找到流失特征并制定策略：从相关性到可干预性

2026-08-27

增长

增长流失用户挽回

流失模型告诉我们谁可能离开，流失特征则试图回答为什么。但模型中的“重要特征”并不天然等于流失原因，更不等于可以直接上线的策略。

从预测结果走到产品动作，需要完成三次筛选：先找出具有预测力的特征，再解释这些特征如何影响风险，最后只选择行为动线明确、能够被产品改变的部分进行干预。

一、先建立一张流失特征地图

特征通常可以分成四类：

类型	示例	策略价值
用户状态	注册时长、会员等级、设备、城市	适合分层，不一定可改变
使用强度	活跃天数、打开频率、驻留时长	判断使用习惯是否减弱
核心行为	发布、互动、搜索、收藏、购买	定位产品价值是否被获得
体验与趋势	崩溃、投诉、推送量、近7天行为下降	往往更接近可干预原因

相比“过去30天打开了几次”，趋势特征通常更有预警意义。例如同样一周打开3次，对长期保持3次的用户是稳定状态，对过去每天打开的用户却可能是明显衰退。

二、SHAP解释的是模型贡献，不是因果关系

树模型可以捕捉复杂关系，却很难直接解释。SHAP（SHapley Additive exPlanations）借鉴合作博弈中的Shapley Value思想：比较某个特征加入不同特征组合前后，模型预测发生了多大变化，再对这些边际贡献取平均。

对于单个用户，模型输出可以写成：

f(x)=\phi_0+\sum_{j=1}^{m}\phi_j

\phi_0是基准预测，\phi_j是第j个特征把预测推高或拉低的贡献。将大量用户的绝对SHAP值求平均，可以得到全局特征重要性；查看单个用户的SHAP值，则能解释他为何被判为高风险。
截屏2026-08-27 15.28.18

一只猫，为什么让模型多预测了1000美元？

上图来自Scott Lundberg和Su-In Lee发表于NIPS 2017的SHAP经典论文。论文用一个房产预测模型说明：我们不仅想知道模型为什么给出4.1万美元，还想知道每项特征分别把预测推高或拉低了多少。

图中上下两行代表相邻的两个信息状态。在周边环境、住宅等背景信息相同的情况下，模型原本给出4万美元；再加入“允许养猫”这一特征后，预测变成4.1万美元。因此，在这一组已知特征和这一种加入顺序下，“允许养猫”的边际贡献是：

41000-40000=1000\text{美元}

但这1000美元还不是最终的SHAP值。假设模型同时使用周边公园、住宅条件、是否允许养猫等特征，先加入“允许养猫”和最后加入它，产生的边际变化可能不同：允许宠物可能与房屋类型、面积、地段有关，非线性模型也可能学习到特征之间的交互。

Shapley Value的做法，是把“允许养猫”放进所有可能的特征组合和加入顺序中，分别计算它带来的边际变化，再按照组合权重求平均：

\phi_{cat}=\sum_{S\subseteq F\setminus\{cat\}} \frac{|S|!(|F|-|S|-1)!}{|F|!} \left[f(S\cup\{cat\})-f(S)\right]

其中F是全部特征，S是不包含“允许养猫”的某个特征组合。这个平均过程避免了用某一次加入顺序武断地分配贡献。所有特征的SHAP值与基准预测相加，最终能够还原该样本的模型输出。

更重要的是，图中解释的是**“允许养猫如何影响模型输出”**。4万和4.1万美元也是示意性的模型预测，而非两套房屋的成交对照。模型可能只是学到了允许宠物与地段、房型或租赁定位之间的相关关系。

把这个故事换成流失预警：如果“营销Push较多”的SHAP值把某位用户的流失概率向上推了8个百分点，只能说明模型利用了这个信号，不能直接证明少发Push就会让流失率下降。SHAP负责解释预测，因果验证仍要依靠业务分析和随机实验。
截屏2026-08-27 15.45.07
类似地，“不再购买”可能是需求结束后的结果，而非造成流失的原因；“未使用新功能”也可能只是低活跃的伴随现象。高度相关的特征还会相互分摊贡献，使排名发生变化。

因此，重要特征只能生成假设，不能直接证明因果。

三、从重要特征到产品策略，要通过四道门

1. 是否发生在流失之前

只保留预测时点之前就能观察到的行为，排除结果泄漏。例如卸载后的推送不可达可以确认用户已经离开，却不能用于提前预警。

2. 是否能够被产品改变

年龄、城市和设备可能很重要，但无法直接干预，更适合用于人群分层。推送过量、首屏加载慢、内容重复、核心任务失败等特征，才有明确的产品抓手。

3. 是否能形成完整行为动线

需要回到Session、路径和用户反馈中验证：用户在哪个入口进入，在哪一步受阻，随后哪些行为下降，最后何时沉默。只有能讲清“场景—问题—行为变化—流失”的链路，策略才不容易变成拍脑袋。

4. 是否能通过实验验证

把高风险用户随机分为干预组和对照组，比较增量留存、负反馈和长期价值。若减少营销推送后留存提升，才能支持“过度打扰导致流失”的判断；若没有变化，就要重新检查假设。

四、策略优先级不等于特征重要性排名

一个特征是否值得优先干预，可以综合四个因素：覆盖人数、预测贡献、可干预程度和预期收益，并扣除实现成本与体验风险：

Priority\approx Coverage\times RiskLift\times Actionability\times ExpectedUplift-Cost

例如“营销推送条数”未必是SHAP排名第一的特征，但它覆盖面广、改动快、可以精确实验，可能比排名更高却无法改变的设备属性更值得先做。

最终需要建立的不是一张特征排行榜，而是一条从数据到行动的证据链：模型发现异常，解释工具定位线索，行为分析还原动线，用户研究补充原因，随机实验验证策略。只有走完这条链路，流失特征才会从相关性变成真正可用的产品决策。