流失与需求预测

模型到底学到了什么

预测听起来像本页最高级的一项。它其实最平常，而理解这一点会让你更容易判断它对你管不管用。

流失模型会看你有过的每一个客户，问那些离开的人在离开前几个月有什么共同点。不是看法 —— 是可测量的东西。距上次下单多久，这个间隔是否长于他自己的常态。订单金额是否在下滑。是否从六条产品线收缩到两条。联系客服的频率如何，有没有变化。发票是否开始付得更晚。

这些信号单看都说明不了什么。一个六周没下单的客户，如果他本来就是按季度采购，可能完全满意。模型的工作是把它们放在一起、相对于每个客户自身的规律来加权，得出一个数字：这个账户有多像那些已经离开的。

需求预测是同样的道理，方向相反。它学到某条产品线在开斋节前几周卖得更多、某个 SKU 已经连涨九个月、十二月总是淡季 —— 然后把这些合成对下个月的估算。

从商业角度真正重要的是：这些是带误差范围的估算，不是预言。一个好的流失模型不会告诉你某个客户要走了。它告诉你这个账户比你名下八成客户都更像那些走掉的人 —— 而这已经足够构成打个电话的理由。

为什么在这里往往是简单模型胜出

人们有个假设：更好的模型意味着更复杂的模型。在中小企业规模的数据上通常正相反，这一点值得知道，好让你认得出什么时候被过度推销了。

深度学习需要极大量的数据才能赢过更简单的方法。它在数百万样本上才发光。如果你有两千个客户、三年的订单，梯度提升、甚至一个设定得当的回归，通常能追平或胜过它，训练只要几秒而不是几小时，运行几乎零成本，而且 —— 这一点最关键 —— 能告诉你它为什么给出这个分数。

最后这一点决定了项目的成败。一个没有解释的分数，你的销售到第三周就会无视它。一个写着「因订购频率减半、且最近两张发票逾期而被标记」的分数，他们可以据以行动，因为它顺带告诉了他们打电话时该说什么。

所以如果有人为一千个客户提议上神经网络，问问它比简单模型多买到了什么。有时确实有好答案。通常没有。

怎么判断它是不是真的在起作用

一个从不复核的模型会悄悄不再准确，而且这种失效是看不见的，因为它照样产出自信的数字。

评估流失模型的老实做法，是用较早的数据训练、用它从没见过的较新数据测试 —— 绝不能用它学过的数据，那会把成绩美化得离谱。我们既报告它抓到了什么，也报告它漏掉了什么，因为一个把所有人都标记的模型抓住了每一个流失者，同时毫无用处。

对中小企业的客户流失来说，能提前识别出六到七成、且早到还来得及行动，是相当好的结果。如果有人承诺九成五，他要么手里有非同寻常的数据，要么在描述一次过拟合的测试。对特别高的数字保持怀疑。

上线之后，检查很简单，你自己就能做：三个月前被标为高风险的账户里，有多少真的停止下单了？而没被标记的那些里，又有多少还是走了？客户行为会变，所以请按每年重训两次左右来安排。