用途
Churn Predictor 是一个专家级的客户流失预测系统，目标是在客户离开之前识别出有流失风险的客户。它结合行为信号、参与模式与预测分析，帮助团队更早发现流失风险，在仍可干预的时间窗口内采取行动，并系统性地降低流失率。
该技能基于数据科学最佳实践与客户成功方法论，结合领先指标分析、风险打分和干预剧本，用于预测和预防流失。
主要能力
工作流 1：流失信号识别
映射能够预测流失的行为。资料列出的信号类型包括：
- 行为信号：使用量下降（登录、会话、操作下降 30% 以上，高风险）、功能弃用（停止使用关键功能，中高）、参与度下降（不回复邮件、缺席会议，中）、支持模式（工单激增、负面情绪，高）、账单问题（支付失败、降级请求，高）。
- 账户信号：关键用户（拥护者）离职、公司裁员或重组、并购公告、影响该品类的预算削减、竞争对手评估信号、合同未自动续约。
- 关系信号：NPS 分数下降（从 9-10 降至 7 或以下）、缺席 QBR 或 check-in、对外联无响应、支持问题升级、沟通中的负面情绪。
- 时间信号：临近续约（90/60/30 天）、试用或试点结束、不良体验周年、实施后平台期、季节性使用模式。
工作流 2：风险打分模型
构建复合流失风险分数：
Churn Risk Score = (Usage Score × 0.30) + (Engagement Score × 0.25) + (Support Score × 0.20) + (Relationship Score × 0.15) + (Account Score × 0.10)
量表为 0-100，越高风险越大。
使用量分数因素包括：登录频率与基线对比、功能采用广度、活跃用户与授权席位比、产品内使用时长、核心动作完成情况。
参与度分数因素包括：邮件打开/点击率、会议出席、资源下载、培训完成、社区参与。
风险分类与建议动作：
| 分数 | 风险等级 | 动作 |
|---|---|---|
| 0-20 | 低 | 标准监控 |
| 21-40 | 中等 | 主动外联 |
| 41-60 | 升高 | 需要干预 |
| 61-80 | 高 | 紧急挽回尝试 |
| 81-100 | 危急 | 高管升级 |
工作流 3：同期群与趋势分析
理解不同客户细分下的流失模式。同期群分析包括按注册月份/季度分析、追踪留存曲线、识别留存较差的同期群、关联产品/市场变化、发现成功同期群中的模式。
细分分析维度：客户规模（SMB/中型/企业）、行业垂直、用例/角色、获客来源、定价层级。
流失时机模式：流失发生在客户生命周期的哪个阶段、续约流失与合同中期流失、从预警信号到流失的时间、季节性模式、与合同长度的相关性。
领先指标验证：追踪信号与流失的相关性、计算信号提前期、衡量误报率、优化打分权重、A/B 测试干预措施。
工作流 4：告警与升级系统
告警触发条件包括：分数跨过阈值（例如进入“升高”）、分数快速上升（7 天内上升 10 分以上）、检测到关键信号（支付失败、关键拥护者离职）、临近续约且风险升高、多个信号同时出现。
升级矩阵：
| 风险等级 | 负责人 | 升级 | 响应 SLA |
|---|---|---|---|
| 中等 | CSM | 无 | 5 天 |
| 升高 | CSM | 抄送经理 | 48 小时 |
| 高 | CSM + 经理 | 简报 VP | 24 小时 |
| 危急 | 经理 | VP/高管赞助人 | 当天 |
告警内容包括：客户名称与风险分数、触发告警的具体信号、分数趋势（改善/下降）、续约日期与面临风险的 ARR、建议动作。
告警渠道包括：Slack/Teams 通知、邮件摘要、CRM 仪表盘、每周风险报告、高管摘要。
工作流 5：干预剧本
干预匹配按根因：采用率低对应培训、重新入职；技术问题对应工程升级、临时方案；价值不清晰对应 ROI 分析、高管对齐；拥护者离职对应与新利益相关者重建关系；价格顾虑对应折扣、方案调整、付款条件；竞争对应功能对比、路线图预览。
挽回执行步骤：诊断根因（不要假设）、将干预匹配根因、分配负责人与资源、设定清晰时间线与里程碑、追踪结果（挽回、流失、原因）。
干预战术：紧急通话（当天高管外联）、健康检查（全面账户审查）、培训冲刺（密集赋能会议）、成功冲刺（聚焦价值交付）、高管对齐（VP/C 级参与）、商务讨论（价格/条款调整）。
结果追踪：按风险等级的挽回率、按干预类型的挽回率、从干预到解决的时间、未成功挽回的原因、已挽回账户的长期留存。
使用方式
资料提供了自然语言指令与触发方式，包括：
| 动作 | 命令/触发 |
|---|---|
| 查看风险分数 | “Show churn risk for [Customer]” |
| 列出高风险账户 | “Show accounts above [X] risk score” |
| 分析流失模式 | “Analyze churn patterns by [segment]” |
| 查看告警 | “Show churn alerts this week” |
| 创建挽回计划 | “Create intervention plan for [Customer]” |
| 验证打分 | “Validate churn model accuracy” |
| 同期群分析 | “Analyze retention by cohort” |
| 信号分析 | “Find leading churn indicators” |
| 趋势报告 | “Show risk score trends” |
| 干预报告 | “Report on save play outcomes” |
适用场景
该技能适用于客户成功、增长与留存相关场景，包括：监控客户流失风险、按细分分析流失模式、构建与验证流失预测模型、建立告警与升级流程、制定并追踪挽回干预计划，以及生成每周风险报告。
最佳实践与限制
资料给出的最佳实践涵盖信号选择（聚焦可观察行为、验证与真实流失的相关性、使用领先而非滞后指标、组合多类信号、按预测力加权）、打分模型（从简单开始、用历史数据校准权重、用盲测留出集验证、每季度重新校准、记录方法论）、告警设计（不要对每次分数变化告警、聚焦可行动阈值、告警包含上下文、路由到正确的人、避免告警疲劳）、干预（先诊断再处方、干预匹配根因、设定明确成功标准、严格追踪结果、从失败中学习）以及模型维护（每月审查准确度、用新流失数据重新训练、适应产品变化、随客户群演变更新、记录误报/漏报）。
资料列出的常见风险包括：模型过拟合、信号滞后、误报疲劳、遗漏信号、分数不透明、干预错配、缺少反馈闭环、数据质量问题。
模型验证指标参考：准确率 80%+、精确率 70%+、召回率 85%+、提前期 60+ 天、误报率 < 30%、挽回率 40%+、AUC-ROC 0.75+。
资料同时提供了流失信号库（使用、参与、支持、关系信号的计算方式与预警阈值）以及每周风险报告模板。
关于具体价格、收费模式、支持的平台与安装方式，资料暂未提供。