with one click
p7c-predictive-retention-designer
// 预测性留存设计器。基于《AI Native 营销与增长》预测性留存概念卡, 帮助产品从"流失后挽回"升级为"流失前阻止"——在用户流失之前主动干预。
// 预测性留存设计器。基于《AI Native 营销与增长》预测性留存概念卡, 帮助产品从"流失后挽回"升级为"流失前阻止"——在用户流失之前主动干预。
[HINT] Download the complete skill directory including SKILL.md and all related files
| name | p7c-predictive-retention-designer |
| description | 预测性留存设计器。基于《AI Native 营销与增长》预测性留存概念卡, 帮助产品从"流失后挽回"升级为"流失前阻止"——在用户流失之前主动干预。 |
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。
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
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
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
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
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)
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"]
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。
传统留存是消防队模式——火灾发生了才去灭火。用户流失了才发现,用户投诉了才回应,用户取消订阅了才发挽回邮件。挽回概率通常低于 10%,且挽回成本往往比获取新用户还高。
预测性留存是烟雾探测器模式——在烟雾探测器响起时就行动。AI 模型以 70%-90% 的准确率预测未来 30 天内的流失概率,让你在用户流失决策尚未形成之前就改变轨迹。
| 维度 | 传统留存 | 预测性留存 |
|---|---|---|
| 时机 | 流失后 | 流失前 |
| 方式 | 促销/折扣 | 主动干预 |
| 个性化 | 统一活动 | 个体化方案 |
| 成本 | 高(挽回成本) | 低(预防成本) |
| 数据使用 | 描述性分析 | 预测性分析 |
用户流失最强烈的信号不是负面行为,而是沉默。 向你投诉的用户是在给你机会,在社交媒体吐槽的用户至少还在意你的产品。真正危险的是什么都不说的用户——默默减少使用频率、默默跳过推送、默默降低互动深度。
AI 模型能检测的早期信号:
关键洞察:趋势比快照更重要。 一个每周使用 3 次的用户和一个从每周 7 次降到 3 次的用户,虽然当前频率相同,但流失风险完全不同。
并非所有用户都值得用同样的力度挽留。LTV 预测与流失风险结合,得出干预优先级矩阵:
| 高流失风险 | 低流失风险 | |
|---|---|---|
| 高 LTV | 最高优先级,立即干预 | 持续关注,预防性维护 |
| 低 LTV | 选择性干预,评估投入产出比 | 标准运营,不额外投入 |
这个矩阵实现了精准的资源分配——把最贵的干预手段留给最高价值、最高风险的用户,而非"撒胡椒面"。
每个用户都有一个干预时机窗口——从"流失信号开始显现"到"流失决策固化"之间的时间段,通常在 7 到 21 天之间。
这不是"尽早干预",而是"在对的时间干预"。 AI 模型可以根据用户历史行为模式,计算每个用户的最佳干预时间点。
预测模型会犯假阳性错误——把没有流失意图的用户判定为"高风险"。代价是隐蔽且危险的:
控制假阳性的关键:分层干预——高置信度(>80%)用强力干预,中置信度(60%-80%)只用轻量干预,低置信度(<60%)只做后台监控。
任务:建立多层信号体系。
信号分层:
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
输出:信号清单 + 数据来源 + 可追踪/待建设分类
任务:建立用户流失风险评分模型。
特征工程要点:
模型选择:
关键:模型不仅要输出风险分数,还要指出导致高风险的主要因素——同样的风险分数,不同的成因需要不同的干预策略。
输出:风险评分模型 + 特征重要性 + 可解释性报告
任务:为不同风险等级设计差异化干预策略。
干预光谱(从轻到重):
核心原则:最优的干预策略不是"最强的",而是"刚好够的"。用最小的干预力度达到留存目标。
输出:干预策略矩阵 + 触发条件 + 预期效果
任务:每次设计干预策略时,依次过三层筛子。
输出:伦理检验清单 + 干预策略合规审查
任务:追踪干预效果,优化模型和策略。
追踪指标:
关键:好的预测性留存系统不怕失败——它怕的是没有反馈。每次失败的干预也是有价值的数据。
输出:效果追踪仪表盘 + 模型迭代计划
场景描述:一家 SaaS 企业软件公司,月流失率 5%,获客成本 $500/用户,挽回成功率仅 10%。主要流失路径:用户不活跃 → 价值感知低 → 不续费。希望从被动挽回升级为主动预防。
用户输入:
我们是 SaaS 企业软件,月流失率 5%,获客成本 $500,挽回成功率才 10%。主要流失原因是用户不活跃导致价值感知低,最后不续费。想做预测性留存。
执行流程:
输出结果:
predictive_retention_design:
signals:
behavioral: ["周活跃天数下降", "核心功能使用频率衰减", "协作人数减少", "工单频率突增"]
emotional: ["NPS 评分下降", "客服投诉增加"]
commercial: ["使用量低于合同", "关键决策人离职"]
risk_scoring:
model: "XGBoost"
features: ["30天活跃天数变化率", "核心功能使用深度", "协作人数趋势", "工单频率"]
thresholds: { green: "0-30", yellow: "31-60", orange: "61-80", red: "81-100" }
accuracy: "75-85%"
interventions:
green: "保持正常服务"
yellow: "自动推送价值报告+未使用功能提醒+活动邀请"
orange: "CSM 主动联系+个性化培训+功能升级试用"
red: "高管介入+定制方案+续费优惠+紧急修复"
ethics:
user_expectation: "价值报告不暴露监控 ✓"
alternative: "发现甘特图加载慢是主因 → 优先修复功能"
long_term: "避免折扣挽留,改为价值引导"
expected_outcome:
churn_rate: "从 5% 降至 3%"
intervention_success: "橙色→黄色降级率 60%"
roi: "干预成本 vs 留住用户 LTV = 1:8"
场景描述:一款健身 App,用户收到了推送"你已经 5 天没有运动了,再不回来,你的进步就白费了"。推送准确捕捉到了行为变化,但用户感到被监控,直接卸载了 App。预测准确,但干预失败。
用户输入:
我们的健身 App 做了流失预测,推送很准——用户几天没运动我们就提醒。但很多用户反馈说感觉被监视,有人直接卸载了。预测做得好,干预效果反而差。
执行流程:
输出结果:
predictive_retention_design:
diagnosis: "预测准确但干预方式触发'被监控感'"
ethics_audit:
user_expectation: "精确提及沉默天数 → FAIL"
alternative: "产品改进(课程优化+社交激励)优先于推送"
long_term: "监视感推送永久损害信任 → FAIL"
revised_intervention:
approach: "被动等待+内容优化"
trigger: "用户下次自然访问时"
content: "个性化课程推荐(不提及沉默信号)"
deeper_fix: "优化课程内容库+增加社交激励机制"
result:
retention_lift: "+23% 回归用户次日留存"
complaints: "零投诉"
trust_impact: "正向(用户觉得'App 越来越懂我'而非'App 在监视我')"
p7a-data-flywheel-builder(数据飞轮为流失预测提供数据基础)、p7b-intent-prediction-designer(意图变化可作为流失早期信号)p7d-marketing-productizer(营销产品化可降低流失率——产品体验本身就是留存手段)