开篇前言

所有增长团队都会达成一个共识：获取新用户、召回已流失用户的成本，远高于留住现有活跃用户。 这一点在数字银行、信贷、支付类金融科技（FinTech）产品中体现得尤为突出 —— 金融行业获客成本常年居高不下，盲目投放补贴、优惠券只会持续拉高运营开支。

金融产品用户留存，受服务体验、产品功能、会员权益、触达沟通、全链路使用感受多重因素影响。本文聚焦机器学习个性化运营落地实战：如何精准触达流失风险用户，把补贴权益花在刀刃上。

整套留存体系分为三大核心步骤：

1. 搭建流失预警模型：提前圈定即将流失的高危用户群体；

2. 设计留存运营手段：确定用什么权益（返现、优惠券等）唤醒沉睡用户；

3. 增益模型（Uplift Model）优化干预策略：筛选真正会被优惠打动的用户，杜绝预算浪费。

本篇会完整拆解这套双模型留存系统落地细节：每一步产品价值、解决的业务痛点、实验结论全部公开，适合 FinTech 增长分析师、数据科学家、用户运营从业者参考复用。

一、前期准备：定义流失标准 & 搭建用户特征体系

1. 流失口径定义

本次项目基于借记卡产品增长场景，用户行为核心依托交易流水判定，行业通用流失规则：



连续 30 天无任何刷卡支付行为，即判定为用户流失

”

逻辑解读：即便账户未注销，但整整一个月没有交易，银行卡已经被用户闲置，从产品商业视角来看，该用户已经失去活跃价值。 对应模型预测目标（二分类标签）： 未来 30 天内，用户是否会产生至少一笔支付交易。

2. 五大类用户特征（金融产品通用搭建逻辑）

无法披露生产环境完整特征清单，整理金融行业交易类产品标准特征框架：

1. 用户基础画像特征 年龄、所在地区、登录设备、开通附属产品、套餐档位、会员忠诚度等级、账号生命周期（新用户 / 成熟用户）等基础属性。

2. 多时间窗口行为聚合指标 分别统计 7 天、30 天、90 天三类周期行为数据：交易笔数、总流水、单笔平均金额、消费品类数量、月度活跃天数。 多窗口指标可以捕捉用户行为下滑趋势，是流失预测最强信号之一。

3. 时间间隔时序特征 末次交易距今时长、首笔交易距今时长、相邻两次交易平均间隔、使用节奏变化规律。 「长时间没有交易」是判断流失最核心的预测变量。

4. 日历周期特征 星期、月份标签。金融交易具备极强季节性波动，节假日、月末发薪日都会影响交易频次，纳入特征可避免模型把自然淡季波动误判为流失。

5. 衍生比值特征 不同周期流水比值、各类消费占比、归一化相对指标。用来抹平用户基础消费能力差异，避免低消费用户被误判为流失人群。

二、第一阶段：搭建流失预警模型（Pre-Churn Model）

核心业务目标

识别现有会员权益体系已经无法留住的高危用户，提前干预，在用户彻底流失之前唤醒活跃。 模型输出：用户未来 30 天产生交易的概率；概率越低，流失风险越高。

1. 基线模型训练

任务本质：二分类概率预估 输入：用户全量特征 输出： = 用户未来 30 天发生支付的概率

金融结构化表格数据场景，梯度提升树效果最优、调参成本适中： XGBoost / LightGBM / CatBoost 都是行业首选方案。

基于预测概率计算流失风险分：

设定阈值，筛选高危流失用户池：

阈值根据运营预算、可承接用户量级、可接受流失损失综合划定，核心约束：整体补贴成本不能超出营销活动预算上限。

2. 模型验证两大关键点

1. 时序离线回测验证 不能随机划分训练集测试集，必须严格按照时间切割：用更早历史数据训练模型，用后续最新月份数据验证预测效果，完全复刻线上生产推理逻辑，规避时间泄露问题。

2. 重点校验概率排序能力 + 概率校准效果

• 排序指标：ROC-AUC，衡量模型区分高低流失风险用户的能力；

• 概率校准：观测预测概率和真实流失率是否贴合，常用校准曲线、霍斯默 - 莱梅肖检验判定。

项目实操发现：模型随着线上运行时间拉长，排序效果衰减很小，但概率校准会持续偏移。受外部政策、市场环境、用户行为变迁影响，预测概率会和真实转化产生偏差，这是时序预测模型普遍痛点。

3. 优化方案：双层概率校准

在原始流失模型之上叠加一层逻辑回归校准小模型： 仅将基线模型输出概率作为唯一输入特征，重新拟合真实行为，输出校准后精准概率：

优势极其明显： 轻量化、迭代速度快、每月可定时更新，无需重构整套流失预测体系，低成本保证模型长期稳定可用。

三、首轮实验：仅靠流失模型投放补贴，成本远超预期

搭建完流失预警模型后，我们开启随机对照 A/B 实验： 将高危流失用户分为两组，实验组发放加码返现权益，对照组维持原有常规权益，观测留存提升效果。

实验结果汇总

核心痛点复盘

虽然补贴确实拉高了留存，但留存成本严重超标： 流失用户池里混杂三类人群：

1. 自然留存用户：即便不发返现，自己也会正常交易；

2. 可唤醒用户：收到补贴后才会回归活跃；

3. 彻底流失用户：无论发放多少优惠，都不会再使用产品。

统一给全量高危用户投放权益，预算大量浪费在了第一类、第三类人群身上。 由此得出结论：只知道用户快要流失远远不够，必须分辨谁能被优惠打动，谁不会产生任何行为改变，这就是增益模型（Uplift Model）的价值。

四、第二阶段：增益模型（Uplift Model）精准筛选可唤醒用户

模型核心定义

预估发放留存权益对单个用户行为的提升幅度，精准找出：只有收到优惠，才会回归产生交易的人群。 预算不再铺满整个流失用户池，只定向投放给增益最高的用户，大幅压缩单位留存成本。

训练前提：必须依托上一轮 A/B 实验数据 需要同时拥有「收到补贴实验组」和「无补贴对照组」的用户行为样本，模型才能学习干预前后的行为差异。

增益计算公式

：用户个人增益值 ：发放返现权益；：无任何补贴干预 差值越大，代表优惠对该用户留存的拉动效果越强。

两种主流建模方案

方案 1：T-Learner（双模型学习器）

分别训练两个独立二分类模型：

• ：无补贴场景下用户交易概率（对照组训练）

• ：发放补贴场景下用户交易概率（实验组训练） 个人增益 = 发放补贴概率 - 无补贴概率

方案 2：S-Learner（单模型学习器）

只用一个模型训练，将「是否发放补贴」作为一条特征纳入模型输入； 分别代入 T=1、T=0 两次推理，差值即为增益。

本次项目中两种方案效果接近，选型无明显优劣。最终按照增益分值从高到低排序，只选取顶部用户投放权益。

增益模型上线对照实验结果

实验设计：同一批高危流失用户，拆分两组对比策略

1. 传统策略：全量流失用户随机发放补贴

2. 优化策略：先用增益模型筛选高响应人群，再定向投放

数据效果显而易见：借助增益模型剔除无效人群后，同等投放预算下，增量留存人数大幅上涨，留存成本成功低于新用户获取成本，商业化闭环正式跑通。

五、整套 FinTech 留存系统完整运转流程

整体为双层串行筛选架构，线上定时批量执行：

第一层：流失预警模型圈选高危人群

输入用户行为数据，通过校准后的概率模型计算 30 天交易概率； 概率低于阈值 → 划入预流失用户池。

第二层：增益模型二次筛选可干预用户

在流失池内，计算每位用户权益响应增益值； 增益大于设定门槛 → 最终定向发放返现补贴的目标用户。

系统长效迭代机制

两套模型都需要持续迭代校准，因此系统设计了常态化数据回流机制：

1. 预留空白对照组：完全不触达任何留存权益，观测自然流失基线，用于定期校准流失预警模型；

2. 流失池内随机分流：小部分用户随机发放 / 不发放补贴，持续产出纯净实验样本，迭代更新增益模型。 依靠源源不断的线上 A/B 数据，整套留存体系可以长期稳定运行，不会随用户行为变迁失效。

六、总结

这套「流失预警模型 + 增益 Uplift 模型」组合，是金融、支付、信贷类产品用户留存最优工业实践方案，一次性解决两大业务难题：

1. 前置预判流失：提前捕捉用户活跃度下滑信号，在彻底流失之前介入运营，而非等到用户注销账号后再被动召回；

2. 精细化预算管控：告别普惠式全员补贴，资金全部倾斜给优惠能产生真实行为改变的用户，杜绝预算浪费，让留存运营具备正向商业收益。

本质逻辑：增长不是单纯靠补贴堆出来的，依托机器学习量化用户差异，把每一分营销预算都花在能拿到增量收益的地方，才是可持续的用户增长之路。

推荐学习书籍 《CDA一级教材》适合CDA一级考生备考，也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校，累计已有10万+在读~ !

免费加入阅读：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0