先講一個殘酷的數字對比：拉一個新客的成本，通常是留住一個舊客的五到七倍；而把流失率降低 5%，利潤可能提升 25% 以上。但大部分品牌的行銷預算，九成砸在拉新，留存幾乎是靠緣分。這不是因為老闆不懂數字，而是因為流失是安靜發生的，它不會發推播通知你「這位客人要走了」。
更關鍵的觀念是：顧客從來不是突然消失的，他是一步一步變冷的，只是你沒在看那些訊號。他先是拉長了回購間隔，接著不再點開你的信，然後退出了你的通知，最後才在你的報表上變成一個沉睡的數字。等你發現他不見了，往往已經是離開後三個月，那時要挽回，難度翻好幾倍。這篇要教你的，是在他還沒走的時候，就把雷達架起來。
流失不是一個瞬間，而是一段旅程
要做預警，第一步是打破「流失＝取消訂閱」這個誤解。對多數電商來說，客人根本不會來按退訂，他只是默默不再回來。所以你要先為自己的品類定義出「流失」到底長什麼樣子。
方法是算出你的自然回購週期。把回頭客的兩次購買間隔全部拉出來看中位數，假設你的保養品客人平均 45 天回購一次，那麼超過 90 天（兩個週期）沒下單，就該亮黃燈；超過 135 天（三個週期），亮紅燈。沒有一個放諸四海的天數，咖啡豆的流失定義跟床墊的流失定義天差地別，關鍵是用你自己資料算出來的週期。
定義好之後，你會發現流失是一條有階段的旅程：活躍、開始降溫、風險期、沉睡、真流失。每個階段該做的事完全不同。在風險期用力還來得及，等到真流失才動作，就變成成本高昂的喚醒戰了。預警系統的價值，就是把你的介入點從「事後喚醒」往前移到「事前挽留」。
三種流失訊號：組成你的顧客雷達
單看購買間隔還不夠，因為等他購買間隔拉長，其實已經有點晚。真正靈敏的雷達，要同時盯三類訊號，我把它叫做「降溫三兆」：
- 交易訊號：回購間隔拉長、客單價下滑、只買促銷品不買正價品、購買品類變窄。這是最直接但最晚出現的訊號。
- 互動訊號：EDM 開信率連續下降、推播不再點、LINE 已讀不回、官網瀏覽頻率降低。這比交易訊號更早出現，是絕佳的領先指標。
- 體驗訊號：出過一次客訴、退過貨、給過低分評價、物流出過包。這些是引爆流失的地雷，一次糟糕體驗就可能讓一個好客人默默離開。
把這三類訊號組合起來看，威力遠大於單看任何一個。舉例，一個客人購買間隔還沒到紅燈，但他這個月連三封信都沒開、上週剛客訴過一次退貨——這三個訊號疊在一起，就算交易數字還沒亮燈，他其實已經在門口了。單一指標會騙你，訊號疊加不會，流失預警的精髓是交叉比對而不是盯著單一數字。
攔截要靠行銷與傳播的精準配合
雷達抓到人只是第一步，能不能留住他，取決於你用什麼話、透過什麼管道去接觸。這裡最大的錯誤，是不分階段一律丟折扣券。對一個只是最近有點忙、還沒真的想走的風險客，你劈頭就給他八折，等於主動訓練他「不買到冷掉就有折扣拿」，反而養壞了整批客人的胃口。
正確做法是讓訊息設計對應流失階段。在降溫初期，你要做的是提醒與陪伴，不是促銷。可以推一封「你上次買的補充包差不多該用完了」的貼心提醒，或是分享一篇跟他買過的產品有關的內容，用價值把他勾回來。到了風險期，才開始加入一點誘因，但重點放在「我們注意到你，這是給你的專屬安排」，讓他感受到被在乎，而不是被當成待收割的名單。
管道的選擇也要跟著走。互動訊號告訴你他哪個管道還活著——如果他不再開信但還會看 LINE，那你的挽留訊息就該走 LINE 而不是硬發 EDM。流失挽回的傳播原則是：在他還願意聽你說話的地方，說他此刻願意聽的話。這需要會員經營（找出風險客）、行銷（設計觸達流程）、傳播（設計訊息與語氣）三個環節無縫接手，任何一環斷掉，攔截就失敗。
用 AI 把「事後補救」變成「事前預測」
傳統的流失預警是規則式的，例如「超過 90 天沒買就標風險」。這種規則很好懂，但它是後照鏡，看的是已經發生的事。AI 能做的，是把後照鏡換成擋風玻璃——預測每個客人未來會不會流失。
具體做法是訓練一個流失預測模型，餵給它每個客人的 RFM、開信互動、客服紀錄、瀏覽行為等特徵，讓它輸出一個「未來 30 天流失機率」。當某個客人的機率突破門檻，系統就自動把他推進挽留流程：觸發個人化推播、通知客服專員一對一關懷、或推播他曾經瀏覽卻沒買的商品。整條線可以做到不用人盯著報表。
在訊息端，生成式 AI 也能大幅提升效率。一個實用的提示詞範例是：「你是台灣電商的會員關懷專員。這位客人是我們的高價值客，過去每月回購精品咖啡豆，但已 80 天未下單，且最近一次客服是抱怨物流延遲。請寫一封挽回訊息，先真誠為物流體驗致歉，再自然帶出他常買的新產季豆款，語氣要像熟識的店員，全文 120 字內，不要用制式罐頭語句。」你會得到一封帶著同理心、而非公式化的挽回訊息。
但務必誠實看待 AI 的限制。第一，模型會告訴你誰要走，但不會告訴你為什麼走，是價格、是體驗、還是競品搶人，這需要你自己搭配問卷或訪談去補。第二，預測有偽陽性，模型可能把只是購買週期本來就長的人誤判為流失，若你對他狂發挽留反而顯得打擾。第三，模型的準度高度依賴資料品質，客服紀錄如果沒好好結構化，這條最有價值的體驗訊號就餵不進去。AI 給你的是一份優先關注名單，不是一份免死金牌，真正把人留下的，仍是那句寫進他心裡的話。
劃重點：把流失率變成可管理的數字
回到最開始那個殘酷對比，留存的投報率遠高於拉新，但它需要系統，不能靠緣分。整篇的重點濃縮成一句：不要等客人消失才行動，要在他變冷的那一刻就伸手。
落地的順序是：先用自己的訂單資料算出自然回購週期，據此定義黃燈與紅燈；接著把互動訊號與體驗訊號也接進來，做交叉比對而非單看購買間隔；然後為不同流失階段設計不同的訊息與管道，初期用陪伴、風險期才加誘因；最後行有餘力再導入 AI 預測，把介入點往前推。破除的最大迷思是「流失是無法預測的意外」——不，流失是一連串你收得到、卻沒去看的訊號。把雷達架起來，流失率就從一個你只能事後嘆氣的結果，變成一個你可以主動管理的數字。