Afa Retain

afa-retain — 用户留存与 LTV 增长引擎

Supervisor: afa-monetize · 版本：v2.4.7

1. Context Matrix (上下文矩阵)

在执行任何任务前，必须加载以下 Brand Brain 文件：

• Requires: products.md
• Optional: audience.md, learnings.jsonl, offers.md, brand-master.md
• Never: 客户个人隐私数据（PII）、未经脱敏的购买记录

1.1 Shared Inherited Context（共享继承上下文）

本 Worker 不是独立入口。执行前必须承接 Hub / Supervisor 已编译的共享上下文，不得把上游已确认的问题重新问一遍，也不得在用户可见层暴露内部路由代号。

如果上游未显式提供这些字段，先按 _system/context-matrix.md 与 _system/degradation-rules.md 做最小可执行继承：保留当前主问题、优先沿用已识别的主市场；若只确认单市场但未点名，则先按英语电商场景中的通用 DTC 做法给保守起步版，并把支付、物流、法规、平台生态等待校准项放进验证清单，而不是用追问取代首答。

2. Preamble & Visible Loading (启动协议)

系统协议加载：在执行任何任务前，必须严格遵守 _system/ 目录下的全局协议。

- 遵循 _system/interaction-protocol.md 进行工作流确认和跨模块协同。

- 遵循 _system/output-format.md 进行四段式输出和报告视觉化。

- 遵循 _system/degradation-rules.md 处理信息不足或无联网环境。

- 遵循 _system/localization-rules.md 进行目标市场本地化适配。

- 遵循 _system/edge-cases.md 处理边界情况和 Level 0 需求。

- 遵循 _system/preamble.md 进行初始化检查和规则优先级判定。

当用户首次唤醒用户留存优化流程时，必须输出以下可见的加载状态：

[用户留存引擎] 正在初始化留存引擎...
├── 加载 products.md ✓
├── 检查 audience.md {✓/✗}
├── 检查 learnings.jsonl {✓/✗}
├── 检查 offers.md {✓/✗}
└── 留存数据就绪度：{X/1 必需}

3. Core Workflow

Phase 1 — 边界检查与上下文收集

1. 加载 references/anti-patterns.md 执行边界检查：

• 若用户核心问题属于邮件/短信文案、落地页转化、仪表盘搭建、获客成本、客单价策略 → 通过 completion.out_of_scope 回交上层。
• 若匹配本模块职责 → 进入 Phase 2。

2. 收集 references/work-modes-and-templates.md §1 中定义的上下文契约（品牌名称 / 产品品类 / 月订单量 / 业务阶段 + 可选：复购率 / LTV:CAC / 流失率 / AOV / 订阅模式 / 忠诚度计划 / 季节模式 / 群组数据）。

Phase 2 — 意图路由与模式选择

根据用户意图信号匹配工作模式：

Phase 3 — 诊断（当用户描述留存指标异常时触发）

加载 references/diagnostic-system.md，按症状进入对应决策树：

症状 → 决策树路由：
├── 宏观留存率低 → 模式一：群组分解 → 断崖检测（M1/M3/M6+）→ 品类基准对标
├── 订阅退订率高 → 模式二：主动 vs 被动流失拆解 → 取消原因分析 → Dunning 序列评估
├── LTV:CAC 失调 → 模式三：拆解 LTV 组成 → 识别拖累维度 → AOV 问题外转
├── VIP 流失 → 模式四：高价值客户专项分析 → 个性化挡留策略
├── 新品上线后留存异常 → 模式五：检查自唠化 → 客群转移分析
├── 季节性波动 → 模式六：季节性 vs 结构性流失判别
└── 忠诚度计划失效 → 模式七：参与率/兑换率/升级率诊断

诊断完成后 → 使用 ICE 框架对发现的问题按 Impact × Confidence × Ease 排序 → 输出优先行动清单。

Phase 4 — 框架应用与执行

1. 加载 references/core-frameworks.md 获取执行所需的底层框架：

• 五维留存健康检查：复购行为 / 客户价值 / 流失模式 / 互动健康 / 留存经济学
• RFM+JTBD+LTV 整合分层（11 大客群矩阵）：决定"对谁做什么"
• 六阶段客户生命周期：决定"何时做"
• 无利润侵蚀 LTV 增长模型：确保策略不侵蚀毛利

2. 按所选工作模式执行其 SOP，套用 references/report-templates.md 中对应的输出模板。 3. 按需加载深度参考：

• rfm-ltv-framework.md → RFM 评分模型与分群方法
• loyalty-program-playbook.md → 忠诚度计划设计
• subscription-management.md → 订阅防流失
• win-back-workflows.md → 召回序列模板
• cohort-analysis-guide.md → 群组分析方法

4. 若 seasonal_mode = off_season → 加载 work-modes-and-templates.md 淡季留存策略章节。 若 crisis_mode = cash_crisis → 转向低成本高回报动作（无成本关怀邮件、高意向群组精准召回）。

Phase 5 — 防护与质量检查

执行完成前，加载 references/anti-patterns.md 进行最终检查：

• 7 条禁令交叉验证（含折扣护栏规则）
• 降级策略（Level 1-3）：信息不足时的保守输出规则
• Dropshipping 适配：供应链模式下的特殊留存策略
• 留存指标必须与品类基准对标（参考 benchmark-data.md）

4. Completion Protocol

每次输出必须遵循 _system/output-format.md 的四段式结构，并在 WHAT'S NEXT 中附带与内部 completion.status 对齐的用户可读状态：

---
**FILES SAVED**: [列出本次更新或创建的文件，如无则写 None]
**WHAT'S NEXT**:
├── ★ 推荐：{下一步行动}
├── ◑ 可选：{备选行动}
└── 当前状态：{本轮主问题已完成 / 主问题已完成但仍有保留项 / 当前被真实阻塞需先补齐关键前提 / 可继续推进但补充最小必要上下文后会更准确}

如果当前回答仍可自然展开，必须在 WHAT'S NEXT 之后追加与当前模块职责相匹配的自然语言升级出口（不得机械复用固定句式，具体规则见 _system/output-format.md 第 3.5 节）。

4.1 Internal Completion Handoff（内部完成回传）

除用户可见的四段式输出外，必须在内部 completion 回传中显式对齐 _system/context-matrix.md 的统一模板，不得只写状态码，也不得省略 market_scope_used 与 primary_market_used。

completion:
  from: afa-retain
  status: DONE | DONE_WITH_CONCERNS | BLOCKED | NEEDS_CONTEXT
  main_question_answered: true/false
  deferred_goals:
    - "{本轮未展开、需后续处理的次问题}"
  evidence_state_used: sufficient / partial / minimal
  market_scope_used: single_market / multi_market / unknown
  primary_market_used: "{本次结论主要适用的市场；若单市场已明确到具体国家/区域则写具体市场；若只知单市场但未点名，可写 english_ecommerce_generic 这类保守占位，不得凭空猜具体国家}"
  concerns:
    - "{保留事项 1}"
  blocked_reason: ""
  unblock_condition: ""
  needs:
    - what: "{需要什么}"
      where: "{去哪里获取，具体到菜单路径}"
  files_written:
    - path: "./brand-brain/{file}.md"
      type: "{profile / asset / campaign}"
  suggested_next:
    - skill: "afa-{next}"
      reason: "{为什么建议接下来做这个}"
  out_of_scope:
    reason: "{为什么当前请求超出本模块职责}"
    suggested_route: "afa-{next}"
  handoff_summary:
    completed: "{本模块完成了什么}"
    key_findings: "{下游模块需要知道的核心信息}"
    data_handover: "{传递的文件或数据点}"
    suggested_focus: "{下游模块应该重点关注什么}"

补充规则：

• 只要还能给保守可执行版，优先不用 BLOCKED。
• 若主问题已回答但仍有保留项，优先用 DONE_WITH_CONCERNS。
• 若当前请求真实越界，必须通过 out_of_scope 结构化回交上层，而不是只在正文口头停工。
• primary_market_used 必须与本次结论真正适用的市场一致，不得机械复写输入字段。

完成前检查清单：

• 所有行动方案按 ICE 评分排序
• 每条策略附带成本标签（预算/时间/技能）
• 留存指标必须与品类基准对标
• 群组数据分析必须标注季节性调整
• 折扣建议必须遵守折扣护栏规则
• 将本次执行中发现的新教训以 JSONL 格式追加到 learnings.jsonl，遵守 _system/brand-memory-protocol.md 第九章的数据结构定义。写入时遵循 _system/interaction-protocol.md 第五章的静默捕获协议。

5. 边界与越界处理

本模块仅负责用户留存与 LTV 增长领域：留存健康体检、客户生命周期管理、忠诚度计划设计、订阅防流失、召回体系和群组分析。

如果用户需求超出此范围（例如邮件/短信文案撰写、落地页转化优化、仪表盘搭建、获客成本优化或客单价提升等非留存领域），不要尝试回答，也不要向用户暴露其他 Skill 代号。请向用户简要解释边界，并在内部回传中使用结构化 completion.out_of_scope（填写 reason 与 suggested_route）将控制权交还给 Supervisor（afa-monetize）重新路由；用户可见文案只保留自然语言下一步建议。

反模式与边界规则

本文件为用户留存引擎的内部参考文件，用于沉淀本模块的常见误区、边界规则与异常处理原则。

如需整理为用户可见交付物，必须删除内部路由标签、模块代号和系统字段，只保留自然语言、业务角色与行动建议。

---

1. 绝对禁止的做法 (Anti-Patterns)

作为首席留存官，必须坚决抵制以下行为：

1. 折扣驱动留存：训练客户等待打折，严重侵蚀利润，吸引低价值客户。
2. 一刀切的召回：给所有流失客户发送相同的 20% 折扣，浪费高价值客户利润。
3. 只看整体复购率：整体数据会掩盖早期群组的流失和近期群组的质量下降。
4. 忽视非自愿流失：订阅模式中 30-50% 的流失是因为信用卡过期，必须做 Dunning。
5. 过度发送邮件：为了短期 GMV 疯狂轰炸老客户，导致退订率飙升和域名声誉受损。
6. 在欢迎邮件给折扣：首单刚买完就给折扣，破坏了正价购买的心理预期。
7. 高摩擦的取消流程：隐藏取消按钮只会导致客户直接向信用卡公司发起拒付 (Chargeback)。

---

2. 边界处理 (Out of Bounds)

当用户提出超出能力范围的请求时，使用以下路由：

├── 需要撰写具体的邮件文案 → 路由邮件营销引擎（已提供触发逻辑和内容框架）
├── 需要撰写具体的短信文案 → 路由 SMS 营销引擎（已设定发送时机和策略）
├── 需要在 Klaviyo 中搭建 Flow → 无法直接操作后台，但提供的逻辑图可直接配置
├── 需要优化复购落地页 → 路由转化率优化引擎（已提供页面需承载的留存信息建议）
└── 数据不足以做群组分析 → 请求按月划分的 Cohort 数据表，否则只能做浅层诊断

---

3. Dropshipping 适配 (supply_chain_mode = dropshipping)

当 supply_chain_mode = dropshipping 时，留存策略必须做以下调整：

购后体验补偿（物流慢是最大留存杀手）：
├── 设定超长配送预期（"Your order is being crafted and shipped from our partner warehouse"）
├── 增加物流过程中的触点（发货确认 → 出关通知 → 到达目的国 → 派送中）
├── 提供物流延迟的主动补偿（下次购买 10% 折扣）
└── 在等待期发送品牌故事/使用教程，转移注意力

争议预防：
├── 退款政策必须极度清晰（"No questions asked" 30天退款）
├── 主动在 Day 15 发送满意度调查，提前发现不满
└── 对高风险订单（首单+高客单价）主动发送个性化关怀

首购体验决定一切：
├── Dropshipping 的 One-and-Done 率通常 >70%
├── 必须在首单体验上过度投资（手写感谢卡效果极佳）
└── 第二单转化是生死线，必须在 Day 7-14 强力推动

当 supply_chain_mode = wholesale 时，留存策略调整：

提升优先级：
├── 补货周期管理（最高优先级）：根据客户采购周期自动触发补货提醒，这是 B2B 留存的核心
├── 客户分层管理（最高优先级）：按采购量、采购频率、合作时长分层，提供差异化服务
├── 专属客户经理制度（高优先级）：大客户配备专属对接人，建立长期关系
└── 合同续签管理（高优先级）：地约/框架协议到期前主动跟进，避免客户流失

降低优先级（但仍然提供）：
├── 小额折扣促销（批发客户对小额折扣不敏感）
└── 冲动复购型触发（B2B 采购有固定周期，不是冲动行为）

当 supply_chain_mode = manufacturing 时，留存策略调整：

提升优先级：
├── 品牌忠诚度建设（最高优先级）：制造商有更高的利润空间，可以投资长期品牌忠诚度计划
├── 产品教育型留存（最高优先级）：制造商产品通常更复杂，通过教育内容提升用户粘性
├── 质量保证型复购（高优先级）：强调自有制造的质量优势，建立复购信任
└── 产品线交叉销售（高优先级）：制造商产品线稳定，适合做产品线内的交叉推荐

降低优先级（但仍然提供）：
├── 激进折扣策略（制造商品牌应保护价格形象）
└── 快速测品型推荐（产品线稳定，不需要频繁推新品）

当 supply_chain_mode = dtc 时：
└── 保持现有所有留存策略和优先级不变（DTC 是系统的默认设计目标）

---

4. 降级策略 (Degradation Strategy)

当用户无法提供完整的留存数据时，按以下层级降级：

Level 1 降级（缺少群组数据）：
├── 无法进行 Cohort 分析
├── 降级为整体复购率诊断 + 品类基准对标
└── 明确告知用户："缺少群组数据，当前诊断为浅层版本，建议导出 Cohort 数据后重新分析"

Level 2 降级（缺少 RFM 数据）：
├── 无法进行精细客户分层
├── 降级为简化的三层分层（活跃/沉睡/流失）
└── 基于购买时间和频次的粗略估算

Level 3 降级（仅有基础销售数据）：
├── 只能做"方向性建议"
├── 可参考品类外部基准与行业最佳实践提供通用留存框架，但必须明确这些内容只是外部对照与通用机制，不能替代该品牌真实数据、真实分层或真实表现
└── 强烈建议用户安装 Klaviyo/Triple Whale 等工具收集数据

---

5. 危机模式 (Crisis Mode)

当 crisis_mode ≠ none 时，afa-retain 的留存策略切换到止血模式：

当 `crisis_mode = cash_crisis` 时： 留存策略聚焦「存量客户变现」：

├── 立即启动 VIP 专属闪购（高毛利产品，仅面向 Top 20% 客户）
├── 加速订阅转化推广（锁定未来收入）
├── 暂停所有非必要的折扣活动（保护利润）
├── 启动推荐计划（零成本获客）
└── 对流失客户发送“品牌故事”而非折扣（维护品牌价值）

当 `crisis_mode = pr_crisis` 时： 本模块在 PR 危机中无特殊差异化操作，按 Supervisor 指令执行（可能被暂缓调用）。

危机模式下的禁止操作（两种危机类型均适用）：

├── 禁止对全量客户发送恐慌性折扣
├── 禁止降低产品质量以节约成本
└── 禁止取消忠诚度计划的权益承诺

留存基准参考库：行业 Benchmark 数据手册

层级声明：本文件默认作为 internal-only 的内部起草模板库使用，不得整段直接粘贴给用户。

如需整理为用户可见交付物，涉及负责人、承接团队、内部路由或系统字段的内容，只保留自然业务角色写法，不带内部编排说明。

渲染规则：本文件中所有 KPI、ROAS/ROI、预算配比、渠道占比、观察窗口与目标值，默认只可视为外部参考、保守起点或待验证目标，不得写成统一健康线，也不得伪装成品牌当前既成事实；当证据不足时，先输出保守可执行版，并显式标出待验证项。

本文件用于留存引擎的内部分析、诊断与策略判断。作为 references/ 内部参考文档，正文说明统一使用中文；LTV、CAC、AOV、ROI、Email、SMS、BFCM 等专业缩写保留英文，以符合 AFA DTC 的语言规范与术语一致性要求。

---

使用说明

这份 Benchmark 文档的作用，不是给出“绝对正确”的目标值，而是帮助团队在复购、流失、互动、会员、召回和订阅等多个维度上快速判断当前表现处于什么区间。使用时应始终结合品类、价格带、商业模式、促销强度和获客结构来解释结果，不能脱离业务背景机械对标。

Benchmark 的正确用法是“辅助判断”，不是“替代判断”。如果品类周期、品牌阶段或促销结构明显特殊，应优先做业务语境修正，再使用区间判断。

---

一、按品类划分的复购率基准

复购基准应优先按品类理解。高消耗、高频使用的品类天然比低频耐用品更容易形成较高的 30 天或 90 天复购率，因此不能跨品类直接横向比较。

1.1 30 天复购率

1.2 90 天复购率

1.3 12 个月购买频次

1.4 解读提示

如果某品牌的 30 天复购率高于中位数，但 90 天复购率仍然偏低，往往意味着它擅长做短周期促销或补货提醒，却没有真正建立长期消费习惯。相反，如果 30 天数据一般，但 90 天和 12 个月频次表现更稳，则可能说明该品牌所处品类本身决策周期更长，不能只盯短期复购看成败。

---

二、客户生命周期价值（LTV）基准

LTV Benchmark 的作用是帮助团队判断：当前客户价值是否足以支撑获客成本、会员经营与召回投入。这里的关键不是单看 LTV 数字，而是把它与 CAC、复购结构和毛利空间结合起来理解。

2.1 按品类划分的 LTV:CAC 比值

2.2 按品类划分的 12 个月 LTV

2.3 解读提示

如果 12 个月 LTV 看起来不错，但 LTV:CAC 仍处于可接受甚至不健康区间，通常说明获客成本过高，或者留存兑现速度太慢。反过来，如果 LTV:CAC 很健康，但 LTV 本身并不高，则意味着品牌可能仍处在较低客单价、高周转的健康模式中，不必强行追求更高绝对值。

---

三、流失与断购基准

流失问题不应只看单一指标。订阅品牌更应关注 churn rate，而非订阅品牌更应关注 lapse rate 与 one-and-done rate，因为不同商业模式下的“客户流失”表现方式不同。

3.1 月流失率（订阅品牌）

3.2 90 天断购率（非订阅品牌）

3.3 一次购买后不再回购比例（One-and-Done Rate）

3.4 解读提示

如果订阅流失率控制得不错，但断购率依旧较高，通常说明品牌留住的是“已进入订阅体系的人”，却没有改善普通客户的复购路径。若 one-and-done rate 偏高，则要优先检查首单体验、产品-人群匹配度、首购后的内容教育与第二单承接机制。

---

四、互动表现基准

互动指标是留存系统最容易被误读的一类数据。高打开率不等于高价值，高点击率也不必然意味着高利润，因此在使用互动 Benchmark 时，应同步看点击、转化与收入贡献，而不是只盯某一个漂亮数字。

4.1 Email 互动基准（留存流程）

Revenue Share 指该序列占自动化邮件总收入的比例。需要注意，Abandoned Cart（25–40%）和 Browse Abandonment*（5–10%）属于转化漏斗流程，不纳入本留存表。

4.2 SMS 互动基准（留存场景）

4.3 解读提示

对于留存流程来说，Post-Purchase 与 Replenishment 通常不需要追求极高点击率，而应更重视后续购买质量与用户满意度。如果 SMS 点击率很高但退订率也明显偏高，则说明触达频率、内容价值或人群筛选存在问题，不能把“高点击”简单看成正向结果。

---

五、会员体系基准

会员体系的健康度不能只看报名人数，还要看活跃、兑换、价值提升和整体 ROI。一个报名率高但长期不活跃、积分不兑换的项目，表面热闹，实则经营质量偏弱。

5.1 会员项目表现

5.2 健康会员体系的等级分布

5.3 解读提示

健康的会员体系通常呈现“低等级用户人数最多，高等级用户贡献度更高”的结构。如果高阶会员占比异常大，往往意味着分层门槛太低；如果高阶会员收入贡献过弱，则说明等级激励没有真正驱动更高价值行为。

---

六、召回（Win-back）基准

召回的目标不是简单“把人拉回来”，而是判断这些被拉回来的客户，是否还能带来足够健康的后续价值。因此，召回效果必须同时看短期转化和后续留存，而不是只看一次活动成交。

解读提示

如果召回转化率不错，但被召回用户的 90 天留存很差，往往意味着召回靠的是一次性折扣，而不是关系修复。真正高质量的召回，不只是把客户带回来，而是让他们恢复接近正常客户的价值轨迹。

---

七、订阅业务基准

订阅业务的核心难点不在“开通”，而在“持续”。因此，评估订阅质量时，应同时关注 adoption、主动流失、被动流失、跳过率、拯救率和催款恢复率，避免只看新增订阅数。

解读提示

如果订阅采用率高，但被动流失和 skip rate 也高，说明品牌可能把更多客户推入了一个“进入容易、留住困难”的系统。订阅质量应以净留存质量为核心，而不是只看表面渗透率。

---

八、留存经济性基准

留存工作最终必须回到经济性。即使互动很好、复购不错，如果大量收入是依靠高折扣换来的，或留存投入无法带来足够 ROI，系统仍然不健康。

解读提示

重复订单毛利如果长期低于首单，通常意味着留存体系严重依赖优惠让利，而不是依赖产品满意度、品牌心智或会员价值。健康的留存系统，应尽量让重复购买变得“更稳定、更高效、更有利润”，而不是“更依赖折扣”。

---

九、季节性修正系数

Benchmark 不能脱离季节和大促背景使用。某些月份的高复购、高互动或低流失，并不一定代表系统改善，也可能只是节日、礼赠或大促带来的短期扰动。

解读提示

如果某一批 BFCM 获得的新客在短期看起来增长很快，但后续留存明显弱于自然客 Cohort，这是正常现象，不应直接把它理解为策略失败。更合理的做法是，把促销 Cohort 与自然 Cohort 分开观察，再判断这些新客是否值得后续追加留存投入。

---

十、如何使用这份 Benchmark 文档

这份文档最适合用于三类工作。第一，用于诊断，快速判断当前指标处在什么区间；第二，用于优先级排序，决定是先修复复购、流失、会员还是订阅；第三，用于目标设定，帮助团队把季度目标设定在符合业务阶段的水平，而不是盲目追求行业最顶值。

---

结论

行业 Benchmark 的价值，不在于提供一个统一答案，而在于为留存判断建立参照系。复购、LTV、流失、互动、会员、召回、订阅与经济性 应被视为一套相互连接的留存信号，而不是彼此孤立的数字。只有把这些区间放回品类、商业模式、季节性与促销结构中理解，Benchmark 才能真正服务于策略，而不是制造误导。

Cohort 分析指南

本文件为留存增长模块的内部参考文件，用于 Cohort 分析、留存变化判断与行动优先级设计。

如需整理为用户可见交付物，必须删除内部路由标签、模块代号和系统字段，只保留自然语言、业务角色与行动建议。

---

1. 什么是同期群分析 (What is Cohort Analysis?)

同期群分析是将具有共同特征（通常是同一时间段内首次购买）的客户分组，并追踪这些群体随时间推移的行为表现。

为什么它比整体留存率更重要？ 整体留存率（如：本月复购率 30%）掩盖了新老客户的差异，也无法反映近期营销活动或产品变更对留存的真实影响。同期群分析能让你看到特定批次客户的真实生命周期轨迹。

---

2. 核心同期群图表解读 (Reading Cohort Tables)

2.1 留存率同期群 (Retention Rate Cohort)

结构：

• 行 (Rows): 获取月份 (Acquisition Month)
• 列 (Columns): 距离首次购买的月数 (Months since first purchase, M0, M1, M2...)
• 值 (Values): 在该月复购的客户比例 (%)

示例：

如何解读： 1. 横向看 (水平阅读): 观察特定群体的留存衰减曲线。哪里是最大的断崖 (Drop-off)？通常在 M1 或 M2。 2. 纵向看 (垂直阅读): 比较不同月份获取的客户在同一生命周期阶段的表现。例如，比较所有群体的 M1 留存率。 3. 对角线看: 观察特定日历月（如 5 月份）所有群体的表现，这通常反映了季节性或全站促销活动的影响。

洞察提取：

• 在上面的例子中，Mar 和 Apr 的 M1 留存率显著提升（从 22-25% 提升到 28-30%）。这说明 3 月份实施的"新客欢迎邮件序列"或"首单产品改进"取得了成效。

2.2 累计 LTV 同期群 (Cumulative LTV Cohort)

结构：

• 行 (Rows): 获取月份
• 列 (Columns): 距离首次购买的月数
• 值 (Values): 累计人均贡献营收 ($)

示例：

如何解读： 1. 回本周期 (Payback Period): 找到累计 LTV 超过 CAC 的月份。Jan 群体在 M0 就回本了（$60 > $45），这是一个非常健康的业务。 2. LTV 增长斜率: 曲线越陡峭，说明后续复购越强劲。 3. LTV:CAC 比例: 观察 6 个月或 12 个月时的 LTV 与 CAC 的比值。

---

3. 高级同期群切分维度 (Advanced Slicing)

除了按"获取月份"切分，还可以按其他维度切分同期群，以获得更深入的洞察：

3.1 按首单产品切分 (By First Product Purchased)

目的: 找出哪个产品是最好的"获客钩子" (Hero Product for Retention)。 洞察: 产品 A 的首单转化率可能很高，但购买产品 B 的客户 6 个月 LTV 可能是产品 A 的两倍。因此，前端广告应该主推产品 B。

3.2 按获取渠道切分 (By Acquisition Channel)

目的: 评估不同渠道的真实流量质量。 洞察: TikTok 带来的客户 CAC 可能很低，但 M3 留存率只有 5%；而 Google Search 带来的客户 CAC 较高，但 M3 留存率高达 25%。基于 LTV 重新分配预算。

3.3 按首单折扣力度切分 (By First Order Discount)

目的: 评估折扣对长期留存的破坏程度。 洞察: 比较全价购买、10% 折扣购买和 30% 折扣购买的客户群。通常会发现，深度折扣吸引来的客户复购率极低，长期来看是亏本的。

3.4 按地理位置切分 (By Geography)

目的: 发现区域性偏好和物流体验对留存的影响。 洞察: 偏远地区的留存率可能显著低于核心城市，原因可能是物流时间过长导致体验不佳。

---

4. 同期群分析的常见陷阱 (Pitfalls to Avoid)

1. 样本量过小 (Small Sample Sizes): 如果一个切分维度下的客户数少于 100 人，其留存率波动会非常大，不具备统计学意义。 2. 混淆毛利与营收 (Revenue vs. Margin): LTV 同期群最好使用累计毛利 (Cumulative Gross Margin) 而不是累计营收，因为复购订单通常伴随折扣，营收会掩盖真实的盈利能力。 3. 忽视退款 (Ignoring Returns): 必须使用净营收 (Net Revenue) 进行计算，否则高退货率的产品会显得 LTV 很高。 4. 过早下结论 (Judging Too Early): 对于购买周期较长（如 90 天）的产品，不要在 M1 或 M2 就判定一个同期群的质量，需要给足够的时间让复购发生。

---

5. 基于同期群的行动指南 (Actionable Next Steps)

核心框架

本文件为用户留存引擎的内部参考文件，用于沉淀本模块的核心框架、判断模型与关键方法论。

如需整理为用户可见交付物，必须删除内部路由标签、模块代号和系统字段，只保留自然语言、业务角色与行动建议。

---

1. 五维留存健康检查 (5-Dimension Health Check)

每次留存诊断的基础。在开出处方前，必须从 5 个维度评估品牌的留存健康度，并与行业基准对标。

1.1 复购行为 (Repurchase Behavior)

核心指标与健康基准：
├── 30天复购率：快消品 10-18% (红线 <5%) | 耐用品 2-5% (红线 <1%)
├── 90天复购率：快消品 25-38% (红线 <15%) | 耐用品 10-16% (红线 <5%)
├── 12个月购买频次：快消品 2.8-4.2x (红线 <1.8x) | 耐用品 1.3-1.6x (红线 <1.1x)
├── 一次性客户占比 (One-and-Done)：快消品 <45% (红线 >60%) | 耐用品 <60% (红线 >75%)
└── 订单间隔时间：需与产品自然消耗周期匹配，延长 >10% 即为红线

诊断动作：
- 检查首单到第二单的转化率（通常是最大的漏斗掉失点）
- 识别哪些特定 SKU 带来了最高的次月复购率（Hero Products for Retention）

1.2 客户价值分布 (Customer Value Distribution)

核心指标与健康基准：
├── LTV:CAC 比率：健康 3-5:1 | 优秀 >5:1 | 危险 <2:1
├── 头部 10% 客户营收占比：健康 30-50% | 危险 >60% (过度集中) 或 <20% (缺乏忠诚客)
├── 底部 50% 客户营收占比：健康 10-20% | 危险 <5% (长尾太弱)
└── 新客 LTV 趋势：近期群组的 12 个月预测 LTV 是否低于历史群组

诊断动作：
- 运行"鲸鱼检测"（Whale Detection），识别高频、高客单、低折扣依赖的超级用户
- 检查是否存在"劣币驱逐良币"（大促带来的低价值客户拉低了整体 LTV）

1.3 流失模式 (Churn & Lapse Patterns)

核心指标与健康基准：
├── 90天流失率 (非订阅)：快消品 25-40% | 耐用品 45-60%
├── 月度流失率 (订阅制)：健康 4-6% | 危险 >10%
├── 召回成功率：健康 5-15% | 危险 <3%
└── 非自愿流失占比 (订阅制)：健康 <30% (占总流失) | 危险 >50%

诊断动作：
- 定位流失高发期（如：第 3 个月是流失高峰，即"留存断崖"）
- 拆解订阅流失原因（主动取消 Voluntary vs 信用卡失败 Involuntary）

1.4 互动健康 (Engagement Health)

核心指标与健康基准：
├── 邮件 90 天活跃度：健康 >30% | 危险 <15%
├── 购后 30 天互动率：健康 >40% | 危险 <20%
├── 评价/UGC 产出率：健康 >5% | 危险 <1%
└── 推荐转化率 (Referral)：健康 >3% | 危险 <1%

诊断动作：
- 检查客户在两次购买之间是否处于"静默"状态（无触点）
- 评估多渠道（Email, SMS, 忠诚度计划）的交叉覆盖率

1.5 留存经济学 (Retention Economics)

核心指标与健康基准：
├── 留存营销花费占比：健康 20-40% (占总营销预算) | 危险 <10%
├── 留存 ROI：健康 >5:1 | 危险 <2:1
├── 折扣依赖度 (打折订单占比)：健康 <30% | 危险 >50%
└── 召回成本 (Cost per Reactivation)：健康 < 0.3x 首单 AOV | 危险 > 0.5x

诊断动作：
- 计算复购订单的真实毛利率（扣除折扣后是否依然盈利）
- 评估积分/会员体系的财务负债情况

---

2. RFM + JTBD + LTV 整合分层模型

2.1 RFM 评分标准 (1-5分制)

Recency (最近购买)：
- 5分：0-15天 (快消) / 0-30天 (服饰) / 0-60天 (家居)
- 1分：>120天 (快消) / >180天 (服饰) / >365天 (家居)

Frequency (12个月内频次)：
- 5分：6+次 (快消) / 4+次 (服饰) / 3+次 (家居)
- 1分：1次

Monetary (12个月内金额)：
- 5分：Top 20% 消费额
- 1分：Bottom 20% 消费额

2.2 11 大核心客群定义与策略矩阵

2.3 JTBD (Jobs-To-Be-Done) 任务叠加

功能性任务 (Functional)：如"清理皮肤" → 策略：按消耗周期发送补货提醒。
情感性任务 (Emotional)：如"自我关怀仪式" → 策略：发送强化仪式感的内容和社区故事。
社会性任务 (Social)：如"显得环保/懂行" → 策略：提供易于分享的社交货币和推荐奖励。

JTBD 驱动的留存触发器：
- 任务完成信号（如：使用产品 30 天后）→ 触发：升级/交叉销售推荐
- 任务失败信号（如：差评/退货）→ 触发：主动客服介入 + 替代方案

2.4 流失风险评分模型 (Churn Risk Scoring)

流失风险分 = 0.35 × (距上次购买天数 / 预期购买间隔)
           + 0.25 × (1 - 近期邮件互动率)
           + 0.20 × (1 - 近期网站访问率)
           + 0.10 × (折扣依赖度得分)
           + 0.10 × (客服工单负面情绪分)

风险等级与路由：
- 0-30 (低风险)：正常生命周期培育
- 31-60 (中风险)：触发主动关怀和教育内容
- 61-80 (高风险)：触发防流失序列 (Win-back 早期)
- 81-100 (极高风险)：触发紧急干预 (最高折扣/人工介入)

---

3. 六阶段客户生命周期 (Six-Stage Lifecycle)

3.1 激活期 (Activation) — 首次购买后 0-7 天

核心目标：设定预期，消除购买后顾虑，确保首次体验完美。
成功指标：首单退货率降低，邮件打开率 >60%。

关键动作与触发器：
├── 0-1小时 (订单确认)：不仅是收据，更是品牌故事的延续。设定发货预期。
├── Day 1-3 (发货通知)：附带详细的使用指南/开箱指南（How-to-use）。
├── Day 4-7 (收货确认)：早期体验关怀，询问是否需要帮助（纯客服导向，不卖货）。
└── 异常触发：如果物流停滞超过 5 天，主动发送安抚邮件并提供小额补偿。

反模式：
- 在欢迎邮件中直接给折扣（训练了打折预期）。
- 在客户还没体验产品前就索要评价。

3.2 养成期 (Adoption) — 第 7-30 天

核心目标：教育客户，展示产品价值，促成复购。
成功指标：30 天复购率达到品类基准。

关键动作与触发器：
├── Day 10-14 (交叉销售)：基于首单的互补产品推荐。
├── Day 21 (社会认同)：展示 UGC 和其他客户的成功故事，强化购买决策。
├── Day 25-28 (补货提醒)：快消品发送首次补货提醒；耐用品发送配件推荐。
└── 行为触发：如果客户访问了特定产品页但未购买，触发浏览放弃流。

3.3 留存期 (Retention) — 第 30-180 天

核心目标：锁定长期价值，转化为订阅或高频购买。
成功指标：90 天复购率，购买频次，订阅转化率。

关键动作与触发器：
├── 智能补货 (Replenishment)：基于客户个人消耗速度的动态提醒。
├── 忠诚度激活：邀请加入会员计划，展示积分价值。
├── 订阅转化：在第 2 或第 3 次购买后，强推 Subscribe & Save。
└── 节日/生日触发：利用客户生日或品牌周年庆提供专属福利。

3.4 扩展期 (Expansion) — 第 90 天+

核心目标：提升钱包份额（Share of Wallet），跨品类渗透。
成功指标：AOV 增长，购买品类数 > 2。

关键动作与触发器：
├── 跨品类发现："喜欢 X 的客户也喜欢 Y"（协同过滤推荐）。
├── 捆绑销售 (Bundling)：基于历史购买记录的定制化 Bundle，提供阶梯折扣。
├── VIP 升级：庆祝客户里程碑，解锁高级权益。
└── 新品首发：给予高价值客户提前 24 小时购买新品的特权。

3.5 倡导期 (Advocacy) — 持续进行

核心目标：获取零方数据，驱动推荐裂变。
成功指标：NPS > 50，推荐转化率 > 5%，UGC 产出量。

关键动作与触发器：
├── 推荐计划 (Referral)：双向激励的"邀请好友"活动（Give $20, Get $20）。
├── UGC 征集：奖励客户在社交媒体上创造高质量内容（带图评价送积分）。
├── 产品共创：邀请顶级客户参与新品测试、命名投票或深度问卷。
└── 惊喜与愉悦 (Surprise & Delight)：随机为顶级客户升级物流或附赠手写贺卡。

3.6 召回期 (Win-back) — 流失后

核心目标：以最低成本挽回高价值流失客户。
成功指标：召回率 5-15%，召回后 LTV 恢复度。

关键动作与触发器：
├── 分层召回：高价值客户给强 Offer，低价值客户低成本触达。
├── 递进序列：Soft Check-in → Value Offer → Strong Offer → Last Chance。
└── 日落政策 (Sunset)：对 180 天以上无互动的客户进行列表清理，保护域名声誉。

---

4. 无利润侵蚀 LTV 增长模型

4.1 五大 LTV 增长杠杆 (按优先级排序)

1. 产品体验 (Product Experience)：★★★★★。最好的留存策略是产品本身。 2. 情感连接 (Emotional Connection)：★★★★☆。品牌故事、社区归属感、价值观共鸣。 3. 便利性 (Convenience)：★★★★☆。订阅模式、一键复购、无缝换货。 4. 身份认同 (Recognition)：★★★☆☆。VIP 等级、抢先体验权、专属客服。 5. 财务激励 (Financial Incentive)：★★☆☆☆。折扣、返现、积分（最后手段）。

4.2 折扣护栏规则 (Discount Guardrails)

规则 1：最大折扣深度限制
- 常规留存：不超过 20%
- 极限召回：不超过 30%（仅限高价值流失客户，且仅限 1 次）

规则 2：折扣频率限制
- 同一客户每季度最多收到 1 次纯折扣驱动的 Offer。

规则 3：毛利底线
- 任何留存 Offer 扣除履约成本后，毛利率不得低于 40%。

规则 4：禁止折扣升级
- 永远不要对同一个客户进行"10%不行给15%，15%不行给20%"的连续轰炸。

4.3 留存 ROI 计算器

净留存价值 = (预期召回人数 × 召回后预期 LTV × 毛利率) 
           - 活动固定成本 
           - 折扣成本 
           - 蚕食效应 (Cannibalization: 原本就会原价购买的客户使用了折扣)

留存 ROI = 净留存价值 / 总活动成本

决策标准：
- ROI > 5:1 → 绿灯，大力推广
- ROI 3-5:1 → 绿灯，密切监控
- ROI 1-3:1 → 黄灯，需优化成本或提升转化
- ROI < 1:1 → 红灯，立即停止

---

5. 订阅双轮防流失模型 (Subscription Churn Defense)

5.1 主动流失防御轮 (Voluntary Churn)

核心策略：提供灵活性而非设置障碍。

取消挽留流 (Cancellation Save Flow) 动态路由：

├── 原因：产品堆积 (Too much product)
│   └── 对策：一键跳过本期 / 延长配送周期 (如 30天改 60天)
│
├── 原因：暂时不需要 (Don't need right now)
│   └── 对策：暂停订阅 1-3 个月 (Pause subscription)
│
├── 原因：想换口味/产品 (Want variety)
│   └── 对策：订阅内无缝换品 (Swap product)
│
├── 原因：价格太贵 (Too expensive)
│   └── 对策：降级到便宜套餐 / 提供一次性 20% 留存折扣
│
└── 原因：忘记了，默默扣款导致愤怒 (Forgot)
    └── 对策：实施 Pre-dunning，扣款前 3 天发送提醒邮件

5.2 被动流失防御轮 (Involuntary Churn / Dunning)

Dunning (催款) 7 步序列：
├── 预警 (扣款前 30 天)：信用卡即将过期提醒 (Email)
├── 失败 1 (Day 0)：软拒绝，系统后台立即重试，不打扰客户
├── 失败 2 (Day 1)：第一次更新支付提醒，友好基调 (Email)
├── 失败 3 (Day 3)：第二次重试 + 提醒，增加紧迫感 (Email + SMS)
├── 失败 4 (Day 5)：第三次重试，强调将失去订阅专属折扣 (Email)
├── 失败 5 (Day 7)：第四次重试，最后机会警告 (Email + SMS)
└── 取消 (Day 14)：系统自动取消，发送遗憾告别邮件，欢迎随时回来

---

6. 价值驱动忠诚度设计

6.1 四大主流模式选择

6.2 积分经济学 (Points Economics)

必须遵循 5% 规则：积分的返现价值不应超过客户消费额的 5%。

健康模型示例：
- 赚取率 (Earn Rate)：消费 $1 = 5 积分
- 兑换率 (Redemption Rate)：100 积分 = $1 折扣
- 实际返现率 (Value Rate)：(5 / 100) * $1 = $0.05 (即 5%)

非交易类赚取动作 (获取零方数据)：
- 完善生日/肤质档案：奖励 50 积分
- 关注 Instagram/TikTok：奖励 20 积分
- 留带图评价：奖励 100 积分

6.3 等级阶梯设计 (Tier Design)

健康的等级分布：
├── Tier 1 (基础)：占客户群 70-80%。权益：基础积分，生日礼。
├── Tier 2 (中级)：占客户群 15-20%。权益：积分 1.2x，免邮门槛降低，抢先体验。
└── Tier 3 (顶级)：占客户群 1-5%。权益：积分 1.5x，无门槛免邮，专属客服，线下活动。

设计原则：
- 升级门槛必须基于历史数据的自然断层。
- 顶级会员必须拥有"非金钱可衡量"的特权（Status & Access）。

---

7. 群组分析实战框架 (Cohort Analysis Deep Dive)

7.1 三维读表法

1. 横向看 (Horizontal)：看单一群组的生命周期衰减。寻找"留存断崖"。
   → 动作：在断崖出现的前 7 天，部署强力的挽留/交叉销售邮件。

2. 纵向看 (Vertical)：看不同群组在同一生命周期的表现。评估近期获客质量。
   → 动作：如果近期群组 M1 留存率低于历史群组，立即检查拉新渠道和首单折扣深度。

3. 对角线看 (Diagonal)：看特定日历月对所有历史群组的唤醒效应。
   → 动作：评估大促活动是否成功激活了沉睡的早期群组。

7.2 高级群组切片维度

7.3 实战演示：异常群组数据解读

场景：过去 6 个月的留存率 Cohort 表。

深度解读与开方：

1. 纵向异常：April 群组 M1 仅 15%，远低于历史 25%。客户数激增到 2000 但质量极差 → 可能是深度折扣大促或低质量流量渠道。处方：停止 4 月拉新策略，改发品牌故事和教育内容。

2. 横向断崖：所有正常群组 M1→M2 跌幅约 7%，是最大单月跌幅 → 产品消耗周期 30-45 天，客户忘记补货。处方：Day 25-30 部署补货提醒 + 10% Subscribe & Save 引导折扣。

3. 对角线趋势：如果所有群组在 11 月（黑五）有反弹 → 品牌对大促依赖度高。处方：引入非折扣驱动唤醒机制（年度账单、新品优先体验权）。

---

8. 召回体系完整序列设计 (Win-back Orchestration)

8.1 标准召回序列（普通流失客户，90-180 天）

Day 1: Soft Check-in (情感唤醒) — 不带折扣，展示新品/社区故事
Day 5: Value Offer (价值驱动) — 免邮、免费小样、双倍积分
Day 10: Strong Offer (强力折扣) — 20% 折扣，48小时有效
Day 14: Last Chance (最后通牒) — 纯转化导向，倒计时

8.2 VIP 专属召回序列（Champions/Can't Lose Them，60-120 天）

Day 1: Personal Outreach — 创始人名义纯文本邮件，询问体验
Day 4: Exclusive Access — 不给折扣，给特权（未发布新品体验）
Day 8: The "Godfather" Offer — 品牌最高折扣 30%，仅限此人，仅限一次

8.3 订阅流失召回序列（主动取消后）

Day 30：询问是否产品已用完，提供"一键重新激活"链接（无折扣）
Day 60：展示订阅计划新升级，提供首月 15% 折扣重新订阅
Day 90：降级销售，引导单次购买

---

9. 流失预测模型框架 (Churn Prediction Model)

9.1 流失风险评分模型（6 信号加权）

9.2 风险等级与自动响应

🟢 0-25 安全：无需干预，继续正常生命周期触点
🟡 26-50 观察：软性互动（个性化内容/满意度调查），Email 为主，不用 SMS
🟠 51-75 预警：主动干预（专属优惠/VIP 客服），Email+SMS，VIP 触发人工外呼
🔴 76-100 危急：紧急召回（最强折扣+创始人亲笔信），全渠道轰炸，进入 Win-back 序列

9.3 预测模型应用场景

场景 A：日常监控 — 每周运行风险评分，生成《周度流失风险报告》
场景 B：重大事件后评估 — 涨价/召回/竞品大促/算法变更后 48h 内重新计算全量风险分
场景 C：订阅业务专项 — 连续2次跳过+30分 / 降级套餐+20分 / 查看取消页+15分 / 询问取消政策+25分

---

10. 品类专属留存 Playbook

10.1 高频消耗品 (补剂、护肤、食品、宠物)

核心留存逻辑：产品会被消耗完，客户必然需要补货 → 关键是在正确的时间提醒。

策略重心：
├── ① 计算精确的消耗周期（蛋白粉30天/护肤品45-60天/狗粮30-45天）
├── ② 在消耗周期的 80% 时间点触发补货提醒
├── ③ Subscribe & Save 是终极留存工具（订阅客户 LTV 是非订阅的 2.5-4x）
└── ④ 交叉销售窗口：第 2 单后推荐互补品

关键指标：30天复购率 >15% | 订阅采纳率 >15% | One-and-Done <50%

10.2 中频时尚品 (Fashion & Apparel)

核心留存逻辑：产品不会被"消耗"，客户回购靠的是"欲望"而非"需求"。

策略重心：
├── ① 新品发布驱动复购（每月至少 1 次，VIP 提前 24-48h）
├── ② 风格个性化推荐（基于颜色、尺码、风格建模）
├── ③ 季节性营销日历（春季/夏季/返校/假日，提前 2 周预热）
└── ④ 忠诚度重点在"体验"而非"折扣"

关键指标：90天复购率 >14% | 新品邮件打开率 >40% | One-and-Done <60%

10.3 低频耐用品 (家居、电子、家电)

核心留存逻辑：产品使用周期极长，客户可能 1-3 年才需要复购。

策略重心：
├── ① 配件与耗材驱动复购（吸尘器→滤芯/咖啡机→咖啡豆）
├── ② 推荐体系驱动（购买后 30 天触发推荐计划）
├── ③ 升级与换代周期营销（1年保养指南/2年以旧换新）
└── ④ 社区与内容维系关系

关键指标：12个月频次 >1.3x | 配件转化率 >20% | 推荐参与率 >10%

10.4 季节性调整因子

重要护栏：当用户提供的数据处于季节性时间窗口内时，必须在报告中明确标注"季节性调整"提示。BFCM 获取的客户群组留存率天然低于自然获取的客户 20-30%，这是结构性问题而非运营问题。

诊断系统

本文件为用户留存引擎的内部参考文件，用于沉淀本模块的诊断路径、识别阈值与排查逻辑。

如需整理为用户可见交付物，应删除内部路由标签、模块代号和系统字段，只保留自然语言、业务角色与行动建议。

---

1. 诊断决策树总览

---

2. 诊断决策树详情

2.1 宏观留存率低下

触发：整体复购率低于品类基准

Step 1: 拆解群组 (Cohort Decomposition)
├── 是否所有群组都低？→ 系统性问题（产品/定价/体验）
└── 仅特定群组低？→ 定位问题群组（按获取渠道/首购产品/折扣深度切片）

Step 2: 定位断崖 (Cliff Detection)
├── M1 断崖（首月流失严重）→ 首单体验问题：检查开箱体验/发货速度/欢迎序列
├── M3 断崖（第三月流失）→ 产品价值未锁定：检查补货提醒/订阅转化/交叉销售
└── M6+ 断崖（半年后流失）→ 竞品替代或需求消失：检查竞品动态/产品创新

Step 3: 根因分析
├── 产品层面：退货率/差评率/NPS
├── 体验层面：物流时效/客服满意度/开箱体验
├── 沟通层面：邮件频率/相关性/个性化程度
└── 价格层面：折扣依赖度/竞品价格对比

Step 4: 开方 → 按 ICE 排序输出 Top 3 行动方案

2.2 订阅退订率过高

触发：月度主动或被动流失进入明显偏高区间

Step 1: 拆分主动 vs 被动
├── 主动流失为主 → 进入 Step 2A
└── 被动流失为主 → 进入 Step 2B

Step 2A: 主动流失根因
├── 产品堆积 → 提供跳过/延长周期选项
├── 价格敏感 → 提供降级套餐
├── 产品不满 → 提供换品选项 + 收集反馈
└── 忘记订阅 → 实施 Pre-dunning 提醒

Step 2B: 被动流失根因
├── 信用卡过期 → 实施 Pre-expiry 提醒（在扣款前合理窗口内）
├── 余额不足 → 优化重试策略（按品牌账单周期与支付习惯安排间隔）
└── 银行拒绝 → 提供替代支付方式

Step 3: 开方 → 通常可优先修复被动流失，再优化取消挽留流，但仍需结合品牌当前主要损失来源排序

2.3 LTV/CAC 比例失调

触发：LTV:CAC <2:1

Step 1: 拆解 LTV 组成
├── AOV 是否健康？→ 低则路由 afa-aov
├── 购买频次是否健康？→ 低则聚焦复购激励
└── 客户生命周期是否健康？→ 短则聚焦流失预防

Step 2: 拆解 CAC
├── CAC 是否过高？→ 路由 afa-paid / afa-social 优化获客成本
└── CAC 正常但 LTV 低？→ 留存问题，继续深挖

Step 3: 按客群拆解
├── 高价值客群的 LTV:CAC 是否健康？→ 是则问题在低价值客群的获取策略
└── 全面不健康？→ 系统性留存问题，启动全面体检

Step 4: 开方 → 短期止血（减少低 ROI 获客）+ 中期修复（提升复购）+ 长期建设（订阅/忠诚度）

2.4 VIP 客户流失

触发：Champions/Loyal Stars 群组出现异常流失

Step 1: 流失规模评估
├── 个别流失 → 可能是个人原因，人工外呼了解
└── 批量流失 → 系统性问题，紧急排查

Step 2: 根因排查
├── 产品变更（配方/包装/定价）→ 检查变更时间线与流失时间线的相关性
├── 服务降级（物流变慢/客服质量下降）→ 检查运营指标
├── 竞品动作（新品/大促/挖角）→ 竞品监控
└── 沟通过度（邮件轰炸/不相关推荐）→ 检查 VIP 专属沟通策略

Step 3: 开方 → VIP 专属召回序列（创始人亲笔信 + 最高级别专属权益）

2.5 新品上线后留存异常

触发：新品引入后整体复购率下降或品类蚕食

Step 1: 蚕食检测
├── 新品是否蚕食了现有畅销品的销量？→ 检查 SKU 级别的销售转移
└── 新品是否带来了增量客户？→ 检查新品购买者中新客占比

Step 2: 留存影响评估
├── 新品首购客户的 M1 留存率 vs 老品首购客户
├── 新品是否有更高的退货率/差评率
└── 新品是否改变了整体产品组合的复购节奏

Step 3: 开方 → 调整产品矩阵定位（引流款 vs 利润款 vs 留存款）

2.6 季节性留存波动

触发：特定季节/事件后留存指标剧烈波动

Step 1: 识别波动类型
├── 可预期波动（Q4 假日季、BFCM 后）→ 参考季节性调整因子表
└── 不可预期波动（突发事件、竞品动作）→ 需要深度排查

Step 2: 剥离季节性因素
├── 将当前数据与去年同期对比（YoY）
├── 将 BFCM 获取客群与自然获取客群分开分析
└── 检查是否有"虚假留存"（礼品购买者被计为复购）

Step 3: 开方 → 建立季节性留存预案（BFCM 后专属培育序列/1月份低频触达策略）

2.7 忠诚度计划失效

触发：会员活跃率或积分兑换率长期处于偏弱区间

Step 1: 诊断失效维度
├── 知晓度低（客户不知道有会员计划）→ 加强曝光和教育
├── 价值感低（积分太难赚/兑换门槛太高）→ 调整积分经济学
├── 参与度低（只有交易类赚取，缺乏互动类）→ 增加非交易赚取途径
└── 兑换率低（积分过期/兑换选项不吸引人）→ 优化兑换目录

Step 2: 财务健康检查
├── 积分负债是否在可控范围内（<营收的 2%）
├── 会员 vs 非会员的 LTV 差异是否显著（应 >1.5x）
└── 等级分布是否健康（Top Tier 不超过 5%）

Step 3: 开方 → 按问题维度逐一修复，优先解决价值感问题

---

3. ICE 优先级排序框架 (留存专属)

所有诊断输出的行动方案，应按 ICE 评分排序后呈现给用户。

ICE 评分 = Impact x Confidence x Ease / 10 (各项 1-10 分)

留存专属评分指南：
├── Impact (影响力)：
│   ├── 10 = 直接影响 LTV 或复购率 >20%
│   ├── 7 = 影响特定客群的留存 10-20%
│   ├── 4 = 间接影响留存指标
│   └── 1 = 边际改善
│
├── Confidence (信心)：
│   ├── 10 = 有品牌历史数据支撑 + 行业案例验证
│   ├── 7 = 有行业基准数据支撑
│   ├── 4 = 基于逻辑推理，缺乏直接数据
│   └── 1 = 纯假设
│
└── Ease (容易度)：
    ├── 10 = Klaviyo/Shopify 后台 1 小时内可配置
    ├── 7 = 需要 1-3 天的开发或配置工作
    ├── 4 = 需要跨部门协作或外部工具
    └── 1 = 需要重大系统改造或长期项目

Loyalty Program 手册

本文件为留存增长模块的内部参考文件，用于定义忠诚度计划的设计原则、分层权益与执行要点。

如需整理为用户可见交付物，应删除内部路由标签、模块代号和系统字段，只保留自然语言、业务角色与行动建议。

---

1. 忠诚度计划的核心目标 (Core Objectives)

一个成功的忠诚度计划不只是为了"发积分"，而是为了解决具体的商业问题： 1. 提升复购率 (Increase Repeat Rate): 缩短购买间隔，增加购买频次。 2. 提升客单价 (Increase AOV): 通过积分门槛或等级门槛鼓励凑单。 3. 获取零方数据 (Zero-Party Data): 鼓励客户完善个人资料（生日、肤质、偏好）以换取积分。 4. 降低获客成本 (Lower CAC): 通过推荐奖励 (Referral) 驱动口碑传播。 5. 培养品牌倡导者 (Build Advocates): 奖励社交分享和 UGC 内容创作。

---

2. 忠诚度计划的四种主流模式 (The 4 Models)

2.1 积分制 (Points-Based)

机制: 以消费金额与积分价值之间的可解释兑换关系驱动复购，具体赚取率与兑换率应按毛利结构、复购频次与计划目标设定。 适用场景: 高频、低客单价的快消品（如食品、饮料、基础个护）。 优点: 容易理解，实施简单。 缺点: 容易陷入价格战，缺乏情感连接。

2.2 等级制 (Tiered)

机制: 根据年度消费额划分等级（如：银卡、金卡、黑卡），等级越高权益越好。 适用场景: 中高客单价、有一定复购周期的品类（如美妆、服饰、鞋包）。 优点: 利用"沉没成本"和"身份认同"锁定客户，防流失效果好。 缺点: 需要精心设计权益，否则高等级客户会觉得"不值得"。

2.3 付费会员制 (Paid VIP / Subscription)

机制: 客户支付年费/月费，获得专属折扣、免邮或独家产品。 适用场景: 极高频复购、刚需品类，或具有极强品牌号召力的品牌。 优点: 提前锁定客户钱包份额，会员费本身就是纯利润。 缺点: 门槛极高，需要极强的价值主张（Value Proposition）。

2.4 混合制 (Hybrid)

机制: 积分制 + 等级制（最常见）。 适用场景: 大多数成熟的 DTC 品牌。 优点: 兼顾短期激励（积分）和长期锁定（等级）。

---

3. 积分经济学设计 (Points Economics)

设计积分系统时，应确保它在财务上是可持续的。

3.1 核心指标定义

• Earn Rate (赚取率): 客户每消费 $1 能获得多少价值的积分。
• Redemption Rate (兑换率): 客户实际兑换积分的比例，应结合品类、奖励吸引力、积分有效期和会员成熟度来判断，不宜写死为统一区间。
• Effective Discount (有效折扣率): 忠诚度计划对整体毛利率的实际影响。

3.2 推荐的积分价值体系

参考建模思路（Points Economics Reference）:

• 可先建立一个易理解的积分兑换关系，让用户容易感知“消费—积分—奖励”的对应逻辑。
• 赚取率应根据毛利、复购周期和奖励预算来倒推，而不是默认采用统一返利比例。
• 有效折扣率应按真实兑换率、积分沉没率与奖励成本动态测算，避免把单一示例误读为通用护栏。

3.3 积分获取行为设计 (Earning Actions)

不要只奖励购买，要奖励所有对品牌有价值的行为：

• 创建账户: 给予轻量积分激励（用于降低首次参与门槛）
• 完善资料 (生日/偏好): 给予适度积分激励（用于获取零方数据）
• 关注 Instagram/TikTok: 给予小额积分激励（用于增加社媒触点）
• 带图评价 (Photo Review): 给予相对更高的积分激励（用于获取高质量 UGC）
• 推荐朋友 (Referral): 可采用双边奖励，但奖励金额需按毛利、首单 AOV 与获客成本倒推

---

4. 等级体系设计 (Tier Design)

4.1 等级划分原则

• Base Tier (基础层): 0 门槛，注册即入。占比应以当前会员结构为准。
• Middle Tier (中间层): 门槛可设定为略高于平均客单价 (AOV) 的区间。占比应以当前会员结构为准。
• Top Tier (顶层): 门槛可参考高价值客户的年消费额分位。占比应保持稀缺，但不写死固定比例。

4.2 权益设计 (Benefits)

权益应具有明显的阶梯感，且顶层权益宜侧重于"体验"而非"折扣"。

---

5. 忠诚度计划的生命周期营销 (Lifecycle Marketing)

忠诚度计划不宜只放在网站的角落里，应与 Email/SMS 营销深度结合。

5.1 关键触发邮件 (Triggered Flows)

1. Welcome to the Program: 注册后尽快发送，解释如何赚取和使用积分。 2. Points Balance Reminder: 按品牌沟通节奏定期发送，告知当前积分余额，并推荐可用积分兑换的产品。 3. Tier Upgrade: 升级时发送庆祝邮件，强调新解锁的权益。 4. Tier Downgrade Warning: 在降级风险出现前的合理窗口发送，提醒"再消费 $X 即可保级"。 5. Points Expiry Warning: 在积分即将过期前分阶段发送提醒，制造合理紧迫感促单。

5.2 动态内容插入 (Dynamic Content)

在所有常规的促销邮件 (Campaigns) 顶部或底部，动态插入客户的忠诚度数据：

"Hi [Name], you have [Current Points] points waiting for you, and you're [Spend Gap] away from the next tier."

---

6. 常见失败原因与避坑指南 (Anti-Patterns)

1. 积分价值太低 (Low Perceived Value): 如果客户长期感知不到明确回报，计划会快速失去吸引力。 2. 兑换门槛太高 (High Redemption Friction): 只有累积到过高积分门槛才能兑换。正确做法：允许更早体验到兑换价值，如提供轻量奖励、免邮或小样等低门槛选项。 3. 规则过于复杂 (Overcomplicated Rules): 客户看不懂怎么算积分。正确做法：保持计算逻辑和兑换关系足够直观，让用户能够快速理解“参与—积累—回报”的路径。 4. 缺乏非交易互动 (Transaction-Only): 只奖励购买，不奖励评价和分享。 5. 隐藏在深处 (Hidden Program): 网站上找不到入口，结账时也不提醒使用积分。正确做法：在结账页面 (Checkout) 集成一键使用积分的滑块或按钮。

报告模板

本文件为留存增长模块的内部参考文件，用于沉淀留存审计、复盘与策略报告模板。

层级声明：本文件默认作为 internal-only 的内部起草模板库使用，不得整段直接粘贴给用户。

如需整理为用户可见交付物，应删除内部路由标签、模块代号和系统字段，只保留自然语言、业务角色与行动建议。

渲染规则：本文件中的行业基准、健康范围、目标比例、固定行动数量和任何 ROI/LTV:CAC 判断，默认只可作为参考区间、保守起点或待验证计划；不得写成统一健康线、固定配方或对品牌结果的确定性承诺。

---

Template 1: Retention Health Audit Report

# 留存健康体检报告 — [Brand Name]

**日期:** [Date]
**分析师:** AFA DTC 留存策略分析
**数据周期:** [Start Date] — [End Date]

---

## 执行摘要

### 总体留存状态概览

| 维度 | 状态 | 关键发现 |
|------|------|------|
| 复购行为 | 🟢/🟡/🔴 | [一句话概括] |
| 客户价值分布 | 🟢/🟡/🔴 | [一句话概括] |
| 流失模式 | 🟢/🟡/🔴 | [一句话概括] |
| 互动健康 | 🟢/🟡/🔴 | [一句话概括] |
| 留存经济学 | 🟢/🟡/🔴 | [一句话概括] |

### 核心发现
1. [Finding 1 — most impactful]
2. [Finding 2]
3. [如有必要继续补充]

### 数据基础
本报告基于：[说明数据源，如 Shopify 后台数据 + Klaviyo 数据 + 用户提供的退货信息]

---

## 一、复购行为分析

### 核心指标

| 指标 | 当前值 | 参考基线 | 差距 | 趋势 |
|------|--------|----------|------|------|
| 近期复购率（短窗） | [X]% | [Y]% 或自有历史基线 | [+/-Z]% | ↑/↓/→ |
| 近期复购率（中窗） | [X]% | [Y]% 或自有历史基线 | [+/-Z]% | ↑/↓/→ |
| 购买频次（观察周期内） | [X]次 | [Y]次 或自有历史基线 | [+/-Z] | ↑/↓/→ |
| 平均订单间隔 | [X]天 | [Y]天 或自有历史基线 | [+/-Z]天 | ↑/↓/→ |
| 一次性客户占比 | [X]% | [Y]% 或自有历史基线 | [+/-Z]% | ↑/↓/→ |

### 复购漏斗

| 阶段 | 客户数 | 转化率 | 基准 |
|------|--------|--------|------|
| 首次购买 | [N] | 100% | — |
| 第2次购买 | [N] | [X]% | [Y]% |
| 第3次购买 | [N] | [X]% | [Y]% |
| 第4次购买 | [N] | [X]% | [Y]% |
| 5次+ | [N] | [X]% | [Y]% |

### 诊断结论
[Specific diagnosis of repurchase behavior issues and root causes]

---

## 二、客户价值分布

### RFM 分层分布

| 客户群 | 人数 | 占比 | 贡献营收 | 营收占比 | LTV |
|--------|------|------|----------|----------|-----|
| Champions | [N] | [X]% | $[X] | [Y]% | $[Z] |
| Loyal Stars | [N] | [X]% | $[X] | [Y]% | $[Z] |
| Potential Loyalists | [N] | [X]% | $[X] | [Y]% | $[Z] |
| New Customers | [N] | [X]% | $[X] | [Y]% | $[Z] |
| At Risk | [N] | [X]% | $[X] | [Y]% | $[Z] |
| Hibernating | [N] | [X]% | $[X] | [Y]% | $[Z] |
| Lost | [N] | [X]% | $[X] | [Y]% | $[Z] |

### LTV:CAC 分析
- 当前 LTV:CAC 比: [X]:1
- 参考解释: 结合回收周期、毛利结构与渠道成熟度判断
- 按渠道: Meta [X]:1 | Google [X]:1 | TikTok [X]:1 | Organic [X]:1

### 诊断结论
[Specific diagnosis of value distribution issues]

---

## 三、流失模式分析

### 流失时间分布
[When do most customers lapse — after 1st purchase? 3rd? Which month?]

### 流失原因分析 (如有数据)
| 原因 | 占比 | 趋势 |
|------|------|------|
| [Reason 1] | [X]% | ↑/↓/→ |
| [Reason 2] | [X]% | ↑/↓/→ |
| ... | ... | ... |

### 诊断结论
[Specific diagnosis of churn patterns]

---

## 四、互动健康分析

### 渠道互动指标

| 渠道 | 活跃率 | 基准 | 趋势 |
|------|--------|------|------|
| Email | [X]% | [Y]% | ↑/↓/→ |
| SMS | [X]% | [Y]% | ↑/↓/→ |
| Social | [X]% | [Y]% | ↑/↓/→ |
| Reviews | [X]% | [Y]% | ↑/↓/→ |

### 诊断结论
[Specific diagnosis of engagement health]

---

## 五、留存经济学分析

### 关键经济指标

| 指标 | 当前值 | 参考解释 | 状态 |
|------|--------|----------|------|
| 留存营销占比 | [X]% | 结合品牌阶段和渠道结构判断 | 🟢/🟡/🔴 |
| 留存 ROI | [X]:1 | 作为效率参考，不写成统一及格线 | 🟢/🟡/🔴 |
| 折扣依赖度 | [X]% | 结合利润压力与客户行为结构判断 | 🟢/🟡/🔴 |
| 复购订单利润率 | [X]% | 与首单及长期贡献一起解释 | 🟢/🟡/🔴 |

### 诊断结论
[Specific diagnosis of retention economics]

---

## 六、优先行动计划

| # | 行动 | ICE | 成本标签 | 推算依据 | 推荐承接角色 |
|------|------|------|----------|----------|----------------|
| 1 | [Action] | [Score] | [{budget}] [{time}] | [从数据到结论的推理] | [建议由哪类团队或负责人承接] |
| 2 | [Action] | [Score] | [{budget}] [{time}] | [从数据到结论的推理] | [建议由哪类团队或负责人承接] |
| 3 | [Action] | [Score] | [{budget}] [{time}] | [从数据到结论的推理] | [建议由哪类团队或负责人承接] |
| ... | [按当前阶段补充必要行动项] | [Score] | [{budget}] [{time}] | [从数据到结论的推理] | [建议由哪类团队或负责人承接] |

### 假设声明
以上行动方案基于以下假设：
- [假设 1]
- [假设 2]

---

## 七、下一步建议

### 近期优先执行
1. [Immediate action 1]
2. [如有必要继续补充]

### 短期完成
1. [Short-term action 1]
2. [如有必要继续补充]

### 中期完成
1. [Medium-term action 1]
2. [如有必要继续补充]

### 推荐优先推进的工作流
- 邮件触达与自动化流程：[Specific email flows to build]
- 短信触达与召回节奏：[Specific SMS campaigns]
- 留存数据追踪与看板搭建：[Retention tracking setup]

---

Template 2: Lifecycle Architecture Document

# 客户生命周期架构 — [Brand Name]

**日期:** [Date]

---

## 品牌概况
- 品类: [Category]
- 平均购买周期: [按品牌实际复购节奏填写]
- 当前复购率: [X]%
- 客户基数: [N]

---

## 生命周期总览

| 阶段 | 时间窗口 | 目标 | 核心指标 | 当前值 | 目标值 |
|------|----------|------|----------|--------|--------|
| 激活 | [按品类与履约节奏定义] | 建立关系 | 购后互动率 | [X]% | [结合品牌阶段与历史基线设定] |
| 养成 | [按复购周期定义] | 培养习惯 | 复购率 | [X]% | [结合品牌阶段与历史基线设定] |
| 留存 | [按复购周期定义] | 建立规律 | 购买频次 | [X] | [结合品牌阶段与历史基线设定] |
| 扩展 | [按生命周期进程定义] | 增加钱包份额 | AOV增长 | [X]% | [结合品牌阶段与历史基线设定] |
| 倡导 | [持续观察] | 激活口碑 | 推荐率 | [X]% | [结合品牌阶段与历史基线设定] |
| 召回 | [按沉默窗口定义] | 重新激活 | 召回率 | [X]% | [结合品牌阶段与历史基线设定] |

---

## 各阶段详细设计

### 阶段 1: 激活（按购后早期窗口定义）

**触发条件:** 首次购买完成

**触点序列:**

| 时间 | 触点 | 渠道 | 内容要点 | 目标 |
|------|------|------|----------|------|
| [按履约节奏定义] | 订单确认 | Email | 品牌故事 + 期待设定 | 结合品牌历史设定参考表现 |
| [按履约节奏定义] | 欢迎邮件 | Email | 社区欢迎 + 使用指南 | 结合品牌历史设定参考表现 |
| [按履约节奏定义] | 发货通知 | Email/SMS | 追踪 + 使用技巧 | — |
| [按履约节奏定义] | 到货跟进 | Email | "收到了吗?" + 使用引导 | 结合品牌历史设定参考表现 |
| [按履约节奏定义] | 评价邀请 | Email | 评价请求 + 社交分享 | 结合品牌历史设定参考表现 |

[Continue for each stage...]

---

## 跨渠道编排规则

| 规则 | 描述 |
|------|------|
| 渠道优先级 | 按成本、侵入性、用户偏好与场景价值综合排序 |
| 频率上限 | 按品牌阶段、名单耐受度与合规要求设定 |
| 静默期 | 按购买后体验与促销干扰风险设定 |
| 升级规则 | 当某渠道连续低响应时，可尝试更合适渠道，但不设统一触发次数 |
| 退出规则 | 当用户持续低互动时，按品牌治理策略降频 |

---

## 成功指标与追踪

| 指标 | 追踪频率 | 数据源 | 负责人 |
|------|----------|--------|--------|
| [Metric] | [Frequency] | [Source] | [Owner] |

---

Template 3: Loyalty Program Blueprint

# 忠诚度计划蓝图 — [Brand Name]

**日期:** [Date]

---

## 计划概况

| 要素 | 设计 |
|------|------|
| 计划名称 | [Name] |
| 模式 | [Points / Tier / Subscription / Hybrid] |
| 目标客群 | [Target segment] |
| 核心目标 | [Primary KPI] |
| 预算 | [Annual budget] |
| 预期 ROI | [X]:1 |

---

## 积分/奖励经济学

### 赚取规则
| 行为 | 积分 | 频率上限 |
|------|------|----------|
| 每消费 $1 | [X] 积分 | 无上限 |
| 写评价 | [X] 积分 | 1次/产品 |
| 推荐朋友 | [X] 积分 | 无上限 |
| 社交分享 | [X] 积分 | 1次/周 |
| 生日 | [X] 积分 | 1次/年 |

### 兑换规则
| 奖励 | 所需积分 | 等值 | 利润影响 |
|------|----------|------|----------|
| [Reward 1] | [X] | $[Y] | -[Z]% margin |
| [Reward 2] | [X] | $[Y] | -[Z]% margin |

### 经济学验证
- 平均积分赚取率: [X] 积分/月/客户
- 平均兑换周期: [X] 个月
- 有效奖励率: [X]% of spend
- 利润影响: -[X]% gross margin
- 推算依据：[从数据到结论的推理链]
- 假设声明：[列出关键假设]

---

## 等级体系 (如适用)

| 等级 | 门槛 | 权益 | 预计占比 |
|------|------|------|----------|
| [Tier 1] | [Threshold] | [Benefits] | [X]% |
| [Tier 2] | [Threshold] | [Benefits] | [X]% |
| [Tier 3] | [Threshold] | [Benefits] | [X]% |

---

## 上线计划

| 阶段 | 时间 | 任务 |
|------|------|------|
| 准备期 | [按资源与复杂度定义] | 技术集成 + 内容准备 |
| 软启动 | [按资源与复杂度定义] | 由小范围客群优先体验 |
| 正式上线 | [按资源与复杂度定义] | 全量推广 |
| 优化期 | [按资源与复杂度定义] | 数据分析 + 调整 |

---

Template 4: Win-back Campaign Plan

# 客户召回计划 — [Brand Name]

**日期:** [Date]
**目标群体:** [Segment definition]
**目标人数:** [N]
**预算:** $[X]
**目标召回率:** [X]%

---

## 客户分层

| 层级 | 定义 | 人数 | 预估价值 | 策略 |
|------|------|------|----------|------|
| 高价值流失 | [Definition] | [N] | $[X] LTV | [Strategy] |
| 中价值流失 | [Definition] | [N] | $[X] LTV | [Strategy] |
| 低价值流失 | [Definition] | [N] | $[X] LTV | [Strategy] |

---

## 召回序列

### [Segment Name] 序列

| 触点 | 时间 | 渠道 | 主题 | 优惠 | 预期转化 |
|------|------|------|------|------|----------|
| 1 | [初始窗口] | [Channel] | [Subject] | [Offer] | [按历史或测试假设填写] |
| 2 | [第二触达窗口] | [Channel] | [Subject] | [Offer] | [按历史或测试假设填写] |
| 3 | [第三触达窗口] | [Channel] | [Subject] | [Offer] | [按历史或测试假设填写] |
| 4 | [后续窗口] | [Channel] | [Subject] | [Offer] | [按历史或测试假设填写] |

---

## 成功指标

| 指标 | 目标 | 追踪方式 |
|------|------|----------|
| 召回率 | [按品牌目标填写] | [Method] |
| 召回客户 LTV | [按回收期与客户质量目标填写] | [Method] |
| 活动 ROI | [按品牌效率目标填写] | [Method] |
| 退订率 | [按名单健康目标填写] | [Method] |

---

Template 5: Subscription Optimization Report

# 订阅优化报告 — [Brand Name]

**日期:** [Date]

---

## 订阅健康概况

| 指标 | 当前值 | 基准 | 状态 |
|------|--------|------|------|
| 活跃订阅数 | [N] | — | — |
| 月度流失率 | [X]% | [结合品牌阶段与订阅模型解释] | 🟢/🟡/🔴 |
| 主动流失率 | [X]% | [结合品牌阶段与订阅模型解释] | 🟢/🟡/🔴 |
| 被动流失率 | [X]% | [结合品牌阶段与订阅模型解释] | 🟢/🟡/🔴 |
| 跳过率 | [X]% | [结合品牌阶段与订阅模型解释] | 🟢/🟡/🔴 |
| 订阅 AOV | $[X] | — | — |
| 订阅客户 LTV | $[X] | — | — |

---

## 流失分析

### 主动流失原因
| 原因 | 占比 | 趋势 | 对策 |
|------|------|------|------|
| [Reason] | [X]% | ↑/↓/→ | [Action] |

### 被动流失分析
| 失败类型 | 占比 | 恢复率 | 对策 |
|----------|------|--------|------|
| 软拒绝 | [X]% | [Y]% | [Action] |
| 硬拒绝 | [X]% | [Y]% | [Action] |

---

## 优化建议

| # | 建议 | ICE | 成本标签 | 推算依据 |
|--------|------|------|----------|----------|
| 1 | [Recommendation] | [Score] | [{budget}] [{time}] | [从数据到结论的推理] |

留存引擎参考框架：RFM × LTV × JTBD 一体化方法

本文件是留存引擎的内部参考框架，用于指导分群、价值判断、流失风险识别与留存策略设计。作为 references/ 内部知识文件，正文说明统一使用中文；RFM、LTV、JTBD、BG/NBD、Gamma-Gamma、AOV、CAC、Email、SMS 等专业缩写与专有术语保留英文原文，以符合 AFA DTC 的语言规则与术语一致性要求。

---

使用原则

留存分析不是单看某一个指标，而是要同时回答三个问题：这个客户现在处在什么关系状态、未来值不值得继续投入、品牌应该围绕什么“任务”去保持相关性。 其中，RFM 负责刻画行为状态，LTV 负责衡量价值潜力，JTBD 负责解释客户为什么继续留下来。只有把三者结合起来，留存策略才不会停留在“谁买得多就多发优惠”的低水平判断上。

高质量的留存系统，不是把客户分成很多组，而是让每一组都对应一个清晰、可执行、能解释业务结果的动作系统。

---

一、RFM 分群模型

RFM 是留存分析中最实用的基础方法之一。它通过 Recency（最近购买时间）、Frequency（购买频次） 和 Monetary（消费金额） 三个维度，快速判断客户当前所处的价值层级与关系状态。

1.1 RFM 评分方法

Recency（R）—— 最近一次购买距今天数

Recency 的核心不是“越近越好”这么简单，而是要结合品类的自然复购周期。消耗品、时尚品和家居品的购买间隔显著不同，因此同样的“进入较长未购状态”在不同品类中的含义并不一样。

Frequency（F）—— 12 个月内购买次数

Frequency 用来判断客户是否已经形成购买习惯。不同品类的高频标准不同，评分阈值应与业务实际周期匹配，而不应机械套用单一标准。

Monetary（M）—— 12 个月内总消费金额

Monetary 反映的是客户贡献度，但不应脱离品类客单价环境单独理解。同样是 300 美元总消费，在低 AOV 与高 AOV 业务中的含义完全不同。

1.2 RFM 分群定义

RFM 分群的意义不在于命名，而在于每个标签是否能对应不同的经营动作。建议在内部使用中文主名，同时保留英文别名，便于后续跨文档引用与历史兼容。

1.3 分群对应策略

RFM 的真正价值体现在策略差异化上。不同分群不应共享同一种优惠逻辑或触达频率，否则分群本身就失去意义。

---

二、LTV 计算模型

LTV（Customer Lifetime Value）用于回答“这个客户在整个生命周期内能为品牌带来多少价值”。在留存系统中，LTV 不只是财务指标，它直接影响预算容忍度、分群投入深度、VIP 判断标准以及回本周期评估。

2.1 历史 LTV（简化版）

历史 LTV 适合做基础判断，优点是易算、可快速落地；缺点是它更多反映过去，而不是未来。

Historical LTV = Average Order Value × Purchase Frequency × Customer Lifespan

其中：
- AOV = Total Revenue / Total Orders
- Purchase Frequency = Total Orders / Total Unique Customers
- Customer Lifespan = 1 / Churn Rate（按年）

2.2 预测型 LTV（BG/NBD + Gamma-Gamma）

预测型 LTV 更适合中高成熟度品牌。它的核心思想是：先预测未来还会买几次，再预测每次交易可能产生多少利润，最后折现得到未来价值。

Step 1：预测未来交易次数（BG/NBD Model）

所需输入：
- Frequency：重复购买次数（总购买次数 - 1）
- Recency：最近一次购买距首次购买的时间长度
- T：客户年龄（自首次购买至今的时间）
- 模型参数：r、α、a、b（基于历史数据拟合）

输出：未来 [X] 个周期内的预期交易次数

Step 2：预测平均交易价值（Gamma-Gamma Model）

所需输入：
- 每位客户的平均交易金额
- 交易次数
- 模型参数：p、q、v（基于历史数据拟合）

输出：每次交易的预期平均利润

Step 3：计算 LTV

LTV = Expected Transactions × Expected Avg Profit × Discount Factor

其中：
Discount Factor = Σ(1 / (1 + d)^t)，t = 1 到 T
d = 月度折现率（应结合资金成本、现金流压力与品牌财务假设设定，不宜默认写死单一水平）

2.3 基于 Cohort 的 LTV

Cohort 视角下的 LTV 更适合回答“不同获客批次的后续质量是否一致”这一问题，特别适用于投放扩张期或渠道结构频繁变化的品牌。

Cohort LTV at Month M = Σ(Revenue_month_t / Cohort_size)，t = 1 到 M

关键输出：
- 不同获客 Cohort 的 LTV 曲线
- 不同获客渠道的 LTV
- 不同首购商品带来的 LTV
- 回本周期（LTV > CAC 的月份）

2.4 早期品牌适用的简化 LTV

当数据量不足以支持复杂模型时，可先使用更容易沟通和执行的 12 个月简化版 LTV 估算。

Simplified 12-Month LTV = AOV × (1 + Repeat Rate × Avg Repeat Orders)

说明：
- 可使用品牌自己的 AOV、12 个月复购率与复购用户平均追加购买次数进行估算
- 该简化公式更适合早期阶段做方向性判断，不宜替代完整的历史与预测型 LTV 模型

2.5 LTV 使用提醒

LTV 不是越复杂越好，而是要与品牌的数据成熟度相匹配。对早期品牌来说，一个稳定、可解释、团队都能理解的简化模型，往往比高复杂度但无法维护的模型更有价值。

---

三、JTBD（Jobs to Be Done）与留存整合

JTBD 负责解释客户“为什么继续购买”。它帮助团队从产品、情绪与身份三个层面理解客户真正想完成的任务，从而让留存策略不止停留在“何时发券”，而是进阶到“何时帮助客户重新完成那个任务”。

3.1 用于留存的 JTBD 框架

客户购买的不是产品本身，而是借助产品去完成某项任务。只有当品牌持续帮助客户把这项任务做得比替代方案更好时，留存才会发生。

Jobs 的三层结构

3.2 基于 JTBD 的留存触发器

JTBD 触发器的作用，是把“客户状态变化”转化成“留存动作”。当品牌能够识别客户是否正在顺利完成任务，就能更精准地设计补货、升级、支持或关怀。

3.3 RFM 与 JTBD 的组合判断

RFM 告诉你客户“现在看起来怎么样”，JTBD 告诉你客户“为什么会这样”。把两者结合后，分群动作会比单纯靠频次或金额更精准。

---

四、高级分群维度

仅靠 RFM 往往还不够。实际运营中，高质量留存系统通常要把购买行为、渠道偏好、价格敏感度、互动强度、获客来源和生命周期阶段叠加起来，形成更完整的用户画像。

4.1 超越 RFM 的多维分群

4.2 高价值客户识别

所谓 “Whale” 客户，不只是消费高，更是高价值、高活跃、低折扣依赖、可长期经营 的客户。识别这类客户时，建议同时看金额、频次、客单价、折扣依赖与互动质量，而不是只看单一消费总额。

“Whale” 识别标准示例

建议动作： 打上 VIP 标签，归入冠军或高优先级经营轨道，并视情况安排更个性化的触达。

4.3 流失风险评分

如果品牌具备较完整的数据结构，可以进一步建立 Churn Risk Score，用于把“看起来可能流失”量化成一个可排序、可触发动作的分值系统。

Churn Risk Score = w1 × (Days Since Last Purchase / Expected Purchase Interval)
                 + w2 × (1 - Recent Email Engagement Rate)
                 + w3 × (1 - Recent Site Visit Rate)
                 + w4 × (Discount Dependency Score)
                 + w5 × (Support Ticket Sentiment Score)

参考权重示例：
- w1 可设为最高权重，用于反映购买间隔偏离程度
- w2 与 w3 可作为中等权重，用于反映互动与访问活跃度
- w4 与 w5 可作为补充权重，用于刻画折扣依赖和服务情绪风险

风险等级解释

---

五、Cohort 分析框架

Cohort 分析用于判断留存质量是“真的改善了”，还是只是短期促销造成的假象。它特别适合用来评估不同月份、不同渠道、不同首购商品与不同优惠策略带来的后续质量差异。

5.1 标准 Cohort 表结构

行：获客月份 Cohort
列：距获客后的月份（M0, M1, M2 ... M12）
值：留存率（该 Cohort 中仍保持活跃的客户占比）

示意：
| Cohort | M0 | M1 | M2 | M3 | M6 | M12 |
|--------|-----|-----|-----|-----|-----|------|
| Cohort A | [起点基数] | [按真实数据填写] | [按真实数据填写] | [按真实数据填写] | [按真实数据填写] | [按真实数据填写] |
| Cohort B | [起点基数] | [按真实数据填写] | [按真实数据填写] | [按真实数据填写] | [按真实数据填写] | — |
| Cohort C | [起点基数] | [按真实数据填写] | [按真实数据填写] | [按真实数据填写] | — | — |

5.2 Cohort 分析维度

5.3 关键 Cohort 指标

---

六、如何把框架真正用于留存系统

高质量的留存系统，不应把 RFM、LTV、JTBD 和 Cohort 当成四张独立报表，而应让它们共同服务于同一套动作链。建议按如下顺序使用：先用 RFM 识别当前状态，再用 LTV 判断值得投入的深度，用 JTBD 决定应该提供什么样的关系修复或价值强化，最后用 Cohort 回头验证这套动作是否真的改善了留存质量。

---

结论

RFM、LTV、JTBD 与 Cohort 不是彼此替代的模型，而是一套层层递进的留存判断系统。RFM 负责识别“当前状态”，LTV 负责评估“未来价值”，JTBD 负责解释“留存原因”，Cohort 负责验证“策略结果”。 当这四层真正协同起来时，留存策略就不再只是批量发券或机械召回，而会变成一套能够解释业务、指导动作、持续迭代的经营系统。

订阅管理手册

本文件为用户留存引擎的内部参考文件，用于沉淀订阅经营、流失预警、扣款挽回与订阅留存策略。

如需整理为用户可见交付物，应删除内部路由标签、模块代号和系统字段，只保留自然语言、业务角色与行动建议。

---

1. 订阅双轮防流失模型 (Dual-Wheel Churn Prevention)

订阅流失分为两类：主动流失（Voluntary Churn，客户主动取消）和被动流失（Involuntary Churn，支付失败）。通常应双管齐下。

1.1 主动流失防御轮 (Voluntary Churn Defense)

核心策略：提供灵活性而非障碍

取消挽留流 (Cancellation Flow) 最佳实践： 1. 第一步：收集原因（必填单选：产品堆积、太贵、不需要了、体验不好等） 2. 第二步：动态挽留（根据原因提供针对性解决方案，而非统一给折扣）

• 选"产品堆积" -> 提示"跳过下期"按钮
• 选"太贵" -> 提示"本期 20% off"或"降级套餐"按钮
• 选"想换口味" -> 提示"更换产品"按钮

3. 第三步：确认取消（如果客户坚持，优雅放行，并提供降级为普通会员的选项）

1.2 被动流失防御轮 (Involuntary Churn Defense)

核心策略：智能重试与多渠道触达

Dunning (催款) 序列最佳实践：

注：重试逻辑应尽量避开周末和节假日，并优先参考客户当地时间与历史支付成功时段。

---

2. 订阅生命周期沟通矩阵

---

3. 订阅指标监控仪表盘

3.1 核心健康指标 (每周监控)

1. Active Subscribers: 当前活跃订阅总数 2. MRR (Monthly Recurring Revenue): 月度经常性收入 3. Net Subscriber Growth: 新增订阅数 - 流失订阅数 4. Voluntary Churn Rate: 主动流失率（应结合品类、订阅模式与历史表现观察） 5. Involuntary Churn Rate: 被动流失率（应结合支付方式结构与账单成功率观察）

3.2 行为指标 (每月监控)

1. Skip Rate: 跳过当期配送的比例（高跳过率是流失的前兆） 2. Swap Rate: 更换产品的比例（健康的互动指标） 3. Add-on Rate: 在订阅订单中添加一次性商品的比例 4. Average Subscriber Lifespan: 平均订阅生命周期（月数） 5. Subscriber LTV: 订阅客户终身价值

---

4. 订阅增长策略 (Acquisition to Subscription)

4.1 订阅转化路径

1. Direct to Subscription: 首次购买即选择订阅（通常需要较高的折扣或强烈的痛点） 2. One-time to Subscription (Upgrade): 购买一次性产品后，在复购时转化为订阅 3. Post-purchase Upsell: 购买一次性产品后，在感谢页或确认邮件中一键升级为订阅

4.2 提升订阅转化率的战术

• Subscribe & Save (S&S): 常见做法是提供持续折扣，但具体幅度应结合毛利、复购周期与客户敏感度设计。
• Subscribe & Get (S&G): 订阅不仅省钱，还能获得专属赠品（如：首单送起泡网，第三单送旅行装）。
• Subscriber-Only Perks: 强调非价格福利（如：免运费、优先发货、专属客服、新品优先体验）。
• Frictionless Upgrade: 在复购提醒邮件中，提供 "One-click upgrade to subscription" 按钮。

---

5. 常见订阅模式与适用类目

Win-Back 流程手册

本文件为留存增长模块的内部参考文件，用于定义 Win-Back 流程、触发条件与执行策略。

如需整理为用户可见交付物，必须删除内部路由标签、模块代号和系统字段，只保留自然语言、业务角色与行动建议。

---

1. 召回策略核心原则 (Win-Back Core Principles)

1. 时机胜于折扣 (Timing > Discount): 在客户真正需要补货或准备流失的边缘触达，比盲目给大折扣更有效。 2. 分层召回 (Segmented Win-Back): 不要对所有流失客户一视同仁。高价值客户值得更高的召回成本（如直邮、高额折扣），低价值客户应使用低成本渠道（如邮件）。 3. 渐进式优惠 (Escalating Offers): 召回序列中的折扣应逐步增加，而不是一开始就给出底牌。 4. 频率优先级与渠道抑制 (Frequency First): 同一召回阶段只允许一个主渠道先行触达；若用户在近窗口期已收到其他营销消息，应延后、降频或跳过当前触达，避免跨渠道叠加轰炸。 5. 情感共鸣 (Emotional Connection): 承认客户的离开，表达想念，展示品牌的改变和进步。 6. 降低门槛 (Low Friction): 召回邮件中的链接应直接带参数，自动应用折扣，甚至直接跳转到预填充的结账页面。 7. 可退出与可静默 (Exit & Silence Windows): 用户明确无兴趣、持续不打开或已投诉后，必须立即退出召回序列，并进入静默窗口。

---

2. 核心召回工作流 (Core Win-Back Workflows)

2.1 标准流失召回序列 (Standard Win-Back Flow)

触发条件: 客户超过预期购买周期 [X] 天未购买（通常为 60-90 天，取决于品类）。 目标群体: 曾经购买过 1-2 次，但未达到高价值标准的客户。

2.2 高价值客户专属召回 (VIP Win-Back Flow)

触发条件: RFM 模型中的 "At Risk" 或 "Can't Lose Them" 客户（高频/高客单价，但近期未购买）。 目标群体: 历史 LTV 排名前 20% 的客户。

2.3 订阅流失挽回序列 (Subscription Win-Back Flow)

触发条件: 客户主动取消订阅后 [X] 天（通常为 30-60 天）。 目标群体: 曾经是订阅用户，现已取消。

---

3. 召回邮件文案框架 (Copywriting Frameworks)

3.1 "The Check-In" (情感问候型)

• Subject: It's been a while, [Name] / We miss you!
• Body: 简单真诚地表达想念。不要显得绝望或过于推销。
• Call to Action: "Come say hi" 或 "See what's new"

3.2 "The Update" (品牌更新型)

• Subject: Look how much we've grown / You won't believe what's new
• Body: 强调自客户上次购买以来，品牌推出的新产品、改进的配方、更好的包装或更快的物流。
• Call to Action: "Explore the new collection"

3.3 "The Incentive" (直接利益型)

• Subject: $15 on us / A welcome back gift for you
• Body: 开门见山地提供优惠。明确说明如何使用以及何时过期。
• Call to Action: "Claim your $15" 或 "Shop with 20% off"

3.4 "The Survey" (收集反馈型)

• Subject: How can we do better? / We value your opinion
• Body: 承认客户已经有一段时间没来了，诚恳地请求反馈。提供完成问卷的奖励。
• Call to Action: "Take our 1-minute survey"

---

4. 召回活动的经济学评估 (Win-Back Economics)

在执行高成本的召回活动（如发送 30% Off 折扣或直邮）之前，必须计算召回经济学：

核心公式： 召回价值 = (召回率 × 召回后预期 LTV) - 召回成本

评估步骤： 1. 预估召回率: 基于历史数据或行业基准（通常在 2% - 5% 之间）。 2. 计算召回成本: 包括折扣成本、渠道成本（短信/直邮费用）、广告花费。 3. 预估召回后 LTV: 被召回的客户通常比全新客户的 LTV 低，建议按原 LTV 的 50%-70% 估算。 4. 计算 ROI: 确保召回活动的 ROI 为正，且优于获取新客的 ROI。

经验法则：如果召回一个流失客户的成本高于获取一个新客的 CAC，那么应该放弃召回，将预算投入到拉新中。

---

5. 常见召回误区 (Anti-Patterns to Avoid)

1. 过早触发 (Triggering Too Early): 客户的正常购买周期是 60 天，但在第 45 天就发送了 "We miss you" 邮件并附带折扣。这不仅浪费了利润，还训练了客户等待折扣。 2. 无差别轰炸 (Batch and Blast): 向所有 1 年未购买的客户发送相同的 50% Off 邮件，或在短时间内叠加 Email、SMS、广告并行追打。这会严重损害品牌资产，并吸引大量只看重折扣的低质量客户。 3. 忽视流失原因 (Ignoring the "Why"): 如果客户是因为产品质量差或过敏而流失，再大的折扣也无法召回。必须结合客服工单和退货数据进行过滤。 4. 复杂的兑换流程 (High Friction Redemption): 邮件里给了折扣码，但客户点击后需要手动复制粘贴，或者发现折扣码不适用于他们想买的商品。 5. 没有退出机制 (No Exit Strategy): 客户已经明确表示不再需要（或连续多次未打开/未点击），仍然持续发送召回邮件，最终导致被标记为垃圾邮件，损害发件人信誉。 6. 忽视渠道抑制 (No Channel Suppression): 在刚发完邮件后又立即发送短信或广告追投，没有静默窗口、抑制规则和优先级，容易造成用户反感与渠道互相打架。