用 AI 做客户成功与续约准备：实用方法

续约谈崩的那个下午，翻聊天记录才发现，三个月前客户提过一次「报表导出总是超时」，当时回了句「我反馈一下」，之后没有下文。流失很少是某个瞬间的决定，它更像一条缓慢下滑的曲线，中间有很多个可以拉回来的点。AI 在这件事上能做的是把散落在使用数据、聊天记录、工单系统里的信号收拢起来，让曲线早点被看见；至于客户为什么不满、谁在推动解约，还得靠跟人打交道的人去问。

流失是一条曲线，不是一个事件

客户决定不续约的那一刻，通常只是把已经形成的判断说出口。在此之前，使用频率先降，然后提问变少，然后对接人回复变慢，最后开始打听解约流程。这条链上每一环都有痕迹，只是散在不同系统里，没人把它们拼起来看。

续约准备真正的起点不在续约前一个月，在续约前六个月。等到客户开口说「我们再考虑一下」，可操作的空间已经很小了。

把感觉换成可比的信号

「这家客户好像不太积极」是无法行动的判断。换成可比的信号才有用：周活跃账号数、核心功能的调用量、工单数量与平均解决时长、对接人的回复间隔、关键联系人是否还在原岗位。这几项各自都能取到数，合起来才能排出先后。

权重要自己定，不要平均分配。工具型产品看使用深度，服务型产品看工单处理速度，两者对流失的预示作用完全不同。定完权重，拿过去一年已流失的客户回测一遍——如果这套打分能在那些客户身上提前两个月亮红灯，它才算可用。

盘点一次，四步走完

四步的产出物一层比一层具体，前两步把信号变成排序，后两步把排序变成动作：

第二行的坑最隐蔽。用绝对使用量分档，等于把客户规模当成了健康度，一家用量很大但环比连跌三个季度的客户会被排在安全区。分档要看变化率，或者看它在同类客户里的相对位置。

高风险客户先看能不能修

风险高不等于值得救。判断顺序是先归因，再决定投入：产品能力不满足的，看路线图上有没有、什么时候有；服务响应问题的，换人跟；预算被砍的，谈缩小范围而不是降价；对接人离职、新人不认这套工具的，需要重新做一次价值对齐。

归因错了，动作就白做。给一个预算被砍的客户送三个月免费期，只会推迟流失的时间，不会改变结论。这一步可以让模型帮你把聊天记录里的原话归类，但归类结果要拿去跟一线确认——提问时把客户阶段和产品类型交代清楚，它给的归因会具体很多。

续约材料写变化，不写功能

客户关心的不是产品有什么，是过去一年它带来了什么。同一组数据，换个说法分量完全不同：「月均调用十二万次」是功能描述，「按贵司原先每条人工处理四分钟计算，相当于省下约八千小时」才是价值描述。后者的关键是换算口径真实、可追溯，用了哪个基数、怎么估的，都要写清楚。

更稳的写法是给对比：上线前的基线是什么，现在是什么，中间发生了什么变化。基线数据在签约时就要留下，事后补不出来。同一份材料里，问题不用藏——主动写一节「这一年没做好的两件事和后续计划」，比通篇顺利更容易建立信任。

三件事只能你自己判断

数据真实性是第一件。价值测算的每个乘数都会被客户挑战，夸大的数字一旦被拆穿，整份材料的可信度归零。可以让模型算，但基数必须来自系统里的真实记录，不能让它估。

第二件是关系。谁是真正的决策人、内部有哪些部门在博弈、这次续约是常规流程还是预算重新分配，这些信息不在任何系统里。第三件是商务条件，价格、折扣、付款周期属于商务判断，不在材料准备的范围内。

模型在这三处最容易出错的方式是补全。它会把缺失的信息填成看起来合理的样子：一个不存在的使用增长率、一条没发生过的客户表扬。这类内容混进续约材料，风险远高于留白。模型编造细节的机制值得在交付前过一遍。

它盯得住信号，盯不住关系

它能做的是把几个系统的数据对齐到客户维度、按周生成一份风险清单、把聊天记录里的抱怨归成几类。这些工作机械、耗时、容易漏，交出去很合理。

它做不到的是判断一个客户值不值得投入。同样一条「使用量下降四成」的信号，在两家客户身上可能意味着完全不同的两件事：一家是业务收缩，一家是刚换了对接人还没上手。这个区分靠的是对这个客户的了解，不是数据。

还有一层：健康度打分本身会随时间失效。产品改版、客户结构变化、市场环境变化，都会让原来的权重不再适用，这类偏移需要定期回测才能发现，数据分布变了模型为什么会失准讲的是同一个问题。回测一季度一次，用当期流失客户验证打分还有没有区分度。

速查：续约准备的四个动作

• 四类信号：使用、工单、沟通、人员变动
• 分档看变化率，不看绝对量
• 高风险先归因，再决定投不投入
• 材料写变化与对比，功能清单放最后
• 数据、关系、商务条件，三样不能交给模型