每天给客户流失风险打分并生成诊断建议

原文要点

原作者iamvaar的n8n流程每天07:00运行：从Postgres的v_customer_drift_features视图拉客户漂移特征，用规则代码算风险分数、等级和支持信号；只对超过阈值的中高风险客户回查support_tickets和communications表取近期工单与沟通上下文；Gemini经LangChain代理生成结构化诊断、证据和建议动作，并校验AI引用的信号ID必须来自已知规则信号；合并后写入drift_assessments表并定紧急程度和到期日，可执行的中高风险案例发Slack提醒。作者另附YouTube演示视频。

这次做成什么

在已有客户数据的前提下，搭一条每天早上自动给客户流失风险打分、只对高风险客户生成AI诊断并推送到Slack的巡检流程。因原模板未给出提示词与建表细节，本文提供本站独立编写的诊断提示词、评分规则示例和合成测试数据。

准备什么

• 可访问的n8n实例，能配置Postgres、Google Gemini（PaLM）和Slack三类凭据
• 一个Postgres数据库，含v_customer_drift_features视图、support_tickets与communications表
• 用于写结果的drift_assessments表（含分数、等级、诊断、Slack文案等列）
• Google Gemini API密钥，供LangChain聊天模型节点调用
• Slack工作区及一个用于接收告警的频道ID

具体怎么做

1. 准备数据库对象与测试数据

   在Postgres建好v_customer_drift_features视图（暴露customer_id、登录频率、工单数、使用时长变化等特征列）、support_tickets、communications和drift_assessments表。先用artifacts中的合成CSV导入几条测试客户，避免直接跑真实生产数据。

2. 定时触发与拉取特征

   新建工作流，加Schedule Trigger设每天07:00（也可先手动执行）。接Postgres节点，Execute Query：SELECT * FROM v_customer_drift_features，输出每个客户一行特征。

3. 规则评分与阈值分支

   接Code节点编写评分逻辑（见artifacts示例代码）：按信号加权算出score，划分low/medium/high等级并产出signal_ids列表。接IF节点，只让score超过阈值（示例设为60）的中高风险客户进入AI分支，低风险直接走合并且不调用AI，控制调用量。

4. 补上下文并生成AI诊断

   中高风险分支先接两个Postgres查询，按customer_id取近30天工单和沟通记录，合并进同一item。接LangChain Agent节点挂Google Gemini聊天模型，系统消息用artifacts中的诊断提示词，要求输出含signal_ids引用的严格JSON；之后用Code节点校验返回的每个信号ID都在规则产出的已知ID集合内，不在则丢弃该条证据。

5. 写库与Slack告警

   Merge节点合并AI诊断结果与低风险结果，Code节点组装统一记录：分数、等级、诊断、urgency（high→紧急、medium→一般）、due_date和Slack消息文本。Postgres节点INSERT进drift_assessments表。最后IF节点筛出可执行的中高风险案例，接Slack节点Post Message到目标频道。

可直接复制的材料

你是客户成功团队的流失风险分析师。用户会给你一位客户的规则风险评分、触发信号列表（每个信号有唯一ID）以及近30天工单和沟通记录。
请严格输出如下JSON，不要输出任何其他文字：
{"diagnosis": "不超过80字的漂移诊断", "evidence": [{"signal_id": "必须来自输入信号列表的ID", "detail": "该信号对应的证据"}], "recommended_action": "一条具体可执行的下一步动作"}
硬性规则：evidence中的每个signal_id必须逐字来自输入提供的信号ID集合，禁止编造新ID；没有足够证据时evidence可为空数组但要在diagnosis中说明依据不足。

const SIGNALS = {
  LOGIN_DROP: { w: 25, desc: '登录频率环比下降超50%' },
  TICKET_SPIKE: { w: 20, desc: '近30天工单数翻倍' },
  USAGE_DROP: { w: 25, desc: '核心功能使用时长下降超40%' },
  NO_REPLY: { w: 15, desc: '超过14天未回复任何沟通' },
  NPS_LOW: { w: 15, desc: '最近NPS评分低于6' }
};
const THRESHOLD = 60;
return items.map(item => {
  const f = item.json;
  const ids = [];
  if (f.login_drop_pct > 50) ids.push('LOGIN_DROP');
  if (f.tickets_30d >= 2 * f.tickets_prev_30d && f.tickets_30d > 1) ids.push('TICKET_SPIKE');
  if (f.usage_drop_pct > 40) ids.push('USAGE_DROP');
  if (f.days_since_reply > 14) ids.push('NO_REPLY');
  if (f.last_nps != null && f.last_nps < 6) ids.push('NPS_LOW');
  const score = ids.reduce((s, id) => s + SIGNALS[id].w, 0);
  const level = score >= 80 ? 'high' : score >= THRESHOLD ? 'medium' : 'low';
  return { json: { ...f, score, level, signal_ids: ids, send_to_ai: score >= THRESHOLD } };
});

customer_id,customer_name,login_drop_pct,tickets_30d,tickets_prev_30d,usage_drop_pct,days_since_reply,last_nps
C-1001,岚图文创,62,4,1,55,21,4
C-1002,澄迈物流,10,0,0,5,2,9
C-1003,栖云教育,70,3,3,48,20,7

{
  "operation": "insert",
  "table": "drift_assessments",
  "columns": {
    "customer_id": "={{$json.customer_id}}",
    "score": "={{$json.score}}",
    "level": "={{$json.level}}",
    "diagnosis": "={{$json.diagnosis || '规则评分未达AI诊断阈值'}}",
    "recommended_action": "={{$json.recommended_action || '继续观察'}}",
    "urgency": "={{$json.level === 'high' ? 'urgent' : 'normal'}}",
    "due_date": "={{$json.level === 'high' ? new Date(Date.now()+3*86400000).toISOString().slice(0,10) : new Date(Date.now()+14*86400000).toISOString().slice(0,10)}}",
    "slack_text": "={{$json.slack_text}}"
  }
}

输入与输出示例

本站虚构演示，诊断文案为示意而非Gemini实际输出，未真实运行该流程。

输入

导入合成测试数据后手动执行一次：C-1001岚图文创登录降62%、工单4对1、使用降55%、21天未回复、NPS=4；C-1002澄迈物流各项正常。

对应输出

C-1001命中5个信号得100分判high，进入AI分支，drift_assessments新增一行：score=100, level=high, urgency=urgent, diagnosis示意“核心使用与互动全面下滑，存在明确流失迹象”，recommended_action示意“48小时内由客户成功经理电话回访并安排产品培训”；Slack频道收到该客户告警。C-1002得0分判low，写库但不调用AI、不发Slack。

做完检查这些

• 手动执行一次后，drift_assessments表的行数与视图客户数一致，每个客户恰好一条评估
• 低风险客户（如C-1002）的记录中diagnosis为占位文本，且Gemini节点从未被触发
• AI返回JSON中每个evidence的signal_id都能在规则产出的signal_ids列表中找到，找不到时该证据被剔除
• Slack频道只收到level为medium或high且有建议动作的客户告警，文本含客户名、分数和建议动作

容易卡住的地方

• v_customer_drift_features视图、support_tickets、communications、drift_assessments四个对象缺一即报错，先用合成数据验证再切真实库
• Gemini经LangChain代理调用，凭据需建在LangChain聊天模型节点上而不是普通HTTP节点
• 不校验AI引用的信号ID会让诊断引用不存在的证据，校验节点不能省
• 阈值过低会把大量客户送进AI分支，Gemini调用量与费用随之上升，先用小样本观察分数分布
• 每天07:00是原作者设定的默认值，可按团队作息调整cron
• 模型调用按量计费，免费的是模板本身