你的挽留流程正在悄悄制造流失——这个数字揭穿了它
我第一次真正为一块留存仪表盘感到欣慰时，看到的是30%的挽留率。在点击“取消”的人当中，有30%最终并没有真的取消。账面上，这套流程带来的收益早已是其成本的十倍。我记得当时心想，最难的部分已经过去了。
然后我把这个数字背后的用户群拉出来细看，一切就说不通了。
有些被“挽留”下来的用户，是不小心点了取消，浏览了一下优惠，然后就留下了——他们本来就没打算走。有些人领了折扣，第二个月照样流失。而有一群更安静的用户更让我不安：他们是我们在其取消窗口期发过邮件的对象，可据我判断，他们压根就没打算取消。我们伸手进一位正在续费的客户的收件箱，对他说“我们真舍不得你走”，还提醒他，他每个月仍在为一个自去年冬天起就再没打开过的东西支付49美元。这正是为什么我如今会去构建合乎伦理的订阅留存AI时采用现在这套做法，以及为什么我们最终在Veriprajna交付的这套系统，一开始就拒绝对所有取消用户一视同仁。
挽留率是一个虚荣指标，它把四类截然不同的人揉进了同一个自我恭喜的数字里。
那30%并不是你以为的那样
只要在取消漏斗里待上一段时间，你就会明白，“点击取消的人”并不是同一类人群。他们其实分为四类，而且想从你这里得到的东西彼此相反。
有一类是可挽回者——如果得不到恰当的推动，他们就会离开：一个他们不知道存在的功能，一套契合他们真实使用方式的套餐。只有对这类用户，挽留流程才创造出真正的价值。还有一类是铁定留存者，无论如何他们都会留下；给他们一个20%的折扣，只是在你早已到手的收入上白白烧掉利润。还有一类是无可挽回者，他们已经决定，不会再回来了；一场四页纸的盘问只会激怒他们，最终变成一张客服工单——而且正是那种“迷宫般”的体验，我后面会讲到，如今监管机构盯的就是这个。
然后还有一类是沉睡客户：这些客户一直在默默续费，本来也会继续续下去，直到你的留存活动把他们惊醒。只要碰他们，你就制造出本来根本不会发生的流失。
这个陷阱是结构性的。一刀切的挽留流程——也就是每一款现成工具默认自带的那种——把这四类都当成同一种取消用户，对所有人跑同一套优惠。你的挽留率把铁定留存者算作胜利，却对你刚刚失去的沉睡客户只字不提，因为这些损失从来不会出现在取消漏斗里。它们表现为一次悄无声息、根本没有发生的续费。
那个我本不想做的保留对照测试
我很想告诉你，我们从一开始就针对这一点做了设计。但我们没有。我支持的第一个留存模型，优化的正是挽留率，因为挽留率是当时会议室里每个人都信任的数字；它涨了，我们就上线了。
改变我想法的，是一个我差点懒得去做的保留对照测试。反对它的理由永远都一样：为什么要故意对一个对照组不上挽留流程，白白“损失”那些本可以挽回的用户？我还是做了，主要是为了拿到一条干净的基线。结果出来时，处理组——也就是那些被我们“帮助”过的用户——其流失率反而更高——高于我们放着没管的那个对照组。
我盯着那张表看了很久。我们并没有在减少流失。在其中一部分受众身上，我们是在制造流失。
原来，我们重新发明了一个早有记录在案的错误。挪威电信运营商Telenor开展的留存活动，导致处理组的流失率比对照组高出约2%——他们之所以发现，仅仅是因为做了一次像样的保留对照。大多数订阅企业从来不做。他们只做A/B测试，看哪种优惠转化最好，却从不追问一个更前置的问题：干预究竟是否有帮助。一笔让人不舒服的账：一家拥有20万订阅用户、每月自愿流失率为3%的公司，每月大约会出现6,000名有取消意图的用户，而行业研究认为其中10–20%属于沉睡客户。联系全部6,000人——这正是默认工具的做法——你就是在每个月把600到1,200人，推向一个他们本来不会做出的取消决定。按每用户平均收入50美元计算，这相当于每年有36万到72万美元的收入，被你自己的留存系统亲手毁掉。
我们没有流失问题。我们有的，是一套正在制造流失的留存系统，而它把这些流失藏进了一个只统计胜利的指标里。
为什么一个更聪明的流失模型不能直接解决这个问题？
我最初的本能反应，是想变得更聪明，把预测做得更准。如果问题在于联系了错误的人，那么一个更好的流失模型——一个能给“谁最可能离开”打分的模型——想必就能解决它。
它并不能，而原因恰恰是整件事的核心。标准的流失预测回答的是“谁可能会离开？”但沉睡客户和可挽回者，在一个“离开可能性”模型上可能得到完全相同的分数，却需要相反的对待方式。真正重要的问题不是谁会离开，而是谁会离开，正是因为你的干预；又或者谁会留下，也正是因为它——而一个预测模型在结构上根本无法回答这个问题，因为它从来看不到反事实的情形。
那个反事实问题有一个名字：增量建模，或者说估计条件平均处理效应——即某位特定用户的行为变化，其成因是干预本身，而不只是与其画像相关。金融服务界比SaaS更早想通了这一点；那里的增量模型持续跑赢预测型模型，并让留存投入真正变得有利可图，因为它们不再把钱花在那些心意已定、无论朝哪个方向都不会改变的人身上。
问题在于——而这正是任何向你兜售“留存平台”的人都不会提的部分——增量建模需要实验数据。随机化的保留对照，或者强工具变量。你无法把它硬套到一个从头到尾只给所有人看同一个屏幕的流程上，因为你根本没有记录，当你不干预时会发生什么。大多数订阅公司从来没有收集过这类数据。正是同一个盲区，让82%的SaaS公司提供促销定价，却只有36%能衡量它是否带来任何回报。你无法管理一个你从未衡量过的处理效应。
让这件事不再只是一个利润率问题的25亿美元理由
有一阵子，我把这一切都当成一个优化故事——要么把钱留在桌上，要么不留。后来，做错的代价发生了三个数量级的变化。
2025年9月，FTC就Prime一事与亚马逊达成和解，金额为25亿美元——其中10亿美元为罚款，另加15亿美元退款，是该机构历史上针对违规行为开出的最大罚单。核心问题正是取消体验：那个所谓的“伊利亚特流程”（Iliad Flow），一道四页、六次点击、十五个选项的关卡，起诉书称它在没有明确同意的情况下让3,500万人订阅。同一年，Vonage因一套隐藏的取消机制，以及在客户要求停止后仍继续扣费，支付了1亿美元；Epic Games以2.45亿美元和解。Chegg和HelloFresh各支付了750万美元。Uber如今也卷入其中——FTC的起诉书称，取消Uber One最多要经过23个屏幕、32个操作，到2025年12月，已有21个州加上华盛顿特区加入。
人们以为，FTC的“一键取消”规则在2025年7月被第八巡回上诉法院撤销，压力就此解除。事实恰恰相反。该规则倒在一个程序性技术问题上——该机构略过了一项必需的监管分析——而不是因为有任何裁定认定暗黑模式没问题。执法只是绕开它，回到了ROSCA和《FTC法案》第5条，早在该规则出现之前，就是它们在做这件事。FTC于2026年1月以一份新的通告重启了负面选项（negative-option）规则制定。
而这里有一个我希望更多产品团队真正记在心里的操作性事实：ROSCA并不要求监管机构证明某个具体命名的暗黑模式。它只要求他们证明取消不“简单”。这个门槛远低于大多数公司所设防的水平。我给团队的粗略判断标准，简单得近乎残酷——如果你的取消流程比注册流程的步骤还多，你就已经暴露在风险之下了。
这条法律判定标准简单得几乎有些侮辱人：如果离开比加入需要更多步骤，那么监管机构就已经掌握了它大部分的立案理由。
你到底是在按哪个州的法律来搭建？
另一件让这件事真正棘手的事——比只有一条规则要棘手得多——是根本没有一条统一的规则。联邦层面的底线动了，但各州并没有等。
加州的自动续订法，自2025年7月起修订生效，要求取消必须能在线“即时访问”，并新增了一条“一次挽留”（One Save）规则，把你限制为每次取消只能提供一个留存优惠——这悄悄地让大多数流程所依赖的多屏优惠关卡变成了违法。纽约州要求，凡是在线注册的东西都必须能在线取消。马里兰州有自己的披露时限规定；康涅狄格州要求提供续订前通知。如果你的客户遍布各州，你的合规底线不是平均水平——而是最严格的那部法律——即你订阅用户群里任何一个人所受其管辖的法律。
我曾坐在那条底线的另一边，在那些ROSCA审查里，外部法律顾问终于看到了增长团队几个月前为提升挽留率而上线的流程——如今却不得不在事后为它辩护。营销团队在周二对取消文案做A/B测试；法务顶多每季度审查一次这些流程。凡是在这两个时钟之间的窗口期里上线的东西，都是无人真正签字批准的风险敞口。那个窗口是整幅图景中代价最高的一环，而它之所以存在，是因为优化漏斗的人和为漏斗负责的人，在按不同的节奏、看着不同的屏幕。
还有一片更新的疆域，也是我盯得最紧的一片。2026年1月，FTC对JustAnswer采取行动，起因是一个名为“Pearl”的AI聊天机器人，据称它把消费者诱导进了周期性扣费——这是首批针对订阅流程中AI智能体的执法行动之一。对任何想把大语言模型硬接到自家挽留流程上的人来说，这个教训分量很重：一个增加对话摩擦、或靠“确认羞辱”来劝人别走的AI，会被按照与人工暗黑模式相同的标准来评判。甚至可能是更严苛的标准，因为它把操纵行为规模化了，还把它用过的每一个字都记录在案。
我们究竟造了什么
所以，我们最终搭建的系统并不是一个模型。它是三种能力，而奇怪的是，市场上只把它们分开来卖。
第一种是因果分群——增量模型接入你的计费事件流，也就是从Stripe、Chargebee或Recurly里流出的取消意图时间戳和套餐变更的实时数据，并根据每个取消用户的估计处理效应，而非其离开可能性，把他们归入可挽回者、铁定留存者、无可挽回者或沉睡客户。沉睡客户得到的是所有干预中最有价值的一种：沉默。第二种是围绕这些分群设计的取消流程，它始终守在法律底线之内——在“一次挽留”适用之处只给单一优惠，在纽约州要求之处提供在线取消，离开的摩擦绝不多于加入。第三种，是我从没见过任何其他人做出来的部分：自动化审计，它会读取一个流程——包括AI智能体的真实对话记录——并在它上线之前就标记出暗黑模式行为，而不是等某个州的总检察长替你把它标记出来之后。
我去找过一款能同时做到这三件事的现成工具，结果并不存在。Chargebee Retention和ProsperStack打造了确实优秀的取消体验，也会优化优惠，但它们对每个取消用户都一视同仁，分不清可挽回者和沉睡客户。Pega能在企业级规模上做次优行动（next-best-action）决策，但它是一个老旧平台，实施费用起步就在五十万美元左右，而且在合规方面什么都不审计。客户成功平台会给流失风险打分，却不触碰取消那一刻。至于那些AI挽留智能体，根本没有人去审计。真正把这一切串起来的连接组织——因果模型，加上合规的流程设计，加上暗黑模式审计，接入你早已拥有的计费系统——正是那个缺口，而我们就活在这个缺口里。
我每次都会听到的那些反对意见
第一个永远是：一个“更友善”、摩擦更低的取消流程，难道不会直接掏空我的留存吗？实际上恰恰相反，因为留住可挽回者的从来不是摩擦——是一个相关的优惠留住了他们，而摩擦大多只是激怒了无可挽回者、惊醒了沉睡客户。去掉摩擦，瞄准优惠，你就不再为自己一手制造的流失买单了。
第二个：我们已经在大力打折了，这难道不算留存吗？这是一种带后遗症的昂贵留存。留存折扣的中位数约为16.7%——大致相当于免两个月——而被大幅打折的客户，之后的留存率会再差15–20%。你不是在挽留他们；你是在亏本租用他们，并把时钟重新归零。
第三个，也是最诚实的一个：我们从没做过保留对照测试，所以完全不知道哪一组是哪一组。这不是取消资格的理由——这是起跑线。我们当初也是从这里出发的：一块我曾引以为傲的仪表盘，加上一个我差点跳过的测试。你可以在Veriprajna解决方案页面上读到我们是如何着手搭建的，但第一步永远相同：先衡量当你什么都不做时会发生什么。
30%的挽留率告诉我，我赢了。而一个保留对照测试告诉我，在我自己一部分客户身上，那些我忙着清点的挽留，正被一些续费抵消掉——那些续费本来会发生，却被我悄悄劝退了。留存中真正重要的数字，从来不是你拦下了多少次取消。而是如果你干脆放着这个人不管，他会不会照样留下——在你能对每一个用户回答这个问题之前，你并不是在留住客户。你是在花掉利润，去弄清自己即将失去的是哪些人。
