用途：分析用户留存与流失模式，覆盖留存率与流失指标计算、生存分析、队列分析、流失预测和留存驱动因素识别，面向 SaaS、会员、电商、游戏、服务业和订阅业务等场景。
主要能力：用 Kaplan-Meier 构建生存曲线，用 log-rank 检验比较组间生存差异，用 Cox 比例风险模型做多变量风险建模并识别留存驱动因素；按获取时间或行为划分队列，生成留存矩阵与队列热力图；用逻辑回归、随机森林、梯度提升等模型做流失分类与风险评分，并输出特征重要性；另含竞争风险、随时间变化的协变量、客户生命周期价值、留存预测和 A/B 测试等方向。
使用方式：需先安装依赖，命令为 pip install pandas numpy matplotlib seaborn scikit-learn lifelines。数据需包含用户唯一标识、时间变量（注册日期、活跃日期、订阅周期）、事件指示（1 表示流失、0 表示活跃）及用户属性；可选使用使用量、支付历史与参与度数据。流程为数据预处理、生存分析、队列分析、风险建模、流失预测和生成建议。输出留存率表与图表、带置信区间的生存曲线、队列热力图、流失风险分数与特征重要性及优化策略。示例脚本见 examples/ 目录，包括 basic_retention.py、cohort_analysis.py、churn_prediction.py。
适用场景：SaaS 订阅续费与取消、会员参与与忠诚度、电商复购与订阅盒、游戏玩家留存、服务业长期客户关系、按月或按年订阅分析。
限制：需先明确“流失”定义与时间测量口径，选择合适分析窗口并分群分析，模型需用测试数据验证；资料未提供具体数据集字段格式、许可信息、价格与运行环境要求。