> For the complete documentation index, see [llms.txt](https://doc.duaer.com/zh/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doc.duaer.com/zh/guides/customer-churn-early-warning-model.md).

# 客户流失预警模型从哪开始？2027年先选对场景

本文整理自 Duaer 文档站，围绕企业客户流失预警模型的落地，说明为什么容易选错场景、如何统一流失定义、按价值与难度选择第一个试点，并给出效果衡量方法和本周可执行的起步动作。

## 为什么很多流失预警项目做不起来

很多企业想做客户流失预警，流程大致相同：业务部门提出需求，数据团队拉取历史数据，几个月后模型指标看起来不错，但一线团队并不用。问题通常不出在算法上，而出在场景选择上。选错了客户群、流失定义或后续动作，模型再准，也很难转化为留存。

流失听起来是一个清楚的概念，真正落到系统里却有很多解释。合同到期不续约算流失，还是连续三个月没有登录算流失？投诉之后沉默一段时间，算不算已经流失？不同定义对应完全不同的样本、时间窗口和特征。定义不统一，模型训练出来的结果就没人敢信。

另一个难点是预警与动作之间的断层。预警一旦生成，需要有人在合适的时间点去联系客户，而这个人是否有权限、是否有话术、是否有时间，往往在立项时没有想清楚。很多项目做到「能看到名单」为止，名单之后的环节没有人负责。

## 常见误区：一上来就做全量客户

最常见的做法是把所有客户、所有历史字段一股脑放进模型。这样做的代价是特征杂乱、解释困难，而且一旦效果不好，很难判断是数据问题、定义问题还是动作问题。

更稳妥的做法是先切出一个足够小、但业务价值明确的客户群。例如只看某个产品线的续约客户，或只看年消费额排在前列的企业客户。范围小，才能把定义、数据和动作一起打通。

## 怎么按价值与难度排序

在选第一个场景之前，可以把候选场景放进一张简单的表里，按两个维度打分：一是流失一旦发生，对收入或成本的影响有多大；二是要把预警变成可执行的动作，需要多少条件。

高价值大客户的续约预警通常价值最高，因为单个客户影响大，团队也习惯人工跟进，但数据往往稀少，样本量不足，难度中等偏高。中小客户的批量预警价值单点不高，但数据完整、可以批量处理，适合当作第一个试点。全量沉默客户的召回价值较低，动作成本却很高，除非有成熟的自动化触达手段，否则不建议优先做。

排序的目的不是找到完美答案，而是找到一个「价值够大、难度可控」的起点。关于这套排序思路，可以参考《2027年企业AI应用场景怎么排序？先看价值与难度再选试点》中的方法。

## 怎么选第一个试点

第一个试点建议满足四个条件。第一，流失定义可以用一句话说清，并且业务负责人认可。第二，有一个明确的动作团队，比如客户成功或客服，并且他们愿意在两周内执行干预。第三，历史数据至少覆盖一个完整的业务周期，能看到流失之前的变化。第四，即使预警不准，失败的代价也可控，不会直接影响客户体验或合规。

满足这四条的场景，通常是某一类客户在续约节点前的行为变化，比如使用频次明显下降、关键功能停止使用、工单数量连续上升。先用规则或简单模型把这些信号抓出来，再逐步加入更多特征。这个过程也和《企业AI落地从哪一步开始？2027年先选对第一个场景》中的思路一致：先把场景跑通，再谈扩展。

## 怎么衡量效果

衡量流失预警，不能只看模型的准确率或AUC。更有意义的指标包括：预警名单中实际被干预的比例；被干预客户与未被干预对照组之间的留存差异；误报带来的人力浪费；从预警生成到客户被联系的平均时长。

其中，对照组设计最容易被忽略。如果只比较「被预警」和「未被预警」的客户，很可能把本来就风险低的客户当成了效果。建议在试点期间保留一小部分随机对照，哪怕只有几十个客户，也能让结论更可信。

数据质量同样影响判断。如果流失标签本身滞后或不完整，模型再好也会学到错误的规律。这一点可以结合数据就绪度的检查来做，相关思路可参考《2027年企业AI数据就绪度：为什么多数试点在模型发挥作用之前就停滞了》。

## 本周可以做的一件事

如果你还没有开始，本周可以只做一件事：拉出过去十二个月已经流失的客户名单，逐一回看他们在流失前三个月的行为和沟通记录，写出三到五个最常见的前兆信号。然后挑出一个由客服或客户成功团队能在两周内执行干预的信号，把它做成第一版规则，先跑两周，看看干预后的结果。

这件事不需要任何新系统，但它会迫使你回答流失定义、动作责任和数据可得性三个问题，这恰恰是后续建模的前提。

如果你希望把这套流程——从流失定义、前兆信号清单，到预警后的跟进记录——放在一个地方跑起来，可以直接到 Duaer 注册试用，用它搭建试点流程，把数据、规则和动作记录串在同一条线上。注册地址：https://www.duaer.com

流失预警的成败，取决于先选对场景，而不是先选对模型。如果你的业务有合同周期、渠道或产品线分层等特殊情况，也可以把具体情况告诉我们，我们免费给你一份这个场景的落地路线。https://api.duaer.com/form/1fea7709-3f8a-47f7-b4e3-eb5fb90e3213

## 常见问题

### 客户流失预警模型应该从哪个场景开始做？

通常建议从一个范围较小、业务价值明确的客户群开始，例如某个产品线的续约客户，或年消费额靠前的企业客户。第一个试点最好同时满足：流失定义能用一句话说清、有明确的干预团队、历史数据覆盖完整业务周期、失败代价可控。

### 企业如何判断流失预警模型是否有效？

不建议只看准确率或AUC。更有意义的指标包括预警名单中实际被干预的比例、被干预客户与对照组的留存差异、误报造成的人力浪费，以及从预警生成到客户被联系的时长。试点期间保留一小部分随机对照组，结论会更可信。

### 为什么流失预警模型做出来后一线团队不使用？

常见原因是预警之后的动作没有人负责，团队没有权限、话术或时间去跟进，或者流失的定义在业务和数据之间不一致。解决思路是在立项阶段就明确干预责任人、干预流程和流失定义，再决定模型的范围。

