当运营说出"帮我找出可能流失的用户"，机器学习自动开始了

作为运营负责人，若需在一个月内精准召回潜在流失用户，传统流程往往耗时费力：从撰写需求文档、协调数据团队排期，到算法工程师进行特征工程与模型调优，顺利者需两周，迟缓者则可能错失最佳干预时机。

如今，只需一句自然语言指令：“帮我用机器学习找到未来 30 天可能流失的用户，并创建流失概率标签”，剩余工作即可由系统自动完成。这并非概念演示，而是神策数据 Sensors AI 已落地的核心能力——全自动机器学习。

全自动机器学习是 Sensors AI 的预置核心技能。其核心逻辑在于：用户通过自然语言描述业务目标，系统自动理解任务、映射数据资产、执行全流程建模，并最终交付可用结果。

该功能无需用户具备算法知识或编码能力，无需关注特征工程、过拟合或 AUC 等技术细节。用户仅需基于对业务和数据的理解，校验系统目标的准确性及输出结果的合理性。

系统最终交付两类成果：

一是可直接应用的标签或分群。例如生成“流失概率”标签（0-1 数值），用于精准圈选召回人群；或生成“预测购买金额”标签以识别高潜用户；亦可直接输出 Lookalike 扩展人群包。

二是深度业务洞察。针对如“影响新用户注册后 30 天购买金额的关键因素”等提问，系统在建模后输出关键特征排序、特征值与目标的关系及画像规律，直接指导运营策略制定。

全自动机器学习聚焦用户实体，主要解决“圈人”与“找人”难题，支持五种高频任务类型：

1. 预测用户行为概率
针对“未来 30 天哪些用户会购买/流失”等问题，系统返回每个用户的发生概率，辅助判断高潜或高风险人群，制定差异化触达策略。

2. 预测用户数值指标
针对“用户未来一个月消费金额/停留时长”等问题，输出具体数值预测，助力提前锁定高价值潜客。

3. 预测用户类别归属
在预定义类别（如高/中/低价值）基础上，系统预测用户归属，并输出各类别的典型画像与核心差异特征。

4. 发现用户自然分组
无需预设类别，系统自动挖掘数据中的自然聚类。例如将活跃用户划分为“价格敏感型”、“品牌忠诚型”等，为精细化运营提供依据。

5. 种子人群相似扩展
基于指定的高价值种子人群，系统自动扩展相似用户，并对比分析两组人群的数量、相似度及特征分布，明确扩展人群的共性。

此外，系统支持纯特征挖掘模式：不创建标签或分群，仅输出影响目标的关键特征与画像规则，服务于深度分析需求。

全自动机器学习将复杂流程简化为五个步骤：

1. 描述任务：在对话框中输入自然语言指令，明确预测目标、行为事件、时间范围及输出形式（标签或洞察）。

2. 系统澄清：系统自动映射项目中的事件、属性和标签。若信息缺失或映射失败，系统将主动追问确认，无需人工选择算法或整理数据。

3. 确认任务：系统生成任务卡片，展示理解的目标、映射元数据及预期结果。用户确认无误后执行，如有偏差可直接通过对话修正。

4. 自动执行：系统后台自动完成特征工程、多模型训练、评估与优选全流程。

5. 查看与应用：任务完成后，系统交付模型概要、报告链接及使用建议。报告涵盖算法原理、数据质量解读、效果评估指标、关键特征排名及画像规则。用户可进一步追问细节，并将生成的标签或分群直接导入系统用于营销。

系统还支持创建效果评估与模型更新任务，确保模型随数据变化持续迭代，实现从“一次性项目”到“持续运转机制”的转变。

全自动机器学习是 Sensors AI 企业级 Agent 平台的关键技能组件。主 Agent 作为统一入口调度任务，场景化 Agent（如智能客群圈选、智能策略设计）调用该技能形成端到端增长工作流。例如，先通过预测技能圈出高流失风险用户，再由策略 Agent 设计触达方案并生成营销画布。

神策数据创始人兼 CEO 桑文锋提出，业务增长正经历从 L2（AI 辅助）向 L4（限定场景内 AI 端到端自主完成）演进。全自动机器学习是推动 Agent 从“能分析”迈向“能预测”的关键能力。

同时，神策数据倡导从 CDP（客户数据平台）向 CWM（Customer World Model，客户世界模型）升级。CWM 专为 Agent 设计，不仅存储基础数据，更具备理解用户与预测行为的能力，而全自动机器学习正是构建这一预测能力的核心引擎。

Sensors AI 整体技术架构

场景一：流失预警与主动召回
通过指令生成流失概率标签，按概率高低分层施策：高概率用户推送优惠券，中概率用户推送内容，低概率用户轻触达，实现从“事后补救”到“事前干预”的转变。

场景二：首单至二单转化提升
针对会员漏斗中最大的流失节点，利用数据诊断定位高效“品券组合”，将预算投向转化效率最高的人群。实测数据显示，目标人群二单转化率提升至 1.9 倍。

场景三：高价值用户识别与扩展
以月消费超 5000 元用户为种子，自动扩展两倍相似人群，并输出特征对比分析，明确扩展人群的相似维度，服务于精准营销。

场景四：新品上市精准定向
基于历史行为与浏览偏好训练二分类模型，预测用户购买新品的概率并创建标签，直接用于新品推广的人群定向。

场景五：人群洞察与细分
基于近期购物行为对活跃用户进行聚类分析，自动发现“高频低额”、“低频高额”、“季节性消费”等自然分组及其定义性特征，为差异化运营提供策略依据。

全自动机器学习的核心价值在于重构企业能力分布：

降低门槛：打破算法黑箱，运营与营销人员只需懂业务即可使用，无需依赖专职算法团队。

提升速度：建模周期从数周缩短至一小时，大幅加快试错迭代与市场响应速度。

持续运行：通过自动化评估与更新机制，让增长工作流从“一次性项目”转变为“持续运转的资产”。

结果即资产：输出的标签、分群及模型报告可直接复用，沉淀为企业数据资产。

安全可控：基于 Sensors AI 安全底座，继承权限管理、过程审计与人机协同机制，确保数据合规使用。

神策数据致力于从“交付软件”转向“交付结果”。全自动机器学习让每个业务团队都拥有一位 24 小时在线的“算法工程师”，无需代码与参数调整，一句话即可启动预测模型，打造企业专属的 AI Growth Team。