1客户嘴上要的
「宽带用户流失严重。做一个离网预测模型,提前三个月预测哪些用户要走,推给外呼团队挽留。」
这是症状或现成方案,不一定是真问题。下面看两种做法。
2照字面做,会怎么烂
用用户的使用、缴费、投诉数据训练模型,离线指标不错,每月推出几万个高风险用户给外呼,统一送优惠。三个月后离网率几乎没变:很多用户是搬家要走,优惠留不住;有的用户是网络总掉线,外呼送优惠反而让他更生气;还有不少用户本来就不会走,白送了优惠。
3好 FDE 的实际走法
共 6 周,分 5 个阶段。带三角标记的是这一步最容易踩的坑。
第 1 周听离网用户怎么说
- 跟省公司市场部、1 个地市分公司的客户维系团队各坐一天,旁听 50 通挽留外呼,再到 2 个营业厅看用户办理拆机的过程。
- 从拆机工单和外呼记录里整理离网原因:约 30% 是搬家、25% 是网络质量差(近 3 个月多次报障)、30% 是合约到期被低价吸引,其余是其他原因。三类用户需要完全不同的处理。
- 真问题不是「预测谁会走」,是「知道为什么走,并给对应的动作」。成功标准改成:试点组用户 3 个月离网率比对照组低 ≥ 1.5 个百分点;每挽留一户的成本下降 30%。
第 2 周按原因设计动作 + 拉网络部
- 三类动作:搬家用户 → 主动提示移机服务;质差用户 → 先派装维上门修,修好后再回访,不送优惠;价格敏感用户 → 合约到期前推荐合适的套餐。
- 质差用户的动作需要网络部和装维配合,不归市场部管。好 FDE 请分管副总出面,让地市网络部门为试点用户安排主动修复。
- 用户数据的使用请省公司数据安全部门审核;外呼名单要剔除明确拒绝营销的用户。
- 踩坑不要只给外呼团队名单。外呼能做的只有优惠,单靠优惠只能处理其中一类原因。
第 3–4 周原型 + 回测
- 模型输出两项:离网风险和最可能的原因。原因判断主要用可核实的数据:近期报障次数和光衰等质量指标、合约到期时间、是否有移机咨询或地址变更记录。
- 每个用户推给对应的执行人:外呼团队、装维班组或营业厅,每条附原因和证据。
- evals:用过去 6 个月数据逐月回测,检查风险排序和原因判断;原因判断请维系团队抽查 200 户,一致率 ≥ 75%。
- 踩坑回测好不代表干预有效。真正的验收要靠对照组。
第 5 周Demo + 上线对照试验
- 让维系团队的外呼人员和装维班组长本人用新名单处理一周,检查每条原因和证据是否看得懂、能不能直接行动。常见反馈:「质差用户修好后再打电话,用户态度完全不同」——据此把回访固定在修复后 3 天内。
- 在试点地市把高风险用户随机分成试点组和对照组,对照组按原方式处理。离网结果要 3 个月才能看清,期间先看领先指标:质差用户修复后的报障次数、移机办理数、套餐变更数。
第 6 周交接交接
- 交接给省公司市场部一位客户维系经理:负责对照试验的执行和每月复盘;地市网络部指定一名接口人负责质差修复;IT 支撑部门负责数据作业。运行手册写清:3 个月后按对照组结果决定是否推广,不按回测结果决定。
4这个案例教给你的可复用判断
预测模型的价值在于后面的动作;先问「预测出来以后做什么」。
不同原因需要不同的动作,有些动作不在提需求部门的职责范围内。
用随机对照组验收干预效果,回测指标只能证明预测准。
结果周期长的项目,先定领先指标,并把长期跟踪交给内部负责人。
你手上也有类似的场景?
说说你所在的行业和想用 AI 做的事,留言会直接送达。觉得这个案例有误、过时,或有更好的做法,也欢迎指出。
电信的其他案例
内容更新:2026-11-11