1. 项目背景与业务价值客户流失预测是机器学习在商业分析中最经典的应用场景之一。我在金融和电信行业做过多个类似项目发现流失率每降低5%就能为企业带来数百万的利润增长。这个项目我们将用真实业务数据从零构建完整的预测流水线。典型的流失预测场景包括电信运营商识别可能转网的客户SaaS企业发现即将停止续费的用户金融机构预判信用卡销户人群关键点预测窗口期的选择直接影响模型效果。通常电信行业看未来1个月SaaS产品看未来3个月需要根据业务周期调整。2. 数据准备与特征工程2.1 原始数据解析我们使用的数据集包含用户基础信息性别、年龄、地域消费行为月消费额、套餐类型服务使用通话时长、流量使用客户服务记录投诉次数、解决时长import pandas as pd raw_data pd.read_csv(customer_churn.csv) print(raw_data.info())2.2 特征构造技巧基于业务理解构造的特征往往比原始字段更有效消费波动率最近3个月消费金额的标准差服务退化指数(本月使用量 - 上月使用量)/上月使用量投诉解决延迟投诉创建到解决的小时数经验时间窗口选择需要反复测试。我们发现电信行业用30天滑动窗口效果最好而电商更适合7天窗口。3. 数据预处理实战3.1 缺失值处理方案连续变量用同套餐用户的均值填充分类变量单独设为未知类别时间序列前向后向混合填充from sklearn.impute import KNNImputer imputer KNNImputer(n_neighbors5) numeric_features [monthly_charge, call_duration] data[numeric_features] imputer.fit_transform(data[numeric_features])3.2 特征编码策略有序分类如套餐等级保留原始数值无序分类如省份采用Target Encoding高基数特征如设备ID采用频率编码from category_encoders import TargetEncoder encoder TargetEncoder(cols[province]) data encoder.fit_transform(data, data[churn])4. 基线模型构建4.1 模型选型对比我们测试了三种经典算法逻辑回归可解释性强随机森林处理非线性关系XGBoost处理类别不平衡from xgboost import XGBClassifier model XGBClassifier( scale_pos_weightsum(y0)/sum(y1), # 处理样本不平衡 eval_metricaucpr # 更适合不均衡数据 ) model.fit(X_train, y_train)4.2 评估指标选择业务视角关注召回率尽可能捕捉流失用户工程视角需要平衡精确率减少误判综合指标PR-AUC比ROC-AUC更适合不均衡数据踩坑记录初期使用准确率导致模型将所有用户预测为不流失在1:10的不均衡数据上仍有90%准确率。5. 特征重要性分析5.1 关键驱动因素通过SHAP值分析发现最强负相关套餐折扣剩余月数剩余越少流失风险越高最强正相关近7天客服投诉次数非线性关系月消费在80-120元区间流失率骤升import shap explainer shap.TreeExplainer(model) shap_values explainer.shap_values(X_test) shap.summary_plot(shap_values, X_test)5.2 业务可解释性将模型结果转化为业务语言套餐即将到期的客户流失风险增加300%月消费在80-120元且有过投诉的客户流失概率达65%使用国际漫游功能的客户留存率比平均值高40%6. 工程化注意事项6.1 线上部署要点特征工程代码需要封装为Pipeline模型监控需要跟踪预测分布漂移定期用新数据重新训练建议周级更新from sklearn.pipeline import Pipeline pipeline Pipeline([ (imputer, KNNImputer()), (encoder, TargetEncoder()), (model, XGBClassifier()) ])6.2 常见问题排查问题1线上预测结果与测试集差异大检查特征计算逻辑是否一致验证数据分布是否发生偏移问题2模型效果随时间下降检查标签定义是否变化如流失周期调整新增的特征是否包含未来信息7. 效果优化实战技巧7.1 样本权重调整通过class_weight参数给少数类更高权重model LogisticRegression( class_weight{0:1, 1:5} # 流失样本5倍权重 )7.2 代价敏感学习定义误分类成本矩阵将流失用户误判为留存成本500元优惠券成本将留存用户误判为流失成本50元营销成本from sklearn.utils import class_weight weights class_weight.compute_sample_weight( balanced, y_train )在实际项目中我们通过组合优化样本权重和代价矩阵将召回率从0.65提升到0.82同时保持精确率不低于0.7。这相当于每月多挽回230个高价值客户带来约15万元的直接收益。