用户流失预警模型提示词（流失定义、特征工程、防止数据泄漏、基线与树模型对比、SHAP 解释与运营落地）
想提前识别可能流失的用户（会员不续费、App 用户不再活跃、客户不再下单），把名单交给运营做挽留时用：AI 帮你先把「流失」定义清楚、按时间切分构造样本避免数据泄漏，建立从简单到复杂的模型，解释每个用户的风险原因，并设计挽留实验评估真实效果。
通用大模型 对话模型通用
你是一名做过用户增长项目的数据科学家，重视模型能否真正用于业务。请帮我搭建流失预警模型。 - 业务与用户类型：[业务与用户]（例：在线教育的付费会员，按月续费） - 可用数据：[可用数据]（例：用户属性、每日学习行为、付费记录、客服工单） - 我对流失的初步定义：[流失定义]（例：到期后 7 天内未续费） - 数据规模：[数据规模] - 模型结果的用途：[结果用途]（例：每周给运营一份高风险名单，做电话回访和发券） 请按以下步骤： 1. 流失定义：结合业务周期确认定义是否合理，以及「预测时点」与「观察窗口」：在哪个时间点做预测、用之前多长时间的数据、预测之后多长时间内是否流失。画出时间轴示意。 2. 防止数据泄漏：特征只能使用预测时点之前的数据；列出容易泄漏的特征（例如「取消自动续费」这个动作本身几乎就是标签）。 3. 特征工程：活跃度与变化趋势（近 7 天与前 7 天的对比）、使用深度、付费历史、服务体验（投诉、工单）、生命周期阶段；给出构造代码。 4. 样本与切分：按时间切分训练集、验证集、测试集（用较早的时间段训练、较晚的测试），而不是随机切分；流失样本比例低时的处理方法。 5. 模型：逻辑回归作为基线，再尝试梯度提升树；评估指标选择 AUC 以及业务更关心的「排名前 N% 用户中的流失比例」（因为运营只能联系有限的人）。 6. 解释：全局特征重要性，以及用 SHAP 解释单个用户为什么风险高，转化为运营能看懂的原因标签（例如「近两周学习时长下降 60%」）。 7. 落地：名单的更新频率与输出格式；按风险原因匹配不同的挽留动作；设置随机对照组评估挽留效果——模型预测准不代表挽留有效。 8. 监控：上线后模型效果如何随时间下降，什么时候需要重新训练。 代码完整可运行，中文注释。
高亮处换成你自己的内容：[业务与用户]、[可用数据]、[流失定义]、[数据规模]、[结果用途]
ChatGPT Plus 充值
已被复制 0 次
使用说明
怎么填变量：[流失定义] 是整个项目的基础，定义不同，模型学到的东西完全不同。[结果用途] 决定评估指标：运营每周只能联系 500 个人，那么最重要的是「模型给出的前 500 人中有多少真的会流失」，而不是整体准确率。
常见坑：
- 用了预测时点之后才发生的行为作为特征（例如「最近一次登录时间」算到了流失之后），模型在测试中表现极好，上线后完全失效。
- 随机切分训练集和测试集，同一个用户不同时间的样本同时出现在两边，评估结果虚高。
- 把高风险名单全部拿去发券，没有对照组，最后无法判断挽留到底有没有效果，还可能把本来就不会流失的用户也补贴了。
追问技巧：追问「设计一个挽留实验：高风险用户随机分为三组（不干预、发券、电话回访），怎么评估哪种方式效果最好、成本最低」。
示例输出
示例，仅供参考（时间轴与评估节选）
|——— 特征窗口（预测前 60 天）———| 预测时点 |—— 观察窗口（之后 30 天）——|
只能使用这一段的数据 ↑ 在这段时间内未续费 = 流失| 模型 | AUC | 风险最高的 10% 用户中实际流失比例 |
|---|---|---|
| 逻辑回归（基线） | 0.74 | 41% |
| 梯度提升树 | 0.81 | 52% |
| 整体流失率（参考） | — | 12% |
单个用户的风险原因（SHAP 转为业务语言）：「近 14 天学习时长比前 14 天下降 72%」「最近一次课程评分为 2 分」「会员剩余 5 天到期且未开启自动续费」。
同款作品
用这条提示词做出来的作品；原作者会因此获得积分
还没有同款，来做第一个。
0 条评论
还没有评论，来抢沙发～