场景与价值
零售企业的会员体系沉淀了大量行为数据:消费频次、客单价、最近一次购买距今(Recency)、品类偏好、促销敏感度、投诉与退换货记录。会员流失(churn)通常指一段时间内不再消费或活跃度跌至阈值以下。用模型提前识别高流失风险会员,可以把“事后挽回无门”变成“事前精准触达”——对即将流失的高价值会员定向发券、专属客服跟进,比广撒网式营销成本低得多。本文用 XGBoost 给出一套可复现的二分类流程。
步骤一:构造标签与特征
先用历史订单构造 RFM 类特征,并以“观测窗口后是否仍有消费”作为流失标签:
import pandas as pd
df = pd.read_csv('member_orders.csv') # 含 member_id, order_date, amount
snap = pd.Timestamp('2026-06-30')
df['recency'] = (snap - pd.to_datetime(df['order_date'])).dt.days
feat = df.groupby('member_id').agg(
freq=('order_date', 'count'),
monetary=('amount', 'sum'),
recency=('recency', 'min'),
aov=('amount', 'mean'))
# 标签:窗口后(7月)是否有消费
july = df[pd.to_datetime(df['order_date']) > snap]
feat['churn'] = feat.index.isin(july['member_id']).astype(int) ^ 1
print(feat['churn'].mean(), '为流失占比')
步骤二:训练 XGBoost 并输出流失概率
XGBoost 对表格型特征效果好,且能给出特征重要性。下面训练二分类模型并输出每个会员的流失概率:
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score
import xgboost as xgb
X = feat[['freq', 'monetary', 'recency', 'aov']]
y = feat['churn']
X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.2, stratify=y)
m = xgb.XGBClassifier(n_estimators=200, max_depth=4, learning_rate=0.05)
m.fit(X_tr, y_tr)
proba = m.predict_proba(X_te)[:, 1]
print('AUC=%.3f' % roc_auc_score(y_te, proba))
feat['churn_prob'] = m.predict_proba(X)[:, 1]
risk = feat.sort_values('churn_prob', ascending=False).head(50)
print('Top50 高风险的会员流失概率中位数: %.2f' % risk['churn_prob'].median())
步骤三:把概率变成运营动作
模型输出的是概率而非结论,运营侧应设分层策略:对高概率且高价值会员,走人工专属跟进;对中概率会员,走自动化券包;对低概率会员,维持常规触达。下面按分数段导出名单:
def tier(p):
return 'A高危' if p > 0.7 else ('B中危' if p > 0.4 else 'C低危')
feat['tier'] = feat['churn_prob'].apply(tier)
for t in ['A高危', 'B中危', 'C低危']:
sub = feat[feat['tier'] == t]
sub.to_csv(f'members_{t}.csv', index=True)
print(t, '人数', len(sub))
提醒:流失标签的定义(窗口长度、活跃阈值)直接影响模型含义,不同业态应差异化设定;促销敏感型会员可能在“不发券就不买”的循环中失真,建议把促销依赖度作为单独特征。模型给出的是风险排序而非因果,挽留动作的效果需以对照实验(A/B)评估,避免把相关性当决策依据。
参考来源
XGBoost 官方文档(scikit-learn API 与二分类) - xgboost.readthedocs.io;scikit-learn 官方文档(train_test_split 与分类评估指标) - scikit-learn.org。