{"id":"25dfba95-16b9-4bb0-860f-fdf14af63821","shortId":"V5WuQW","kind":"skill","title":"p7c-predictive-retention-designer","tagline":"预测性留存设计器。基于《AI Native 营销与增长》预测性留存概念卡， 帮助产品从\"流失后挽回\"升级为\"流失前阻止\"——在用户流失之前主动干预。","description":"# 预测性留存设计器\n\n## 一句话定位\n\n从\"流失后挽回\"到\"流失前阻止\"——用 AI 预测用户流失风险，在流失发生之前主动干预。\n\n## 何时触发\n\n- 用户流失率高，挽回成本高\n- 获客成本上升，留存变得比获客更重要\n- 需要从被动运营升级为主动预防\n- 需要量化流失风险并优先干预高价值用户\n\n## 输入\n\n产品类型 + 当前留存数据 + 已知流失原因。\n\n**示例输入**：\n```\n产品: SaaS 企业软件\n月流失率: 5%\n获客成本: $500/用户\n挽回成功率: 10%\n主要流失原因: 用户不活跃 → 价值感知低 → 不续费\n```\n\n## 设计流程\n\n### Step 1: 流失信号识别\n\n**任务**：识别用户流失前的预警信号。\n\n```\n行为信号:\n  - 登录频率下降\n  - 核心功能使用减少\n  - 支持工单增加（可能是挫败感）\n  - 数据导出行为（准备迁移）\n\n情绪信号:\n  - NPS 评分下降\n  - 社交媒体负面评价\n  - 客服投诉增加\n\n商业信号:\n  - 使用量低于合同约定\n  - 关键决策人离职\n  - 预算周期变更\n```\n\n### Step 2: 流失风险评分\n\n**任务**：建立用户流失风险评分模型。\n\n```\n评分维度:\n  活跃度下降: 权重 30%\n  功能使用深度: 权重 25%\n  支持交互频率: 权重 20%\n  合同/续费周期: 权重 15%\n  组织变动: 权重 10%\n\n风险等级:\n  绿色 (0-30): 健康用户\n  黄色 (31-60): 关注用户\n  橙色 (61-80): 风险用户\n  红色 (81-100): 高危用户\n```\n\n### Step 3: 干预策略设计\n\n**任务**：为不同风险等级设计干预策略。\n\n```\n干预策略:\n  绿色: 无需干预，保持正常服务\n  黄色: \n    - 自动推送价值报告\n    - 邮件提醒未使用功能\n    - 邀请参加线上活动\n  橙色:\n    - 客户成功经理主动联系\n    - 提供个性化培训\n    - 提供功能升级试用\n  红色:\n    - 高管介入\n    - 提供定制化方案\n    - 提供续费优惠\n    - 紧急修复已知问题\n```\n\n### Step 4: 效果追踪\n\n**任务**：追踪干预效果，优化干预策略。\n\n```\n追踪指标:\n  - 干预成功率（风险降级）\n  - 干预响应时间\n  - 不同干预方式的效果对比\n  - ROI（干预成本 vs 留住用户的 LTV）\n```\n\n## 综合输出格式\n\n```yaml\npredictive_retention_design:\n  input:\n    product: \"产品名称\"\n    churn_rate: \"流失率\"\n    cac: \"获客成本\"\n    recovery_rate: \"挽回成功率\"\n  \n  signals:\n    behavioral: [\"行为信号\"]\n    emotional: [\"情绪信号\"]\n    commercial: [\"商业信号\"]\n    available: [\"当前可追踪的\"]\n    need_to_build: [\"需要建设的追踪能力\"]\n  \n  risk_scoring:\n    dimensions:\n      - name: \"活跃度下降\"\n        weight: 30%\n        data_source: \"数据来源\"\n      - name: \"功能使用深度\"\n        weight: 25%\n        data_source: \"数据来源\"\n      - name: \"支持交互\"\n        weight: 20%\n        data_source: \"数据来源\"\n    thresholds:\n      green: \"0-30\"\n      yellow: \"31-60\"\n      orange: \"61-80\"\n      red: \"81-100\"\n  \n  interventions:\n    green: [\"策略\"]\n    yellow: [\"策略\"]\n    orange: [\"策略\"]\n    red: [\"策略\"]\n  \n  metrics:\n    primary: \"流失率下降\"\n    secondary: [\"干预成功率\", \"干预ROI\", \"风险预测准确率\"]\n```\n\n## 常见误判\n\n- **干预太晚**：等到红色才干预，往往已经来不及\n- **干预太频繁**：黄色用户收到太多\"关怀\"，反而加速流失\n- **忽视高价值用户**：只看风险评分不看用户价值\n\n## 一句判断\n\n> 预测性留存的核心不是预测准不准，而是干预够不够早、够不够对。\n\n## 核心概念\n\n### 概念 1：从消防队到烟雾探测器\n\n传统留存是**消防队模式**——火灾发生了才去灭火。用户流失了才发现，用户投诉了才回应，用户取消订阅了才发挽回邮件。挽回概率通常低于 10%，且挽回成本往往比获取新用户还高。\n\n预测性留存是**烟雾探测器模式**——在烟雾探测器响起时就行动。AI 模型以 70%-90% 的准确率预测未来 30 天内的流失概率，让你在用户流失决策尚未形成之前就改变轨迹。\n\n| 维度 | 传统留存 | 预测性留存 |\n|------|----------|------------|\n| 时机 | 流失后 | 流失前 |\n| 方式 | 促销/折扣 | 主动干预 |\n| 个性化 | 统一活动 | 个体化方案 |\n| 成本 | 高（挽回成本） | 低（预防成本） |\n| 数据使用 | 描述性分析 | 预测性分析 |\n\n### 概念 2：流失信号在沉默中\n\n**用户流失最强烈的信号不是负面行为，而是沉默。** 向你投诉的用户是在给你机会，在社交媒体吐槽的用户至少还在意你的产品。真正危险的是什么都不说的用户——默默减少使用频率、默默跳过推送、默默降低互动深度。\n\nAI 模型能检测的早期信号：\n- **行为频率衰减**：从每天打开变成每三天打开（渐进的，人类难以察觉）\n- **互动深度下降**：还在打开但浏览时间从 15 分钟降到 3 分钟（表面\"活跃\"，实际\"路过\"）\n- **功能使用路径变窄**：从使用 5 个核心功能变成只用 1 个（依赖度在下降）\n- **外部信号**：搜索竞品、浏览竞品内容\n\n**关键洞察：趋势比快照更重要。** 一个每周使用 3 次的用户和一个从每周 7 次降到 3 次的用户，虽然当前频率相同，但流失风险完全不同。\n\n### 概念 3：LTV 预测与干预优先级矩阵\n\n并非所有用户都值得用同样的力度挽留。LTV 预测与流失风险结合，得出**干预优先级矩阵**：\n\n|  | 高流失风险 | 低流失风险 |\n|--|-----------|-----------|\n| **高 LTV** | 最高优先级，立即干预 | 持续关注，预防性维护 |\n| **低 LTV** | 选择性干预，评估投入产出比 | 标准运营，不额外投入 |\n\n这个矩阵实现了**精准的资源分配**——把最贵的干预手段留给最高价值、最高风险的用户，而非\"撒胡椒面\"。\n\n### 概念 4：干预时机窗口\n\n每个用户都有一个**干预时机窗口**——从\"流失信号开始显现\"到\"流失决策固化\"之间的时间段，通常在 7 到 21 天之间。\n\n- 窗口期内：流失是\"过程\"而非\"决定\"，恰当干预可能改变轨迹\n- 窗口期后：流失成为\"决定\"，任何干预都更像\"挽回\"而非\"预防\"\n\n**这不是\"尽早干预\"，而是\"在对的时间干预\"。** AI 模型可以根据用户历史行为模式，计算每个用户的最佳干预时间点。\n\n### 概念 5：假阳性陷阱\n\n预测模型会犯假阳性错误——把没有流失意图的用户判定为\"高风险\"。代价是隐蔽且危险的：\n- **干预本身制造流失**：用户困惑\"为什么给我优惠？\"，激活自我实现的预言\n- **信任成本**：用户质疑\"如果你们把我误判为高风险，你们的判断还可信吗？\"\n- **资源错配**：假阳性用户占据本该用于真正高风险用户的干预资源\n- **自我强化误判**：假阳性的\"成功留存\"被计入正样本，模型更加确信需要干预\n\n**控制假阳性的关键**：分层干预——高置信度（>80%）用强力干预，中置信度（60%-80%）只用轻量干预，低置信度（<60%）只做后台监控。\n\n## 分步执行\n\n### Step 1：流失信号识别\n\n**任务**：建立多层信号体系。\n\n**信号分层**：\n```\n行为信号:\n  - 登录频率下降\n  - 核心功能使用减少\n  - 支持工单增加（可能是挫败感）\n  - 数据导出行为（准备迁移）\n\n情绪信号:\n  - NPS 评分下降\n  - 社交媒体负面评价\n  - 客服投诉增加\n\n商业信号:\n  - 使用量低于合同约定\n  - 关键决策人离职\n  - 预算周期变更\n```\n\n**输出**：信号清单 + 数据来源 + 可追踪/待建设分类\n\n### Step 2：流失风险评分模型\n\n**任务**：建立用户流失风险评分模型。\n\n**特征工程要点**：\n- 使用频率特征：最近 7/14/30 天的登录次数、使用时长、核心功能使用率\n- 行为趋势特征：频率的变化率（加速度，不只是速度）、与历史均值的偏离度\n- 互动特征：推送打开率、邮件点击率、客服交互频率\n- 价值特征：消费金额变化、付费功能使用率、升级/降级行为\n\n**模型选择**：\n- XGBoost/LightGBM：结构化行为数据上表现优异，可解释性好\n- LSTM/Transformer：捕捉行为序列中的时序模式\n- 生存分析模型：不仅预测是否流失，还预测何时流失\n\n**关键**：模型不仅要输出风险分数，还要指出导致高风险的主要因素——同样的风险分数，不同的成因需要不同的干预策略。\n\n**输出**：风险评分模型 + 特征重要性 + 可解释性报告\n\n### Step 3：干预策略设计\n\n**任务**：为不同风险等级设计差异化干预策略。\n\n**干预光谱**（从轻到重）：\n1. **被动等待**：用户下次访问时调整展示内容，用户完全感受不到干预\n2. **温和提醒**：推送不提及沉默的内容推荐（\"本周新上线了 3 部你可能喜欢的电影\"）\n3. **价值引导**：主动提供新功能、新内容、新使用方式\n4. **激励刺激**：折扣、优惠、免费试用（有逆向选择风险）\n5. **直接沟通**：专属客户成功经理 1v1 联系（仅用于最高价值用户）\n\n**核心原则**：最优的干预策略不是\"最强的\"，而是\"刚好够的\"。用最小的干预力度达到留存目标。\n\n**输出**：干预策略矩阵 + 触发条件 + 预期效果\n\n### Step 4：干预伦理三层检验\n\n**任务**：每次设计干预策略时，依次过三层筛子。\n\n1. **用户期望检验**：用户是否合理地预期到这个干预行为？如果需要\"不被用户发现\"才能有效，可能已越界\n2. **替代方案检验**：有没有同样有效但更尊重用户的方式？预测模型发现的往往不是\"用户需要被挽留\"，而是\"产品需要被改进\"\n3. **长期价值检验**：这个干预在 6 个月后是增加了还是减少了用户对我的信任？\n\n**输出**：伦理检验清单 + 干预策略合规审查\n\n### Step 5：效果追踪与迭代\n\n**任务**：追踪干预效果，优化模型和策略。\n\n**追踪指标**：\n- 干预成功率（风险降级比例）\n- 干预响应时间\n- 不同干预方式的效果对比\n- ROI（干预成本 vs 留住用户的 LTV）\n- 假阳性率控制\n\n**关键**：好的预测性留存系统不怕失败——它怕的是没有反馈。每次失败的干预也是有价值的数据。\n\n**输出**：效果追踪仪表盘 + 模型迭代计划\n\n### 示例\n\n### 示例 1：SaaS 企业软件的预测性留存系统\n\n**场景描述**：一家 SaaS 企业软件公司，月流失率 5%，获客成本 $500/用户，挽回成功率仅 10%。主要流失路径：用户不活跃 → 价值感知低 → 不续费。希望从被动挽回升级为主动预防。\n\n**用户输入**：\n\n> 我们是 SaaS 企业软件，月流失率 5%，获客成本 $500，挽回成功率才 10%。主要流失原因是用户不活跃导致价值感知低，最后不续费。想做预测性留存。\n\n**执行流程**：\n\n1. **流失信号识别**：\n   - 行为信号：周活跃天数下降、核心功能使用频率衰减、协作人数减少、工单频率突增\n   - 情绪信号：NPS 评分下降、客服投诉增加\n   - 商业信号：使用量低于合同约定、关键决策人离职\n2. **风险评分模型**：基于 XGBoost 构建流失预测模型，特征包括最近 30 天活跃天数变化率、核心功能使用深度、协作人数趋势、工单频率。输出每个用户的 30 天流失概率 + 主要风险因素。\n3. **干预策略分层**：\n   - 绿色（0-30）：无需干预，保持正常服务\n   - 黄色（31-60）：自动推送价值报告 + 邮件提醒未使用功能 + 邀请参加线上活动\n   - 橙色（61-80）：客户成功经理主动联系 + 个性化培训 + 功能升级试用\n   - 红色（81-100）：高管介入 + 定制化方案 + 续费优惠 + 紧急修复已知问题\n4. **伦理检验**：\n   - 用户期望检验：推送\"价值报告\"不暴露监控事实 ✓\n   - 替代方案检验：发现甘特图功能加载慢（8 秒）是流失主因 → 优先修复功能而非发折扣\n   - 长期价值检验：折扣挽留会训练\"装走拿优惠\"行为 → 改为价值引导\n\n**输出结果**：\n\n```yaml\npredictive_retention_design:\n  signals:\n    behavioral: [\"周活跃天数下降\", \"核心功能使用频率衰减\", \"协作人数减少\", \"工单频率突增\"]\n    emotional: [\"NPS 评分下降\", \"客服投诉增加\"]\n    commercial: [\"使用量低于合同\", \"关键决策人离职\"]\n  risk_scoring:\n    model: \"XGBoost\"\n    features: [\"30天活跃天数变化率\", \"核心功能使用深度\", \"协作人数趋势\", \"工单频率\"]\n    thresholds: { green: \"0-30\", yellow: \"31-60\", orange: \"61-80\", red: \"81-100\" }\n    accuracy: \"75-85%\"\n  interventions:\n    green: \"保持正常服务\"\n    yellow: \"自动推送价值报告+未使用功能提醒+活动邀请\"\n    orange: \"CSM 主动联系+个性化培训+功能升级试用\"\n    red: \"高管介入+定制方案+续费优惠+紧急修复\"\n  ethics:\n    user_expectation: \"价值报告不暴露监控 ✓\"\n    alternative: \"发现甘特图加载慢是主因 → 优先修复功能\"\n    long_term: \"避免折扣挽留，改为价值引导\"\n  expected_outcome:\n    churn_rate: \"从 5% 降至 3%\"\n    intervention_success: \"橙色→黄色降级率 60%\"\n    roi: \"干预成本 vs 留住用户 LTV = 1:8\"\n```\n\n### 示例 2：健身 App 的预测性留存伦理纠偏\n\n**场景描述**：一款健身 App，用户收到了推送\"你已经 5 天没有运动了，再不回来，你的进步就白费了\"。推送准确捕捉到了行为变化，但用户感到被监控，直接卸载了 App。预测准确，但干预失败。\n\n**用户输入**：\n\n> 我们的健身 App 做了流失预测，推送很准——用户几天没运动我们就提醒。但很多用户反馈说感觉被监视，有人直接卸载了。预测做得好，干预效果反而差。\n\n**执行流程**：\n\n1. **问题诊断**：预测能力没问题，问题在于干预方式。推送精确提及沉默天数，暴露了平台对用户行为的监控粒度 → 用户感到被监视。\n2. **干预伦理三层检验**：\n   - 用户期望检验 ✗：用户未预期到平台在追踪\"有没有完整运动\"，推送精确到天数 → creepy\n   - 替代方案检验：用户不运动可能是因为课程不感兴趣、时间不合适、或缺乏动力 → 产品改进优先于推送挽留\n   - 长期价值检验 ✗：被\"监视感\"推送挽留的用户，信任度永久下降\n3. **干预策略重设计**：\n   - 原方案：\"你已经 5 天没有运动了\" → 暴露监控\n   - 新方案：在用户下次自然打开 App 时，首页推荐\"本周精选 15 分钟 HIIT 课程\" → 不提及沉默，但内容确实是基于用户偏好的推荐\n   - 更深层改进：分析流失用户的课程偏好，优化课程内容库；增加社交激励（朋友一起运动）而非惩罚性提醒\n4. **效果验证**：回归用户次日留存率比原始方案高出 23%，零投诉。\n\n**输出结果**：\n\n```yaml\npredictive_retention_design:\n  diagnosis: \"预测准确但干预方式触发'被监控感'\"\n  ethics_audit:\n    user_expectation: \"精确提及沉默天数 → FAIL\"\n    alternative: \"产品改进（课程优化+社交激励）优先于推送\"\n    long_term: \"监视感推送永久损害信任 → FAIL\"\n  revised_intervention:\n    approach: \"被动等待+内容优化\"\n    trigger: \"用户下次自然访问时\"\n    content: \"个性化课程推荐（不提及沉默信号）\"\n    deeper_fix: \"优化课程内容库+增加社交激励机制\"\n  result:\n    retention_lift: \"+23% 回归用户次日留存\"\n    complaints: \"零投诉\"\n    trust_impact: \"正向（用户觉得'App 越来越懂我'而非'App 在监视我'）\"\n```\n\n## 常见陷阱\n\n- **陷阱 1：干预太晚**——等到红色才干预，往往已经来不及\n- **陷阱 2：干预太频繁**——黄色用户收到太多\"关怀\"，反而加速流失\n- **陷阱 3：忽视高价值用户**——只看风险评分不看用户价值\n- **陷阱 4：折扣挽留的逆向选择**——训练用户\"装走拿优惠\"\n- **陷阱 5：预测越准干预越侵入**——准确不等于可以暴露监控事实\n- **陷阱 6：把预测当干预触发器**——预测发现的往往是\"产品需要改进\"而非\"用户需要被挽留\"\n\n## 与其他 Skill 的关系\n\n- **上游输入**：`p7a-data-flywheel-builder`（数据飞轮为流失预测提供数据基础）、`p7b-intent-prediction-designer`（意图变化可作为流失早期信号）\n- **下游应用**：留存用户继续使用产品，产生数据反哺飞轮\n- **并行参考**：`p7d-marketing-productizer`（营销产品化可降低流失率——产品体验本身就是留存手段）","tags":["p7c","predictive","retention","designer","native","product","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native"],"capabilities":["skill","source-gmaxxxie","skill-p7c-predictive-retention-designer","topic-agent-skills","topic-ai-agent","topic-ai-native","topic-ai-product","topic-methodology","topic-product-management","topic-product-methodology","topic-product-thinking","topic-skills"],"categories":["ai-native-product-agent-skills"],"synonyms":[],"warnings":[],"endpointUrl":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p7c-predictive-retention-designer","protocol":"skill","transport":"skills-sh","auth":{"type":"none","details":{"cli":"npx skills add gmaxxxie/ai-native-product-agent-skills","source_repo":"https://github.com/gmaxxxie/ai-native-product-agent-skills","install_from":"skills.sh"}},"qualityScore":"0.478","qualityRationale":"deterministic score 0.48 from registry signals: · indexed on github topic:agent-skills · 56 github stars · SKILL.md body (8,087 chars)","verified":false,"liveness":"unknown","lastLivenessCheck":null,"agentReviews":{"count":0,"score_avg":null,"cost_usd_avg":null,"success_rate":null,"latency_p50_ms":null,"narrative_summary":null,"summary_updated_at":null},"enrichmentModel":"deterministic:skill-github:v1","enrichmentVersion":1,"enrichedAt":"2026-05-18T18:57:33.913Z","embedding":null,"createdAt":"2026-05-01T01:03:01.962Z","updatedAt":"2026-05-18T18:57:33.913Z","lastSeenAt":"2026-05-18T18:57:33.913Z","tsv":"'+23':930 '-100':112,217,692,753 '-30':100,208,675,744 '-60':104,211,680,747 '-80':108,214,434,686,750 '-85':756 '-90':267 '0':99,207,674,743 '1':55,250,324,441,518,561,609,642,803,836,945 '10':48,96,259,622,637 '15':93,312,873 '1v1':542 '2':76,294,468,522,568,656,806,843,950 '20':89,201 '21':383 '23':888 '25':86,194 '3':115,314,333,337,342,512,526,528,575,671,792,860,956 '30':83,187,269,662,668 '30天活跃天数变化率':737 '31':103,210,679,746 '4':137,371,533,556,697,885,960 '5':43,322,406,539,584,617,633,790,815,864,965 '500':45,619,635 '6':578,969 '60':433,437,797 '61':107,213,685,749 '7':335,381 '7/14/30':475 '70':266 '75':755 '8':705,804 '80':430 '81':111,216,691,752 'accuraci':754 'ai':8,24,264,304,402 'altern':778,904 'app':808,812,822,827,869,938,941 'approach':915 'audit':899 'avail':175 'behavior':169,720 'build':179 'builder':983 'cac':163 'churn':160,787 'commerci':173,729 'complaint':932 'content':920 'creepi':849 'csm':765 'data':188,195,202,981 'deeper':923 'design':5,156,718,894,989 'diagnosi':895 'dimens':183 'emot':171,725 'ethic':774,898 'expect':776,785,901 'fail':903,912 'featur':736 'fix':924 'flywheel':982 'green':206,219,742,758 'hiit':875 'impact':935 'input':157 'intent':987 'intervent':218,757,793,914 'lift':929 'long':781,909 'lstm/transformer':497 'ltv':151,343,346,353,359,598,802 'market':997 'metric':227 'model':734 'name':184,191,198 'nativ':9 'need':177 'nps':67,454,650,726 'orang':212,223,748,764 'outcom':786 'p7a':980 'p7a-data-flywheel-builder':979 'p7b':986 'p7b-intent-prediction-designer':985 'p7c':2 'p7c-predictive-retention-designer':1 'p7d':996 'p7d-marketing-productizer':995 'predict':3,154,716,892,988 'primari':228 'product':158,998 'rate':161,166,788 'recoveri':165 'red':215,225,751,769 'result':927 'retent':4,155,717,893,928 'revis':913 'risk':181,732 'roi':147,594,798 'saa':40,610,614,630 'score':182,733 'secondari':230 'signal':168,719 'skill':976 'skill-p7c-predictive-retention-designer' 'sourc':189,196,203 'source-gmaxxxie' 'step':54,75,114,136,440,467,511,555,583 'success':794 'term':782,910 'threshold':205,741 'topic-agent-skills' 'topic-ai-agent' 'topic-ai-native' 'topic-ai-product' 'topic-methodology' 'topic-product-management' 'topic-product-methodology' 'topic-product-thinking' 'topic-skills' 'trigger':918 'trust':934 'user':775,900 'vs':149,596,800 'weight':186,193,200 'xgboost':659,735 'xgboost/lightgbm':494 'yaml':153,715,891 'yellow':209,221,745,760 '一个每周使用':332 '一句判断':244 '一句话定位':18 '一家':613 '一款健身':811 '上游输入':978 '下游应用':991 '不仅预测是否流失':500 '不只是速度':482 '不同干预方式的效果对比':146,593 '不同的成因需要不同的干预策略':506 '不提及沉默':877 '不提及沉默信号':922 '不暴露监控事实':702 '不续费':52,626 '不被用户发现':565 '不额外投入':363 '与其他':975 '与历史均值的偏离度':483 '专属客户成功经理':541 '且挽回成本往往比获取新用户还高':260 '个':325 '个体化方案':284 '个性化':282 '个性化培训':688,767 '个性化课程推荐':921 '个月后是增加了还是减少了用户对我的信任':579 '个核心功能变成只用':323 '中置信度':432 '为不同风险等级设计差异化干预策略':515 '为不同风险等级设计干预策略':118 '为什么给我优惠':414 '主动干预':281 '主动提供新功能':530 '主动联系':766 '主要流失原因':49 '主要流失原因是用户不活跃导致价值感知低':638 '主要流失路径':623 '主要风险因素':670 '之间的时间段':379 '互动深度下降':310 '互动特征':484 '产品':39 '产品体验本身就是留存手段':1000 '产品名称':159 '产品改进':905 '产品改进优先于推送挽留':854 '产品类型':35 '产品需要改进':972 '产品需要被改进':574 '产生数据反哺飞轮':993 '人类难以察觉':309 '仅用于最高价值用户':544 '从':19,375,789 '从使用':321 '从每天打开变成每三天打开':307 '从消防队到烟雾探测器':251 '从轻到重':517 '付费功能使用率':490 '代价是隐蔽且危险的':411 '价值引导':529 '价值感知低':51,625 '价值报告':701 '价值报告不暴露监控':777 '价值特征':488 '任何干预都更像':394 '任务':57,78,117,139,443,470,514,558,586 '企业软件':41,631 '企业软件公司':615 '企业软件的预测性留存系统':611 '优先于推送':908 '优先修复功能':780 '优先修复功能而非发折扣':708 '优化干预策略':141 '优化模型和策略':588 '优化课程内容库':881,925 '优惠':536 '传统留存':273 '传统留存是':252 '伦理检验':698 '伦理检验清单':581 '但内容确实是基于用户偏好的推荐':878 '但干预失败':824 '但很多用户反馈说感觉被监视':831 '但流失风险完全不同':340 '但用户感到被监控':820 '低':288,358 '低流失风险':351 '低置信度':436 '何时触发':27 '你们的判断还可信吗':419 '你已经':814,863 '你的进步就白费了':818 '使用时长':477 '使用量低于合同':730 '使用量低于合同约定':72,459,654 '使用频率特征':473 '依次过三层筛子':560 '依赖度在下降':326 '促销':279 '保持正常服务':122,677,759 '信任度永久下降':859 '信任成本':416 '信号分层':445 '信号清单':463 '假阳性率控制':599 '假阳性用户占据本该用于真正高风险用户的干预资源':421 '假阳性的':423 '假阳性陷阱':407 '做了流失预测':828 '健康用户':101 '健身':807 '免费试用':537 '关怀':240,953 '关注用户':105 '关键':502,600 '关键决策人离职':73,460,655,731 '关键洞察':330 '内容优化':917 '再不回来':817 '决定':389,393 '准备迁移':65,452 '准确不等于可以暴露监控事实':967 '分层干预':428 '分析流失用户的课程偏好':880 '分步执行':439 '分钟':315,874 '分钟降到':313 '刚好够的':549 '到':21,377,382 '功能使用深度':84,192 '功能使用路径变窄':320 '功能升级试用':689,768 '加速度':481 '升级':491 '升级为':14 '协作人数减少':647,723 '协作人数趋势':665,739 '原方案':862 '反而加速流失':241,954 '发现甘特图功能加载慢':704 '发现甘特图加载慢是主因':779 '只做后台监控':438 '只用轻量干预':435 '只看风险评分不看用户价值':243,958 '可能已越界':567 '可能是挫败感':63,450 '可解释性好':496 '可解释性报告':510 '可追踪':465 '合同':90 '同样的风险分数':505 '向你投诉的用户是在给你机会':298 '周活跃天数下降':645,721 '商业信号':71,174,458,653 '回归用户次日留存':931 '回归用户次日留存率比原始方案高出':887 '在对的时间干预':401 '在流失发生之前主动干预':26 '在烟雾探测器响起时就行动':263 '在用户下次自然打开':868 '在用户流失之前主动干预':16 '在监视我':942 '在社交媒体吐槽的用户至少还在意你的产品':299 '场景描述':612,810 '基于':7,658 '增加社交激励':882 '增加社交激励机制':926 '外部信号':327 '够不够对':247 '天之间':384 '天内的流失概率':270 '天没有运动了':816,865 '天活跃天数变化率':663 '天流失概率':669 '天的登录次数':476 '好的预测性留存系统不怕失败':601 '如果你们把我误判为高风险':418 '如果需要':564 '它怕的是没有反馈':602 '定制化方案':694 '定制方案':771 '实际':318 '客户成功经理主动联系':128,687 '客服交互频率':487 '客服投诉增加':70,457,652,728 '尽早干预':399 '工单频率':666,740 '工单频率突增':648,724 '已知流失原因':37 '希望从被动挽回升级为主动预防':627 '帮助产品从':12 '常见误判':234 '常见陷阱':943 '干预roi':232 '干预优先级矩阵':349 '干预伦理三层检验':557,844 '干预光谱':516 '干预响应时间':145,592 '干预太晚':235,946 '干预太频繁':238,951 '干预成功率':143,231,590 '干预成本':148,595,799 '干预效果反而差':834 '干预时机窗口':372,374 '干预本身制造流失':412 '干预策略':119 '干预策略分层':672 '干预策略合规审查':582 '干预策略矩阵':552 '干预策略设计':116,513 '干预策略重设计':861 '并行参考':994 '并非所有用户都值得用同样的力度挽留':345 '建立多层信号体系':444 '建立用户流失风险评分模型':79,471 '当前可追踪的':176 '当前留存数据':36 '往往已经来不及':237,948 '待建设分类':466 '得出':348 '忽视高价值用户':242,957 '恰当干预可能改变轨迹':390 '情绪信号':66,172,453,649 '想做预测性留存':640 '意图变化可作为流失早期信号':990 '成功留存':424 '成本':285 '我们是':629 '我们的健身':826 '或缺乏动力':853 '才能有效':566 '执行流程':641,835 '把最贵的干预手段留给最高价值':366 '把没有流失意图的用户判定为':409 '把预测当干预触发器':970 '折扣':280,535 '折扣挽留会训练':710 '折扣挽留的逆向选择':961 '持续关注':356 '挽回':395 '挽回成功率':47,167 '挽回成功率仅':621 '挽回成功率才':636 '挽回成本':287 '挽回成本高':29 '挽回概率通常低于':258 '捕捉行为序列中的时序模式':498 '控制假阳性的关键':427 '推送':700 '推送不提及沉默的内容推荐':524 '推送准确捕捉到了行为变化':819 '推送很准':829 '推送打开率':485 '推送挽留的用户':858 '推送精确到天数':848 '推送精确提及沉默天数':840 '描述性分析':291 '提供个性化培训':129 '提供功能升级试用':130 '提供定制化方案':133 '提供续费优惠':134 '搜索竞品':328 '撒胡椒面':369 '支持交互':199 '支持交互频率':87 '支持工单增加':62,449 '改为价值引导':713,784 '效果追踪':138 '效果追踪与迭代':585 '效果追踪仪表盘':605 '效果验证':886 '数据使用':290 '数据导出行为':64,451 '数据来源':190,197,204,464 '数据飞轮为流失预测提供数据基础':984 '新使用方式':532 '新内容':531 '新方案':867 '方式':278 '无需干预':121,676 '时':870 '时机':275 '时间不合适':852 '是流失主因':707 '暴露了平台对用户行为的监控粒度':841 '暴露监控':866 '更深层改进':879 '替代方案检验':569,703,850 '最优的干预策略不是':546 '最后不续费':639 '最强的':547 '最近':474 '最高优先级':354 '最高风险的用户':367 '月流失率':42,616,632 '有人直接卸载了':832 '有没有同样有效但更尊重用户的方式':570 '有没有完整运动':847 '有逆向选择风险':538 '朋友一起运动':883 '未使用功能提醒':762 '本周新上线了':525 '本周精选':872 '权重':82,85,88,92,95 '构建流失预测模型':660 '标准运营':362 '核心功能使用减少':61,448 '核心功能使用深度':664,738 '核心功能使用率':478 '核心功能使用频率衰减':646,722 '核心原则':545 '核心概念':248 '概念':249,293,341,370,405 '模型不仅要输出风险分数':503 '模型以':265 '模型可以根据用户历史行为模式':403 '模型更加确信需要干预':426 '模型能检测的早期信号':305 '模型迭代计划':606 '模型选择':493 '橙色':106,127,684,795 '次的用户':338 '次的用户和一个从每周':334 '次降到':336 '正向':936 '每个用户都有一个':373 '每次失败的干预也是有价值的数据':603 '每次设计干预策略时':559 '活动邀请':763 '活跃':317 '活跃度下降':81,185 '流失信号在沉默中':295 '流失信号开始显现':376 '流失信号识别':56,442,643 '流失决策固化':378 '流失前':277 '流失前阻止':15,22 '流失后':276 '流失后挽回':13,20 '流失成为':392 '流失是':386 '流失率':162 '流失率下降':229 '流失风险评分':77 '流失风险评分模型':469 '浏览竞品内容':329 '消费金额变化':489 '消防队模式':253 '渐进的':308 '温和提醒':523 '激励刺激':534 '激活自我实现的预言':415 '火灾发生了才去灭火':254 '烟雾探测器模式':262 '特征包括最近':661 '特征工程要点':472 '特征重要性':509 '生存分析模型':499 '用':23 '用强力干预':431 '用户':46,620 '用户下次自然访问时':919 '用户下次访问时调整展示内容':520 '用户不活跃':50,624 '用户不运动可能是因为课程不感兴趣':851 '用户几天没运动我们就提醒':830 '用户取消订阅了才发挽回邮件':257 '用户困惑':413 '用户完全感受不到干预':521 '用户感到被监视':842 '用户投诉了才回应':256 '用户收到了推送':813 '用户是否合理地预期到这个干预行为':563 '用户期望检验':562,699,845 '用户未预期到平台在追踪':846 '用户流失了才发现':255 '用户流失最强烈的信号不是负面行为':296 '用户流失率高':28 '用户觉得':937 '用户质疑':417 '用户输入':628,825 '用户需要被挽留':572,974 '用最小的干预力度达到留存目标':550 '留住用户':801 '留住用户的':150,597 '留存变得比获客更重要':31 '留存用户继续使用产品':992 '登录频率下降':60,447 '的关系':977 '的准确率预测未来':268 '的预测性留存伦理纠偏':809 '监视感':857 '监视感推送永久损害信任':911 '直接卸载了':821 '直接沟通':540 '真正危险的是什么都不说的用户':300 '示例':607,608,805 '示例输入':38 '社交媒体负面评价':69,456 '社交激励':907 '秒':706 '窗口期内':385 '窗口期后':391 '立即干预':355 '等到红色才干预':236,947 '策略':220,222,224,226 '精准的资源分配':365 '精确提及沉默天数':902 '紧急修复':773 '紧急修复已知问题':135,696 '红色':110,131,690 '组织变动':94 '结构化行为数据上表现优异':495 '统一活动':283 '续费优惠':695,772 '续费周期':91 '维度':272 '综合输出格式':152 '绿色':98,120,673 '而是':400,548,573 '而是干预够不够早':246 '而是沉默':297 '而非':368,388,396,940,973 '而非惩罚性提醒':884 '联系':543 '自动推送价值报告':124,681,761 '自我强化误判':422 '获客成本':44,164,618,634 '获客成本上升':30 '营销与增长':10 '营销产品化可降低流失率':999 '虽然当前频率相同':339 '行为':712 '行为信号':59,170,446,644 '行为趋势特征':479 '行为频率衰减':306 '表面':316 '被':856 '被动等待':519,916 '被监控感':897 '被计入正样本':425 '装走拿优惠':711,963 '触发条件':553 '计算每个用户的最佳干预时间点':404 '让你在用户流失决策尚未形成之前就改变轨迹':271 '训练用户':962 '设计流程':53 '评估投入产出比':361 '评分下降':68,455,651,727 '评分维度':80 '识别用户流失前的预警信号':58 '课程':876 '课程优化':906 '资源错配':420 '越来越懂我':939 '趋势比快照更重要':331 '路过':319 '输入':34 '输出':462,507,551,580,604 '输出每个用户的':667 '输出结果':714,890 '过程':387 '还在打开但浏览时间从':311 '还要指出导致高风险的主要因素':504 '还预测何时流失':501 '这不是':398 '这个干预在':577 '这个矩阵实现了':364 '追踪干预效果':140,587 '追踪指标':142,589 '选择性干预':360 '通常在':380 '避免折扣挽留':783 '邀请参加线上活动':126,683 '邮件提醒未使用功能':125,682 '邮件点击率':486 '部你可能喜欢的电影':527 '长期价值检验':576,709,855 '问题在于干预方式':839 '问题诊断':837 '降级行为':492 '降至':791 '陷阱':944,949,955,959,964,968 '零投诉':889,933 '需要从被动运营升级为主动预防':32 '需要建设的追踪能力':180 '需要量化流失风险并优先干预高价值用户':33 '预期效果':554 '预测与干预优先级矩阵':344 '预测与流失风险结合':347 '预测做得好':833 '预测准确':823 '预测准确但干预方式触发':896 '预测发现的往往是':971 '预测性分析':292 '预测性留存':274 '预测性留存是':261 '预测性留存概念卡':11 '预测性留存的核心不是预测准不准':245 '预测性留存设计器':6,17 '预测模型会犯假阳性错误':408 '预测模型发现的往往不是':571 '预测用户流失风险':25 '预测能力没问题':838 '预测越准干预越侵入':966 '预算周期变更':74,461 '预防':397 '预防性维护':357 '预防成本':289 '频率的变化率':480 '风险用户':109 '风险等级':97 '风险评分模型':508,657 '风险降级':144 '风险降级比例':591 '风险预测准确率':233 '首页推荐':871 '高':286,352 '高危用户':113 '高流失风险':350 '高管介入':132,693,770 '高置信度':429 '高风险':410 '黄色':102,123,678 '黄色用户收到太多':239,952 '黄色降级率':796 '默默减少使用频率':301 '默默跳过推送':302 '默默降低互动深度':303","prices":[{"id":"103b3e0c-4af4-4b59-a6b3-606f5f8f5120","listingId":"25dfba95-16b9-4bb0-860f-fdf14af63821","amountUsd":"0","unit":"free","nativeCurrency":null,"nativeAmount":null,"chain":null,"payTo":null,"paymentMethod":"skill-free","isPrimary":true,"details":{"org":"gmaxxxie","category":"ai-native-product-agent-skills","install_from":"skills.sh"},"createdAt":"2026-05-01T01:03:01.962Z"}],"sources":[{"listingId":"25dfba95-16b9-4bb0-860f-fdf14af63821","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/p7c-predictive-retention-designer","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p7c-predictive-retention-designer","isPrimary":false,"firstSeenAt":"2026-05-01T01:03:01.962Z","lastSeenAt":"2026-05-18T18:57:33.913Z"}],"details":{"listingId":"25dfba95-16b9-4bb0-860f-fdf14af63821","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"p7c-predictive-retention-designer","github":{"repo":"gmaxxxie/ai-native-product-agent-skills","stars":56,"topics":["agent-skills","ai-agent","ai-native","ai-product","methodology","product-management","product-methodology","product-thinking","skills"],"license":null,"html_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills","pushed_at":"2026-05-06T07:19:36Z","description":"AI Native Product Methodology — 80 executable skills across P0-P14 stages, covering needs discovery to aesthetic authority. From 8 books.","skill_md_sha":"6bd4098d359907ea90ad3d22808db1aeff6a1a53","skill_md_path":"skills/p7c-predictive-retention-designer/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p7c-predictive-retention-designer"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"p7c-predictive-retention-designer","description":"预测性留存设计器。基于《AI Native 营销与增长》预测性留存概念卡， 帮助产品从\"流失后挽回\"升级为\"流失前阻止\"——在用户流失之前主动干预。"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p7c-predictive-retention-designer"},"updatedAt":"2026-05-18T18:57:33.913Z"}}