你的挽留流程正在悄悄製造流失——這個數字證明了一切
第一次真正對某個留存儀表板感到滿意時，我看著的是 30% 的挽留率。點擊「取消」的人當中，有三成最終沒有真的取消。帳面上，那套流程已經把自身成本賺回了十倍有餘。我記得當時心想，最難的部分已經過去了。
接著我把那個數字底下的用戶群拉出來看，一切就對不上了。
其中一些被「挽留」下來的用戶，是不小心點到取消、瀏覽了優惠後才留下來的——他們本來就沒打算走。有些人領了折扣，隔月照樣流失。還有一群更安靜的人更讓我在意：那些在取消視窗期間被我們發過電子郵件的人，就我所知根本沒打算取消。我們把手伸進一位正在續訂的客戶收件匣，說「我們很捨不得您離開」，卻反倒提醒了他們，自己每月正為一個從冬天以來就沒再打開過的東西付著 49 美元。這就是我如今之所以會去打造合乎道德的訂閱留存 AI 時採用現在這套做法的完整原委，也是為什麼我們最終在Veriprajna所推出的系統，一開始就拒絕對所有取消者一視同仁。
挽留率是一個虛榮指標，它把四種截然不同的人混為一個令人自我恭賀的數字。
那 30% 並非你以為的那樣
只要在取消漏斗裡待上一段時間，你就會明白「點擊取消的人」並不是單一群體。他們有四種，而且各自想從你這裡得到相反的東西。
有一種是可說服者——他們會離開，除非得到恰到好處的推力：一項他們不知道存在的功能，或一種契合他們實際使用方式的方案。只有在這類用戶身上，挽留流程才會創造真正的價值。還有一種是穩留者，他們無論如何都會留下；給他們 20% 的折扣，只是在你本已到手的營收上白白燒掉利潤。還有一種是無望挽回者，他們已經決定，不會回頭；一份四頁的盤問只會惹惱他們，最終變成一張客服工單——也正是那種「迷宮式」的體驗，稍後我會談到，正是監管機構如今主動盯上的目標。
然後還有一種是沉睡犬：那些悄悄續訂、本來也會一直續訂下去的客戶，直到你的留存活動把他們喚醒為止。一旦去碰他們，你就製造出了本來根本不會存在的流失。
這個陷阱是結構性的。一套一刀切的挽留流程——每個現成工具預設出貨的那種——把這四種人都當成同一個取消者，對他們全部推送同一份優惠。你的挽留率把穩留者算作勝利，卻對你剛剛失去的沉睡犬隻字不提，因為這些損失從不會出現在取消漏斗裡。它們是以一筆悄然未曾發生的續訂形式呈現的。
那個我本不想做的保留組測試
我很想告訴你，我們從一開始就針對這一點做了設計。並沒有。我支持的第一個留存模型，優化的目標就是挽留率，因為挽留率是會議室裡每個人都信任的數字——它上升了，我們就把它上線了。
真正改變我想法的，是一項我差點懶得去跑的保留組測試。反對它的理由總是一樣：為什麼要刻意不對某個對照組啟用挽留流程，白白「損失」本來能挽回的那些人？我還是跑了，主要是想有個乾淨的基準。結果出來時，實驗組——也就是被我們「幫助」過的那群用戶——的流失率竟然更高——比我們放任不管的那個對照組還要高。
我盯著那張表看了很久。我們並沒有在降低流失。在某一部分受眾身上，我們是在製造流失。
事實證明，我們重蹈了一個有據可查的覆轍。挪威電信商 Telenor 推行的留存活動，使實驗組的流失率比對照組約高出 2%——他們之所以發現，只因為做了一次像樣的保留組測試。大多數訂閱業者從不這麼做。他們會 A/B 測試哪一種優惠的轉換效果最好，卻從不追問那個更靠前的問題，也就是：介入本身究竟有沒有幫助。令人不安的算術是：一家擁有 20 萬訂閱者、每月自願流失率 3% 的公司，每月約有 6,000 名有取消意圖的用戶，而業界研究指出其中 10–20% 屬於沉睡犬。聯繫全部 6,000 人——這正是預設工具的做法——你每個月就是在推動 600 到 1,200 人走向一個他們本來不會做出的取消。以每位用戶平均營收 50 美元計算，這相當於每年有 36 萬到 72 萬美元的營收，是被你自己的留存系統親手摧毀的。
我們並沒有流失問題。我們有的是一套會製造流失的留存系統，而它把這些流失藏在一個只計算勝利的指標裡。
為什麼一個更聰明的流失模型不能直接解決這個問題？
我的第一直覺，是讓自己變得更聰明，把預測做得更好。如果問題出在我們聯繫錯了人，那麼一個更好的流失模型——一個能評分出誰最可能離開的模型——想必就能解決它。
並不能，而原因正是整件事的核心。標準的流失預測回答的是「誰可能離開？」但一隻沉睡犬和一個可說服者，在離開機率模型上可能得到完全相同的分數，卻需要相反的處置。真正重要的問題，不是誰會離開。而是誰會離開，就因為你的介入；又或者誰會留下，正是因為它——而預測型模型在結構上就無法回答這個問題，因為它從來看不到反事實。
這個反事實問題有個名字：增益建模，也就是估計條件平均處理效果（CATE）——即某位特定用戶行為的變化，是由於介入所造成的，而非僅僅與其用戶特徵相關。金融服務業比 SaaS 更早想通了這一點；那裡的增益模型持續勝過預測型模型，並讓留存支出真正變得有利可圖，因為他們不再把錢花在那些無論朝哪個方向、心意都已定的人身上。
但有個關鍵——這正是任何向你兜售「留存平台」的人都不會提的部分——增益建模需要實驗數據。隨機化的保留組，或強工具變數。你無法把它硬套進一個從頭到尾只向所有人展示同一畫面的流程，因為你根本沒有任何記錄，不知道當你不介入時會發生什麼。大多數訂閱公司從未蒐集過那種數據。正是同一個盲點，讓 82% 的 SaaS 公司提供促銷定價，卻只有 36% 能衡量它是否帶來任何回報。你無法管理一個你從未衡量過的處理效果。
這件事不再只是利潤問題的那個 25 億美元理由
有一段時間，我把這一切當成一個關於優化取捨的故事——要嘛把錢留在桌上，要嘛不留。然後，做錯的代價變動了三個數量級。
2025 年 9 月，FTC 就 Prime 一案與 Amazon 達成和解，金額為25 億美元——包括 10 億美元的罰款外加 15 億美元的退款，是該機構史上針對違規行為開出的最大罰單。核心問題在於取消體驗：所謂的「Iliad 流程」，一道四頁、六次點擊、十五個選項的關卡，投訴書指出它在未取得明確同意的情況下讓 3,500 萬人加入了訂閱。同一年，Vonage 因一套隱藏的取消機制、以及在客戶要求停止後仍持續收費，付出了 1 億美元；Epic Games 以 2.45 億美元和解。Chegg 與 HelloFresh 各付了 750 萬美元。如今 Uber 也牽涉其中——FTC 的投訴書描述 Uber One 取消一次最多需要 23 個畫面、32 個動作，而到 2025 年 12 月，已有 21 個州加上華盛頓特區加入。
人們以為，FTC 的「一鍵取消」規則在 2025 年 7 月被第八巡迴上訴法院撤銷，壓力就此解除。事實恰恰相反。該規則是敗在一個程序上的技術性瑕疵——該機構略過了一項必要的法規分析——而不是敗在任何「暗黑模式沒問題」的裁定上。執法只是繞了過去，回到 ROSCA 以及《FTC 法》第 5 條，這兩者在該規則存在之前就已經在做這件事。FTC 已於 2026 年 1 月發出新公告，重啟了負選擇（negative-option）規則的制定。
而這裡有一個我希望更多產品團隊能真正內化的操作性事實：ROSCA 並不要求監管機構證明某種被具體指名的暗黑模式，它只要求他們證明取消並不「簡單」。這個門檻遠低於多數公司在設計時所對標的標準。我給團隊的粗略檢驗法簡單得近乎殘酷——如果你的取消流程比註冊流程步驟還多，你就已經有風險暴露了。
這個法律檢驗簡單到近乎侮辱人：如果離開比加入需要更多步驟，監管機構就已經握有它大半的立案理由了。
你其實是在對標哪一州的法律？
另一件讓這件事真正棘手的事——比只有單一規則時更棘手——是根本沒有單一規則。聯邦層級的底線移動了，但各州並沒有坐等。
加州的自動續訂法於 2025 年 7 月修正生效，要求取消必須能在線上「立即取用」，並新增了一項「單次挽留（One Save）」規則，限制你每次取消只能提供一份留存優惠——這悄悄地讓多數流程賴以為生的多畫面優惠關卡變成非法。紐約則要求，凡是在線上註冊的任何服務，都必須提供純線上的取消方式。馬里蘭州有自己的揭露時程；康乃狄克州要求提供續訂前通知。如果你的客戶橫跨多州，你的合規底線就不是平均值——而是最嚴格的、你的訂閱者當中任何一人所受其約束的那部法律。
我曾坐在那條底線的另一頭，參與那些 ROSCA 審查——外部法律顧問到那時才第一次看到成長團隊幾個月前為拉高挽留率而上線的流程，如今卻得在事後為它辯護。行銷團隊週二在 A/B 測試取消文案；法務則是每季審查一次流程，如果真有審查的話。凡是在這兩個時鐘之間的空窗期上線的一切，都是沒有任何人真正簽核過的風險暴露。那個空窗，是整幅圖景中代價最高的單一環節，而它之所以存在，是因為優化漏斗的人和要為它負責的人，在不同的時程上看著不同的畫面。
還有一條更新的前線，也是我盯得最緊的一條。2026 年 1 月，FTC 對 JustAnswer 採取行動，起因是一個名為「Pearl」的 AI 聊天機器人，據稱把消費者引導進入週期性收費——這是首批針對AI 代理、且身處訂閱流程之中者所採取的執法行動之一。對任何把大型語言模型硬接到自家挽留流程上的人來說，這個教訓格外沉重：一個增加對話摩擦、或靠「確認羞辱」來勸人別離開的 AI，會被以與人工暗黑模式相同的標準來評判。甚至可能是更嚴苛的標準，因為它把操縱規模化，還把自己用來操縱的每一個字都記錄了下來。
我們實際打造了什麼
所以我們最後打造出來的系統，並不是單一模型。它是三項能力，而市場很奇怪地只把它們分開來賣。
第一項是因果分群——這些增益模型會連接到你的計費事件串流，也就是從 Stripe、Chargebee 或 Recurly 流出的取消意圖時間戳與方案變更的即時資料，並依據每位取消用戶的估計處理效果、而非其離開機率，把他們分類到可說服者、穩留者、無望挽回者或沉睡犬。沉睡犬會得到所有介入之中最寶貴的一種：沉默。第二項是一套圍繞這些分群設計的取消流程，它守在法律底線之內——在「單次挽留」適用之處只提供單一優惠，在紐約要求之處提供線上取消，離開所需的摩擦絕不多於加入。第三項是我從沒見過任何人推出的部分：自動化稽核，它會讀取一套流程——包括一個 AI 代理的實際對話記錄——並標記出暗黑模式行為，趕在它上線之前，而不是等某位州檢察長替你把它標記出來之後。
我去尋找一個能同時做到這三件事的現成工具，結果並不存在。Chargebee Retention 和 ProsperStack 打造出確實不錯的取消體驗，也會優化優惠，但它們對每一個取消者一視同仁，分不出可說服者和沉睡犬。Pega 能在企業規模上做次佳行動決策，但它是一個老舊平台，導入費用動輒五十萬美元起跳，而且完全不做合規稽核。客戶成功平台會為流失風險評分，卻不碰取消那個當下。至於 AI 挽留代理，根本沒有人去稽核。那片連結組織——因果模型，加上合規的流程設計，再加上暗黑模式稽核，並接進你早已擁有的計費系統——正是那道缺口，也正是我們所在之處。
我每次都會聽到的那些反對意見
第一個永遠是：一套更「友善」、摩擦更少的取消流程，難道不會直接掏空我的留存嗎？實際上恰恰相反，因為摩擦從來就不是留住可說服者的原因——留住他們的是一份切題的優惠，而摩擦大多只是激怒了無望挽回者，並喚醒了沉睡犬。去掉摩擦、瞄準優惠，你就不再為自己一手製造的流失買單。
第二個：我們已經在大力打折了，那不就是留存嗎？那是一種昂貴而且拖著後遺症的留存。留存折扣的中位數約為 16.7%——大致相當於免費兩個月——而被大幅打折的客戶，之後的留存率還會惡化 15–20%。你並不是在挽留他們；你是在虧本把他們租下來，然後把時鐘重新歸零。
第三個，也是最誠實的一個：我們從沒跑過保留組，所以完全不知道哪一群是哪一群。那並不表示你出局了——那是起跑線。我們當初也是從那裡起步的，帶著一個我引以為傲的儀表板，和一項我差點跳過的測試。你可以了解我們如何看待這套系統的打造，就在Veriprajna 解決方案頁面，但第一步永遠一樣：先衡量當你什麼都不做時會發生什麼。
30% 的挽留率告訴我，我贏了。而一項保留組測試告訴我，在我自己客戶的某一部分身上，我忙著清點的那些挽留，正被我悄悄勸退、使其不曾發生的續訂給抵銷掉。留存中真正重要的數字，從來都不是你阻止了多少次取消。而是：如果你乾脆放著那個人不管，他本來會不會留下——在你能為每一位用戶回答這個問題之前，你並不是在留住客戶。你是在花掉利潤，去弄清楚自己即將失去哪些人。
