Uplift Modeling for Churn Prediction
Skill-Uplift-Churn-Prediction · 06-增长模型
1. 解决的问题
识别哪些用户会因为干预（如优惠券、客服电话）而降低流失概率。
2. 核心算法逻辑
Uplift Modeling解决的核心问题：识别哪些用户会因为干预（如优惠券、客服电话）而降低流失概率。传统流失预测模型只告诉你会流失，Uplift模型告诉你干预对谁有效。将用户分为四类：可说服者（Persuadables）、必然转化者（Sure Things）、无法挽回者（Lost Causes）、不要打扰者（Sleeping Dogs）。
3. 业务应用场景
业务问题 母婴出海电商面临用户生命周期短（孩子长大需求消失）、获客成本高的挑战。现有流失预警模型能识别高危用户，但对所有高危用户发券成本高、效果差。部分用户"给券才留"，部分"给券也不留"，还有部分"不给券也会留"。统一发券策略ROI低。
数据要求 - 用户特征：在网时长、月消费金额、累计消费、客服通话次数、购买产品数量 - 历史干预数据：是否发放优惠券、是否进行客服回访 - 流失标签：30天内是否流失 - 样本量：建议≥5000条（处理组和对照组各2500+）
预期产出 - 每个用户的Uplift分数：干预对降低流失的概率 - 四象限分群： - 可说服者（Persuadables）：Uplift>0.1，发券显著降低流失 - 必然转化者（Sure Things）：0<Uplift<0.1，会自然留存，无需发券 - 无法挽回者（Lost Causes）：Uplift≈0，发券无效，节省成本 - 不要打扰者（Sleeping Dogs）：Uplift<0，发券可能增加流失 - 分群触达策略：仅对"可说服者"发放高价值优惠券
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- 模型开发：1-2周（1名算法工程师）
- 数据pipeline搭建：1周（1名数据工程师）
- 与现有优惠券系统集成：1周
- 总计成本：约20-30人天
- 优惠券成本降低30% → 假设月成本10万，年节省 36万元
- 挽回率提升带来的LTV增长 → 估计 20-30万元
7. 代码模板
代码块数量：1 · 路径：paper2skills-code/growth_model/uplift_churn_prediction
cd paper2skills-code/growth_model/uplift_churn_prediction
python3 model.py8. 论文来源
- 2312.07206