🎯 为什么重要
流失有前兆：超过预期复购窗口、邮件打开率下滑、客服问题没解决、客单价连续下降。小店不需要高级工具，一张按 RFM 思路打分的表就够，AI 能直接从订单导出建好。这篇是策略层；挽回流程和邮件分群的执行在各自的笔记里。
💬 我的观点
在客户流失前识别出危险信号
几乎没有客户是毫无征兆地消失的。他们会先滑过自己惯常的复购窗口、不再打开邮件、或者在一次投诉后沉默。
每周给这些信号打个分不花什么钱，却能在挽回还便宜的时候把人找出来。AI 能直接用你的订单导出把分建好。
最快：一条提示词，端到端
🤖 AI 提示词 — 粘贴到 ChatGPT / Claude
你是一个留存分析师。只用我的数据。
我的产品加典型复购周期：[比如 保健品约 40 天]
我能导出的数据：[订单 CSV／邮件互动／客服工单，有什么列什么]
请完成：
1. 按我的周期定义流失风险信号和阈值：超过预期复购天数（比如超过 1.5 倍周期）、邮件互动下滑（连续 N 封没打开）、未解决或负面的客服工单、最近两单客单价下降。
2. 用这些信号加权建一个 0 到 100 的风险分，并给我表格公式或步骤，让我每周对着导出跑一遍。
3. 把结果分成三档：观察、立刻行动、大概率已走，每档给建议的触达强度。
4. 告诉我对我这类产品哪个信号最有预测力，为什么。
缺哪个数据源就问，不要猜我的数字。
输出：信号加阈值加评分公式加三档分层。
或者，四步做完
- 一切锚定你的复购周期。 "60 天没动静"本身没有意义：对咖啡是流失，对家具很正常。核心信号是超过预期复购的天数，所以先算出你的订单间隔中位数，再拿风险对着它量。
- 叠加软信号。 邮件互动衰减（最近几封都没打开）、一个没解决或不愉快的客服工单、客单价下滑，每一项都加一点风险。单个不算证据，两三个凑齐，就是一个正走向门口的客户。
- 打分要简单，行动按档位。 加权出一个 0 到 100 的分，切成三档：观察（轻触达，照常服务）、立刻行动（挽回都发生在这里）、大概率已走（从常规发送里剔除，只偶尔挽回）。高级模型可以以后再说，一张表格远胜什么都不做。
- 每一档接到对应的打法。 风险分是策略；执行在各自的笔记里：挽回序列见 winning-back-customers，邮件分群机制见营销频道的 segmentation。把分数接到打法上，让触发器自动跑（见 retention-trigger-map）。
实战演算（示例）： 一个约 40 天周期的保健品牌每周给客户导出打分。一位客户到了第 70 天（1.75 倍周期）、最近 5 封邮件零打开、还有一单物流投诉没得到回复，分数落在"立刻行动"深处。
一条带小补偿的真人问候在客户心里换品牌之前送到；同样的话拖到第 120 天，就只是发给陌生人的优惠券了。趁早胜过大方。
每周跑分、每季度调阈值；最便宜的挽回，发生在客户自己意识到已经离开之前。
⚖️ 该做 & 别做
该做
- 先算出你的订单间隔中位数，再把风险量成超过这个预期复购点的天数。
- 叠加软信号：邮件打开衰减、一个没解决的工单、客单价下滑，两三个凑齐就是一个正走向门口的人。
- 在表格里加权出一个 0 到 100 的分，把客户切成观察、立刻行动、大概率已走三档。
- 每周跑一次分，每一档接到对应的打法，便宜的挽回都发生在“立刻行动”这一档。
避免
- 别用“60 天没动静”这种固定规则，60 天对咖啡是流失，对家具很正常。
- 别把任何单个信号当证据，漏看一封邮件不算流失，凑齐一叠才算。
- 别等高级模型，一张表格算出来的分，也远胜什么都不做。
- 别像对所有人一样继续给“大概率已走”发信，把他们剔除，把真人触达留给“立刻行动”。
💡 快速提示
- 让 AI 直接用你的订单 CSV 建分，并把公式给你，好让你自己每周重跑。
- 最有预测力的信号通常是超周期天数，互动和客服只是用来把它磨得更准。
- 在 1.75 倍周期时的挽回，赶在客户换品牌之前送到；同样的话拖到 3 倍周期，就只是发给陌生人的优惠券。
🏢 品牌聚焦
品牌据广泛报道，约 72% 的新客在六个月内流失
BlueApron.com · Blue Apron 作为反面教材很契合流失预警：它整个模式的生死，就在于能不能在订户飘走之前接住他们，可它被广泛报道在六个月内就流失了大部分新客，还靠打折去追回他们，反而训练出了它最怕的那种流失。这一篇讲的正是它的教训：趁早盯相对周期的信号，在挽回还便宜的时候就动手，而不是等到最后拿毛利去把人买回来。要注意的是，别照搬它打折的反射动作，要照搬的是按你自己复购周期定好的那套预警分。
🏷️ 标签
retentionchurnsegmentationboth
🔗 相关内容