客户流失预测系统和留存分析

我们有一个订阅业务，每个月都在失去付费订阅者，但我们无法提前看到谁会离开以及原因。我们需要一个基于历史数据的流失预测和留存分析系统：一个机器学习模型，计算每个活跃客户在接下来的 30、60 和 90 天内取消订阅的概率。该模型不应是黑箱——对于每个处于风险区的客户，我们需要看到预测的主要驱动因素，以便团队理解原因：活动下降、支付问题、支持票据滞留、价格敏感性或竞争对手的报价，并针对真实原因进行工作，而不是猜测。

除了评分外，我们还需要全面的群体留存分析。显示按注册群体、资费、获取渠道和地区的留存曲线和生存率，以便我们可以确切看到客户生命周期的哪个阶段留存出现问题。系统应将客户分配到可理解的风险组，并在客户超过设定的风险阈值时自动触发留存行动：定向电子邮件、有限折扣、客户经理电话或产品内消息。每个触发的行动都应被记录，以便我们可以在后期衡量哪些措施实际上减少了流失。

我们期望干净可靠的数据管道，按计划进行模型再训练，诚实的质量指标（精确度、召回率、提升、校准），以及一个我们的非技术团队可以每天使用的简单界面，而无需外部帮助。请描述建议的技术栈，您将如何在我们的数据上验证模型，以及现实的时间表。

我们需要的输出：
— 30/60/90 天的流失风险评分及每个客户的驱动因素解释；
— 带过滤器的群体、留存和生存曲线仪表板；
— 自动风险组和可配置的留存行动触发器；
— 定时再训练管道、文档和项目交接。