retention-analysis 是面向用户留存与流失分析的数据分析技能，结合统计方法与机器学习，帮助计算留存率和流失指标、预测客户流失并优化留存策略。
主要能力： 一、留存与流失指标：计算留存率与流失指标，辅助回答整体留存率、典型客户生命周期等问题。 二、生存分析：使用 Kaplan-Meier 建立生存曲线，含置信区间；进行 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、识别留存驱动因素与中位生存时间。 三、队列分析：按获取时间或使用行为分组，生成留存矩阵、队列热力图并比较不同队列行为。 四、流失预测与建模：用逻辑回归、随机森林、梯度提升等模型预测流失，输出流失风险评分与特征重要性。 五、洞察输出：留存率表与图表、生存曲线、队列热力图、风险评分与特征重要性、留存优化策略。
使用方式：需安装依赖，命令为 pip install pandas numpy matplotlib seaborn scikit-learn lifelines。数据应包含用户唯一标识、时间变量（注册日期、活动日期、订阅周期）、事件指示（1=流失、0=活跃）、用户属性，可选使用指标、支付记录与参与度数据。流程为数据预处理、生存分析、队列分析、风险建模、流失预测、洞察生成。示例脚本见 examples/ 目录：basic_retention.py（生存分析基础）、cohort_analysis.py（队列留存分析）、churn_prediction.py（ML 流失预测），并提供样例数据集。
适用场景：SaaS 产品订阅续费与取消、会员计划参与与忠诚度、电商复购与订阅盒、游戏玩家留存与参与、服务业客户长期关系、月度或年度订阅业务。
限制与注意事项：需确保流失定义和时间测量准确、明确“流失”事件定义、选择合适分析时间窗、分群分析、用测试数据验证模型并考虑业务成本与约束。高级功能涵盖竞争风险分析、时变协变量、客户生命周期价值、留存预测与 A/B 测试。具体价格、平台支持范围等资料暂未提供。