季度末导出一份客户名单，一千二百个名字，运营只有三个人。所有人都知道该区别对待，实际动作还是同一套：群里发一遍活动通知，月底统一发一张九折券。结果是不活跃的没被叫醒，活跃的被打扰，真正要走的那些安安静静地走了。用 AI 做客户分层，省的是把行为数据摊开、把人群切成几堆、把动作写到可执行的功夫。
分层做不下去，是因为分完没有对应动作
很多团队分过层，分完就停在了一张四色标签的图上。标签贴在系统里，没有人按标签改动作，三个月后标签过期，这件事就被判定为没用。让分层成立的不是分类方法，是每一类后面必须挂一个不同的动作——不同的话术、不同的时机、不同的联系人。
所以动手之前先问一句：分完之后，哪两类的处理方式会不一样？答不出来，这次分层可以先不做，省下的时间去做客户访谈更值。
六步从名单到能落地的召回
第三步和第四步要连着做。分完类不立刻定动作，画像就成了一张好看的图；定了动作不写禁止项，执行时又会退回群发：
| 步骤 | 产出物 | 常见坑 |
|---|---|---|
| 一、定分层目标 | 一句话：这次解决留存还是增购 | 目标写成「做一下客户分层」，没有判断标准 |
| 二、拉行为字段 | 一张宽表：最近活跃、功能数、付费、互动 | 字段口径不一致，同一客户两个版本 |
| 三、归类并写画像 | 四类客户的特征与人数占比 | 跳过画像直接要策略，拿到一堆通用话 |
| 四、给每类配动作 | 每类一条主动作，加一条禁止动作 | 四类客户发同一张优惠券，只换抬头 |
| 五、标流失前兆 | 按信号强弱排序的待干预名单 | 只看活跃度，忽略「开始问导出」 |
| 六、定复盘口径 | 三十天后的回访率与续费率对照 | 只统计发了多少条消息、回了多少条 |
第四步的「禁止动作」是这张表里最实用的一列。给高价值客户定「不打折、只给专属服务」，给刚流失的客户定「不推销、先问原因」，这类约束能挡住执行层的惯性。只写该做什么，一线还是会挑最省事的那条。
按行为分，别按印象分
「这个客户很重要」「那个客户不太活跃」是最常见的分层依据，也是最不可靠的。印象来自最近一次接触，而最近一次接触往往是被投诉或者刚续费这类极端事件。
可观察的行为有四组：最近一次使用距今天数、用过的核心功能数量、付费金额与续费次数、有没有提过反馈或参加过活动。四组数据拉成一张宽表，分类就不需要争论。分类动作可以交给聚类方法，比如K-means 怎么把客户分成几堆，也可以直接让模型按你给的规则归类：前者适合量大、字段稳定的场景，后者适合字段少但要能解释的场景。
流失信号里，导出请求最该被当真
客户不会突然消失，走之前通常有一串动作：使用频率从每天变成每周、登录后只用最基础的功能、消息回复变慢、不再提问题。这些信号单独看都很弱，连起来看是一条下坡线。
其中最明确的一条是「开始问导出」。客户要把数据带走，说明他已经在为离开做准备，或者在评估别家能不能接。这个信号出现时，打折通常没用，因为他要解决的是迁移成本，不是价格。此时有效的动作是问清他要导出什么、为什么，以及有没有可能只迁走一部分。
数据本身也会变。客户行为随季节、随业务周期波动，去年有效的分层规则今年可能整体错位，这类现象在数据漂移是怎么发生的里有更细的说明。分层表建议每季度重跑一次，别把它当成一次性的项目。
它能算出优先级，算不出客户为什么走
模型拿到的只有你贴进去的字段。字段里没有的东西它一概不知道：上周的交付出了事故、对接人换了岗、客户的老板换了战略。这些往往才是流失的真实原因，而它们只存在于聊天记录和电话里。
它给的策略也偏通用。「提供专属服务」「加强沟通」这类建议在任何一类客户身上都成立，等于没有区分。要让它有用，得把动作写到可执行的粒度：谁在几天内、通过什么渠道、说哪一句话、给什么条件。
还有两个坑值得单独提。分类结果会继承数据里的偏差，历史上被轻视的客户群体会被继续归到低优先级，这一点可以对照AI 偏见从哪里来自查一遍；召回效果的评估口径也要提前定，只看发送量和回复率，很容易得出「召回有效」的错觉，真正该看的是三十天后的留存与复购，口径怎么设计可以参考评估指标怎么选才不被数字骗。
分层有没有用，看动作有没有分岔
做完之后回看一遍：四类客户收到的第一条消息，是不是四种不同的内容？如果是同一张券换了抬头，分层就没发生。第二个判断标准是资源分配，投入最多人力的那一类，是不是真的贡献了大部分收入。两条都成立，分层才算落地。
至于 AI 在这件事里的位置，可以理解为一名能同时看完一千条记录的助理：它把人群切分、把特征写清、把候选动作列全，取舍和原因追问仍然在人这边。
速查：分层与召回六件事
- 先定这次要解决留存还是增购
- 行为字段的口径统一了再分类
- 每一类都要配一条禁止动作
- 导出请求出现时，先问原因再谈条件
- 复盘看三十天留存，不看消息发送量
