反馈
 让客户参与

 
 特殊会员权益
 积分奖励
 推荐激励





| 策略 | 预期成功率 | 成功标志 |
|------|-----------|---------|
| 投诉解决 | 65% | 投诉关闭+满意度≥4 |
| 专属折扣 | 40% | 使用优惠券+复购 |
| 服务升级 | 50% | 互动恢复+正面反馈 |
| 综合策略 | 55% | 30天内复购 |



 历史CLV：¥3,280
 预测未来CLV：¥2,400
 挽回ROI：投入¥200 → 预期回报¥2,400（12x）




✅ 客服主管跟进投诉
✅ 发送道歉邮件+¥200优惠券
✅ 安排48小时内电话回访


✅ 电话回访，了解原因
✅ 根据反馈定制方案
✅ 跟进优惠券使用


✅ 检查互动恢复情况
✅ 发送个性化推荐
✅ 邀请参与新产品试用


✅ 评估挽回效果
✅ 调整长期策略
✅ 或确认流失，归档分析



⚠️ 
 归档流失案例
 分析根本原因
 优化产品/服务
 防止类似流失

✅ 
 标记高关注度客户
 增加触点频率
 持续关系维护
 防止再次风险

场景2：批量风险扫描

/churn-predictor --scan --risk-level high

输出示例：

🚨 高风险客户预警报告 - 2024年4月

## 风险概览

高风险客户：67人
占总客户：1.3%
预期流失CLV：¥161,000
紧急处理优先级：高

## 风险分布

┌─────────────┬──────────┬────────┬──────────┐
│ 风险等级     │ 数量     │ 占比   │ CLV威胁  │
├─────────────┼──────────┼────────┼──────────┤
│ 极高(81-100)│ 12       │ 18%    │ ¥48,000  │
│ 高(61-80)   │ 55       │ 82%    │ ¥113,000 │
└─────────────┴──────────┴────────┴──────────┘

## TOP 20 高风险客户

### 极高风险（立即处理）

| 客户 | 风险分 | CLV | 主因 | 建议行动 |
|------|-------|-----|------|---------|
| cust_001 | 92 | ¥8,200 | 投诉未决 | 紧急介入 |
| cust_002 | 88 | ¥5,600 | 长期未购 | 强力激活 |
| cust_003 | 85 | ¥4,300 | 竞品切换 | 差异化 |
| cust_004 | 83 | ¥3,900 | 服务问题 | 升级服务 |
| cust_005 | 82 | ¥3,200 | 需求变化 | 重新匹配 |

### 高风险（本周处理）

| 客户 | 风险分 | CLV | 主因 | 建议行动 |
|------|-------|-----|------|---------|
| cust_006 | 79 | ¥2,800 | 互动下降 | 重新激活 |
| cust_007 | 77 | ¥2,500 | 价格敏感 | 专属折扣 |
| cust_008 | 75 | ¥2,300 | 产品不满 | 产品改进 |
...（续至20条）

## 流失原因聚类

### 主要原因（Top 5）

1. **服务体验问题** - 28人 (42%)
   - 投诉未解决：15人
   - 响应慢：8人
   - 服务中断：5人
   - 建议：客服流程优化

2. **产品相关** - 18人 (27%)
   - 质量问题：10人
   - 功能缺失：5人
   - 产品过时：3人
   - 建议：产品质量提升

3. **竞品吸引** - 12人 (18%)
   - 价格优势：7人
   - 功能更好：3人
   - 品牌偏好：2人
   - 建议：差异化策略

4. **需求变化** - 6人 (9%)
   - 不再需要：4人
   - 预算限制：2人
   - 建议：需求重新评估

5. **体验问题** - 3人 (4%)
   - 网站体验：2人
   - 购买流程：1人
   - 建议：UX优化

## 批量挽回策略




 立即解决所有待处理投诉
 客服主管1对1回访
 服务升级补偿
 预期挽回：16人（57%）


 收集具体产品反馈
 产品改进计划通知
 免费升级/换新
 预期挽回：10人（56%）


 差异化价值沟通
 专属优惠+增值服务
 竞品对比分析
 预期挽回：5人（42%）




 客服主管：2人（处理极高危）
 专职客服：5人（处理高危）
 预计工作量：2周


 优惠券/折扣：¥13,400
 服务升级成本：¥6,700
 总投入：¥20,100


 预期挽回CLV：¥88,550
 投入成本：¥20,100
 ROI：4.4x




 Day 1-3: 处理极高危客户（12人）
 Day 4-7: 处理高危前30人


 Day 8-10: 处理剩余高危客户
 Day 11-14: 效果评估+调整策略


 挽回成功率：目标>50%
 平均挽回周期：目标<14天
 满意度提升：目标≥4.0/5

场景3：流失原因分析

/churn-predictor --analyze流失原因 --period 90d

输出示例：

🔍 流失原因深度分析 - 过去90天

## 流失概览

总流失客户：156人
流失率：3.1%
CLV损失：¥187,200
挽回机会：¥56,000（30%可挽回）

## 流失原因分布

原因分布

服务问题 ████░░░░░░░░░░ 28% 产品问题 ███░░░░░░░░░░░ 24% 价格因素 ██░░░░░░░░░░░░ 18% 竞品吸引 ██░░░░░░░░░░░░ 16% 需求变化 █░░░░░░░░░░░░░ 8% 体验问题 █░░░░░░░░░░░░░ 6%

## 深度分析

### 1. 服务问题（28%, 44人）

**细分原因**
- 投诉处理慢：18人（41%）
  - 平均处理时长：12天（目标≤2天）
  - 影响：满意度降至2.1/5

- 客服态度差：15人（34%）
  - 主要问题：不耐烦、专业度低
  - 影响：NPS-42

- 售后体验差：11人（25%）
  - 退换货流程复杂
  - 配送问题处理不当

**改进建议**
1. 投诉处理流程优化（SLA 2天）
2. 客服培训计划
3. 售后流程简化
4. 预期减少流失：60%

### 2. 产品问题（24%, 37人）

**细分原因**
- 质量不稳定：21人（57%）
  - 主要产品：XYZ系列
  - 问题：故障率高

- 功能不满足：10人（27%）
  - 缺少：X、Y、Z功能
  - 需求：产品迭代

- 产品过时：6人（16%）
  - 竞品已升级
  - 我们未跟进

**改进建议**
1. XYZ系列质量改进（紧急）
2. 产品路线图调整
3. 功能迭代优先级
4. 预期减少流失：50%

### 3. 价格因素（18%, 28人）

**细分原因**
- 竞品更便宜：19人（68%）
  - 差价：平均15%
  - 价格敏感度高

- 涨价影响：6人（21%）
  - 最近涨价10%
  - 直接受影响

- 预算限制：3人（11%）
  - 个人财务原因

**改进建议**
1. 价格策略评估
2. 价值沟通强化
3. 分层定价
4. 预期减少流失：35%

### 4. 竞品吸引（16%, 25人）

**主要竞品**
- 竞品A：12人（48%）
  - 吸引点：功能更多
  - 价格：高20%

- 竞品B：8人（32%）
  - 吸引点：价格便宜
  - 功能：类似

- 其他：5人（20%）

**改进建议**
1. 差异化价值主张
2. 核心功能强化
3. 客户锁定策略
4. 预期减少流失：40%

## 流失客户画像

### 人口特征
- 年龄：35-45岁（60%）
- 地域：一线城市（70%）
- 职业：企业白领（55%）

### 行为特征
- 客户时长：6-12个月（45%）
- 购买频次：季度1次（65%）
- 客单价：中等（¥500-800）

### 满意度轨迹
- 首次购买：4.5/5
- 3个月：3.8/5
- 流失前：2.1/5

## 预防策略

### 早期识别
- 监控满意度下降
- 跟踪投诉趋势
- 分析互动变化

### 主动干预
- 满意度调查（季度）
- 客户成功计划
- 专属客服通道

### 系统优化
- 服务流程优化
- 产品质量提升
- 价格策略调整

## 行动优先级

### P0（立即执行）
1. 投诉处理流程优化
2. XYZ系列质量改进
3. 客服培训启动

### P1（本月内）
1. 产品功能迭代
2. 价格策略评估
3. 差异化价值定义

### P2（季度内）
1. 客户成功体系建立
2. NPS监控系统
3. 流失预警自动化

---

🎨 预测模型

评分算法

def calculate_churn_risk(customer_data):
    """
    流失风险评分算法

    Returns:
        int: 0-100的风险分数
    """
    score = 0

    # 1. 购买行为 (40分)
    # 购买频率变化
    purchase_frequency_delta = (
        recent_90d_purchase_count /
        historical_avg_purchase_count
    )
    if purchase_frequency_delta < 0.3:
        score += 25  # 频率下降>70%
    elif purchase_frequency_delta < 0.6:
        score += 18
    elif purchase_frequency_delta < 0.8:
        score += 10

    # 最近购买时间
    days_since_last_purchase = customer_data.days_since_last_purchase
    if days_since_last_purchase > 90:
        score += 15
    elif days_since_last_purchase > 60:
        score += 10
    elif days_since_last_purchase > 30:
        score += 5

    # 2. 互动行为 (30分)
    # 邮件互动率
    email_engagement_delta = recent_open_rate - historical_open_rate
    if email_engagement_delta < -0.5:
        score += 15  # 下降>50%
    elif email_engagement_delta < -0.3:
        score += 10
    elif email_engagement_delta < -0.1:
        score += 5

    # 网站访问
    website_visit_delta = recent_visit_count - historical_avg_visit
    if website_visit_delta < -0.7:
        score += 15

    
    
    unresolved_complaints = customer_data.unresolved_complaints
     unresolved_complaints > :
        days_since_complaint = customer_data.days_since_first_complaint
         days_since_complaint > :
            score += 
         days_since_complaint > :
            score += 
         days_since_complaint > :
            score += 

    
    satisfaction_delta = recent_satisfaction - historical_satisfaction
     satisfaction_delta < -:
        score += 
     satisfaction_delta < -:
        score += 
     satisfaction_delta < -:
        score += 

    
    competitor_visits = customer_data.competitor_website_visits
     competitor_visits > :
        score += 
     competitor_visits > :
        score += 
     competitor_visits > :
        score += 

     (score, )

---

💡 最佳实践

预测准确性

• 定期校准模型（月度）
• 结合人工判断
• 考虑行业特性
• 季节性调整

挽回时机

• 早期干预效果最佳
• 高危客户立即行动
• 中危客户定期跟进
• 低危客户预防维护

挽回策略

• 个性化而非通用
• 解决根本问题
• 提供真实价值
• 建立长期关系

---

📊 成功指标

预测准确性

• 预测准确率 >80%
• 假阳性率 <15%
• 假阴性率 <5%

挽回效果

• 高危客户挽回率 >50%
• 中危客户挽回率 >70%
• 整体流失率下降 >30%

商业价值

• CLV损失减少 >40%
• 挽回ROI >5x
• 客户满意度提升 >20%

---

🔗 相关Skills

• /customer-health-score - 健康度评分
• /reactivation-wizard - 重新激活
• /email-sequence - 挽回邮件序列
• /customer-service - 客户服务

---

Predict, prevent, protect customers! 🛡️

版本: 1.0.0 更新: 2026-04-12 作者: Shopilot Team