客户流失分析

它解决什么问题

客户成功团队手里往往堆着一堆分散的数据：产品埋点的活跃度、客服工单系统、账单续费记录、邮件与会议参与情况。这些信号单独看都能讲出一个故事，但放在一起判断「哪个客户会在下个月流失」时，大多数人只能靠经验拍脑袋。结果是高风险客户往往在续约窗口关闭后才被发现，等发现时干预手段只剩打折。

它如何工作

这个技能把多源信号聚合成一个 0–100 的复合风险分值，核心流程分四步：

1. 归集信号 — 拉取产品分析（DAU、功能采用、会话时长）、支持历史（工单量、CSAT、升级事件）、账单信号（逾期付款、降级请求、合同到期日）和互动触点（邮件打开、webinar 出席、QBR 参与），统一归一化到 90 天滚动窗口。
2. 定义流失前导信号 — 登录频率跌破历史均值 50%、30 天内工单量达到基线 3 倍、续费逾期、champion 离职、功能采用停滞 60 天、NPS 连续下滑等。
3. 加权打分 — 默认权重为 usage 35%、support 25%、billing 20%、engagement 20%，可依据历史流失数据回测调整。某类信号缺失时取中性分并打上数据质量标记。
4. 分层与干预 — 按分值划为四个层级：Critical（75–100）要求 48 小时内高管介入，High（50–74）两周内 CSM 深潜，Medium（25–49）触发自动化触达，Healthy（0–24）维持常规节奏，每层对应具体的行动计划。

适用边界与注意点

• 打分权重需按季度回测验证，35/25/20/20 只是起点，不是普适真理。
• 定量信号要结合 CSM 的定性记录，模型捕捉不到「上次通话感觉不对」这类信号。
• 区分主动流失（不满）与被动流失（付款失败、公司关闭），两者干预手段完全不同。
• 注意季节性波动，零售节后、教育暑期的活跃度下滑不应计入风险。
• 新客户（不足 90 天）缺乏历史数据，应以 onboarding 里程碑完成率作为替代信号；单一超级用户的账号在活跃下降时需加重权重；多产品线账号需按产品线分别评估，否则混合分值会掩盖局部流失。