发现一位用户快不用银行卡了，就该立刻发优惠吗？未必。有人本来就会回来，有人收到优惠也不会改变。只按流失风险撒钱，容易把预算花在“高风险但劝不动”的人身上。
Aleksei Terentev 分享了一套数字银行留存思路：先用 pre-churn model（流失前预测模型）找出高风险用户，再用 uplift model 判断同一类用户“接受挽留”和“不接受挽留”时，留下概率可能相差多少。前者回答“谁可能离开”，后者进一步回答“干预谁才可能有效”。案例把流失定义为连续 30 天没有刷卡，并用未来 30 天是否至少支付一次作为预测目标；输入包括不同时间窗口的交易次数、金额、活跃天数和付款间隔等。
真正值得注意的是这处分工：风险评分不是行动名单，相关性预测也不能证明优惠带来了改变。uplift 估计仍依赖数据与假设，因为同一个人接受和不接受干预的结果无法同时观察；供稿也未披露具体生产特征、模型效果或实验数字。