F4. 客户流失预警决策¶

案例来源: lifelines + TatevKaren-data-science-portfolio
决策类型: 客户保留干预
方法论: 生存分析 + 时间到事件预测
预计阅读时间: 12 分钟

1. 决策背景¶

业务场景¶

某电信运营商 1000 万用户，面临客户流失： - 月流失率：3% (30 万用户/月) - 获客成本：¥300/人 - 流失损失：¥90M/月 - 挽留预算：¥20M/月

决策目标¶

提前 30 天预测流失风险
识别高价值流失用户
精准干预 (避免骚扰)
挽留成功率 > 40%

2. 方法论：生存分析¶

为什么用生存分析？¶

传统分类模型问题: - 无法处理删失数据 (未流失用户) - 忽略时间维度 - 无法回答"何时流失"

生存分析优势: - ✅ 处理删失数据 - ✅ 预测时间到事件 - ✅ 输出风险函数

核心概念¶

生存函数 S(t): 用户在时间 t 仍存活的概率
风险函数 h(t): 用户在时间 t 流失的瞬时概率
中位生存时间：50% 用户流失的时间点

3. 模型实现¶

Cox 比例风险模型¶

from lifelines import CoxPHFitter

# 数据准备
data = pd.read_csv('customer_data.csv')
# 特征：tenure, monthly_charges, contract_type, complaints, ...

# 模型训练
cph = CoxPHFitter(penalizer=0.1)
cph.fit(data, duration_col='tenure', event_col='churned')

# 风险比
print(cph.summary)

风险评分计算¶

# 计算个体风险评分
data['risk_score'] = cph.predict_partial_hazard(data)

# 分群
data['risk_group'] = pd.qcut(
    data['risk_score'], 
    q=4, 
    labels=['Low', 'Medium', 'High', 'Critical']
)

生存曲线¶

# 绘制不同群体的生存曲线
groups = data.groupby('risk_group')

for name, grouped in groups:
    kmf = KaplanMeierFitter()
    kmf.fit(grouped['tenure'], event_observed=grouped['churned'], 
            label=name)
    kmf.plot_survival_function()

4. 决策实施¶

干预策略矩阵¶

风险等级	占比	干预方式	成本	预期成功率
Critical	10%	电话 + 优惠	¥100	50%
High	20%	短信 + 优惠	¥50	40%
Medium	30%	APP 推送	¥10	25%
Low	40%	无干预	¥0	-

干预时机¶

# 预测未来 30 天流失概率
data['churn_prob_30d'] = 1 - cph.predict_survival_function(
    data, 
    times=30
)

# 选择干预目标
intervention_target = data[
    (data['churn_prob_30d'] > 0.5) & 
    (data['clv'] > 1000)  # 高价值用户
]

5. 决策结果¶

模型性能¶

指标	值	说明
C-index	0.78	区分能力
30 天 AUC	0.82	预测准确度
中位生存时间	18 月	平均在网时长

业务影响¶

指标	实施前	实施后	改善
月流失率	3.0%	2.1%	-30%
挽留成功率	25%	45%	+80%
干预成本	¥30M/月	¥18M/月	-40%
流失损失	¥90M/月	¥63M/月	-30%

ROI 分析¶

月度收益: - 减少流失损失：¥27M - 节约干预成本：¥12M - 总收益: ¥39M/月

投入: - 系统建设：¥5M - 月度运营：¥2M - ROI: 19.5 倍 (首月回本)

6. 关键洞察¶

流失风险因子¶

因子	风险比	解释
投诉次数>3	3.5x	投诉是强信号
合约到期	2.8x	合约期是关键节点
月费上涨	2.2x	价格敏感
使用量下降	1.8x	行为变化

干预最佳时机¶

合约到期前 60 天：成功率 55%
合约到期前 30 天：成功率 45%
合约到期后：成功率 20%

案例版本: v1.0 | 最后更新: 2026-06-03