2019年11月底，正式试行了9年的携号转网政策在全国全面落地。这项初衷是打破号段锁定、让用户"用脚投票"的惠民政策，在运营商一侧却直接演化为存量时代的留人攻防战。用户的转网成本被压到接近于零——不用换号、不用通知通讯录——这意味着任何一个高价值用户的流失，都可能发生在一次信号投诉、一次账单争议、一次套餐比价之后。
据工信部公开数据，携号转网全面实施以来，累计已有数千万量级用户完成携号转网。而在营销学里有一条被反复验证的铁律：获取一个新客户的成本，是留住一个老客户的5到7倍；用户流失率每降低5%，企业利润可提升25%到85%。这条曲线对运营商尤其陡峭——因为新增市场早已见顶，5G渗透率逼近天花板，每一个被挖走的存量用户，都要用几倍的补贴成本才能补回来。
问题在于，传统的维系手段已经大面积失灵。
最典型的是"广撒网式外呼挽留"。维系经理拿到一张可能是几万、几十万行的"高风险用户名单"，挨个打电话推销存费送机、流量包、合约续约。结果是：名单里大量其实是"犹豫但可留"的用户，被一通生硬的营销电话提醒了"我是不是该看看别家"，反而加速流失——业内俗称"催离"。更要命的是规则型预警系统：只要"月均通话下降30%"或"ARPU连降3个月"就报警，误报率高得离谱，一线被无效工单淹没，最后干脆选择性忽略。
真正能用AI在携号转网这道考题上拿分的运营商，做对了三件事：算准谁会走、算准挽留谁才有效、用对的方法把他留下。这三件事对应三层截然不同的AI技术底座，缺一不可。本文就围绕这条"离网预测→因果增量→大模型挽留"的闭环，拆解一线运营商的真实落地方案。
离网预测是整个闭环的入口，回答的是一个二分类问题：这个用户在未来N天（通常是30天或90天）内会不会离网/携号转网？
早期运营商用的是Logistic回归和决策树，AUC通常在0.78到0.85之间，靠的是几十个手工特征：ARPU、MOU（月均通话分钟）、DOU（月均流量）、在网时长、套餐档次。这类模型的问题在于特征都是"静态快照"，捕捉不到行为的动态异动。
第二个台阶是集成学习——随机森林、GBDT、XGBoost。中国移动一项面向离网预警的"客户智能分析系统"研究（《电信世界》，赵东明、王敏辉、刘帅）正是这一路线的代表：它引入随机森林+KNN（最邻近分类）+知识图谱的组合，通过"监控用户每日行为、发现异动行为、识别流失用户"的方式，把预警从月度批次推进到日级监控。在公开的电信流失预测案例分析中，经过数据采样（解决正负样本极度不平衡）和参数调优后的随机森林模型，AUC可以做到0.92以上，部分精调案例甚至达到0.9964。影响流失的TOP3特征也很有共性：日均通话时长、月账单金额、客服通话次数——第三个尤其关键，主动打10086/10000/10010投诉的用户，离网概率显著高于均值。
第三个台阶是图神经网络，典型代表是GraphSAGE。它的价值在于引入了"社交传染"维度：通信网络天然是一张巨大的图，每个用户是一个节点，通话/短信关系是边。当一个人的社交圈里有大量朋友已经携号转网到另一家运营商时，他自己转网的概率会被显著拉高——这是传统表格类特征完全无法捕捉的信号。基于GraphSAGE的携转预测研究在运营商省分公司真实数据集上验证过，对比传统机器学习方法有明显提升。
一个生产级的离网预测模型，特征通常分四大类，规模在数百维：
四类特征合在一起，模型才能从"这个月话费少了20%"这种粗暴判断，进化到"这个用户最近3周投诉过2次网速、社交圈里有4个朋友转网到X、且合约还剩2个月"这种细颗粒度的风险画像。
这一层是绝大多数运营商至今没做透、但真正决定挽留ROI的关键。
离网预测告诉你"谁会走"，但它回答不了"我打电话去挽留，到底有没有用"。这里有个反直觉的真相：有些用户本来不会走，你一打电话，反而把他"叫醒"了——这就是因果推断里著名的"沉睡狗"（sleeping dogs）现象。
Uplift模型（增量模型）把用户分成四个象限：
| 挽留有效（Treatment有效） | 挽留无效 | |
|---|---|---|
| 会流失 | 可挽救型（Persuadable）：打了电话就留下，是真金白银的挽留对象 | 必流失型（Lost Cause）：怎么挽留都会走，别浪费成本 |
| 不会流失 | 危险型：打扰反而催离（沉睡狗） | 确定留存型（Sure Thing）：不打扰也留，无需投入 |
传统离网预测模型的最大缺陷，就是它把"可挽救型"和"沉睡狗"混在一起推荐给维系经理，结果一边挽留、一边催离，净效果被对冲。Uplift模型用因果推断（典型方法如因果森林Causal Forest、T-learner/S-learner、或基于双重机器学习的DML），通过A/B测试数据估算"干预组vs对照组"的增量转化率，只把电话打给那些"打了才留、不打就走"的可挽救型用户。
实践中的效果是质变级别的：维系名单从几十万缩到几万，但名单上每个人的"每通电话挽回期望收入"提高数倍，外呼打扰率大幅下降，合规风险也随之降低。这正是运营商存量经营从"广撒网"走向"精准狙击"的分水岭。
预测和分群解决了"找对人"，最后一公里是"怎么把人说动"。这一层在2024到2025年发生了范式级跃迁。
传统外呼机器人是基于规则和TTS的"录音播放器"：识别几个关键词，跳到预设话术分支，遇到复杂应答就转人工。结果是挂断率高、挽留转化低，用户一听就知道是机器人，反感情绪直接拉满。
大模型外呼把感知层从"语音转文字"升级到"语义理解+情感感知+动态话术生成"。据行业测算，2025年全球智能外呼市场规模突破280亿美元，年复合增长率超过22%，而运营商回访/维系被列为合规外呼八大存活场景之一。在这个赛道上，已经有清晰的落地形态：
普强、中关村科金得助智能、阿里云千问外呼、云蝠智能等厂商，都已在中国移动、中国电信、中国联通的多省分公司落地过运营商回访/维系场景。这条链路的终态，是大模型外呼+人工坐席助手+柜台系统的协同。
下面这张图还原了一线运营商存量挽留的真实闭环——三层底座如何串成一条流水线：
flowchart TD
A[多源数据采集<br/>BSS/CRM/计费/信令/客服工单] --> B[离网预测模型<br/>XGBoost/GraphSAGE]
B --> C{未来30天<br/>离网概率>阈值?}
C -->|否| D[常规维系池]
C -->|是| E[Uplift因果增量模型<br/>因果森林/DML]
E --> F[四象限分群]
F --> G1[可挽救型 Persuadable]
F --> G2[沉睡狗 Sleeping Dogs]
F --> G3[必流失型 Lost Cause]
F --> G4[确定留存型 Sure Thing]
G2 --> H[不打扰 放弃外呼]
G3 --> I[低成本短信触达]
G4 --> D
G1 --> J[挽留策略匹配<br/>价格型/信号型/合约型]
J --> K[大模型外呼机器人<br/>动态话术+情感感知]
K --> L{高价值+复杂诉求?}
L -->|是| M[转金牌维系坐席<br/>携带对话上下文]
L -->|否| N[LLM自动挽留谈判]
M --> O[挽留结果回流]
N --> O
O --> P[A/B实验闭环<br/>更新uplift标签]
P --> B
这条链路最大的工程价值，是它把"离网预测—因果增量—挽留执行—结果反馈"四段闭环全部数据化，每一次外呼的结果（留下/转走/无响应）都回灌成下一轮Uplift模型的训练标签，模型越跑越准，"沉睡狗"识别越来越精确——这是一个会自我进化的留人系统。
下面两张表分别从模型性能和方案能力两个维度，呈现不同技术路线的实战表现。
表1：离网预测模型性能对比
| 技术路线 | 代表算法 | 典型AUC/准确率 | 数据规模 | 关键局限 |
|---|---|---|---|---|
| 传统统计学习 | Logistic回归/决策树 | AUC 0.78–0.85 | 省公司百万级 | 静态特征、捕捉不到异动 |
| 集成学习 | 随机森林/GBDT/XGBoost | AUC 0.92–0.99 | 千万级 | 主流方案、需处理样本不平衡 |
| 图神经网络 | GraphSAGE/GAT | 较集成学习再提升3%–8% | 含社交关系图 | 图构建成本高、解释性弱 |
| 因果增量 | 因果森林/DML | 挽留转化率提升2–3倍 | 全量+实验数据 | 依赖高质量A/B实验 |
注：AUC数值来自公开电信流失预测案例与论文（Telco数据集XGBoost基线约80.8%准确率，精调随机森林最高报告AUC 0.9964），生产环境实际表现受数据质量与正负样本比影响。
表2：挽留执行方案能力对比
| 方案类型 | 离网预测 | 因果增量 | 挽留执行 | 典型落地 |
|---|---|---|---|---|
| 运营商自研预警系统 | 强（RF+知识图谱） | 弱 | 人工维系 | 省分公司一线 |
| Uplift存量经营平台 | 强 | 强 | 外呼+柜台协同 | 总部级存量运营 |
| 大模型外呼厂商方案 | 中（规则+评分） | 中 | 强（动态话术） | 多省回访/维系 |
| 云厂商外呼（千问等） | 中 | 中 | 强（多轮对话） | 运营商回访场景 |
可以看到，没有任何单一模块能解决留人问题——预测强的不懂因果，会打电话的不会算增量。真正拉开差距的，是把这些模块拼成闭环并持续迭代A/B实验的能力。
把AI挽留闭环和传统维系放在一张桌子上对比，差异是结构性的：
理想闭环很美，但一线部署时会撞上几堵真实的墙：
第一，数据孤岛。 离网预测要喂进去的特征，分散在BSS（计费）、CRM（客户档案）、客服系统（工单）、网管系统（信号投诉）、信令平台（通话关系图）里，跨域拉通数据和口径对齐，往往比建模本身更耗时。这也是为什么很多省公司的离网模型只用了计费数据，效果打折扣。
第二，沉睡狗识别依赖高质量实验。 Uplift的前提是历史上有规范的A/B实验数据（谁被外呼过、谁没有、各自后续行为）。很多运营商的历史外呼记录没有干净的对照组标签，导致增量模型训练不起来——这逼着团队先从规范化的随机分流实验做起，周期长。
第三，合规红线。 2025年通信监管对外呼频次、骚扰判定趋严。AI挽留再聪明，也不能突破呼出频次和时段的合规边界，否则留存没做成，先吃一张骚扰处罚。实际部署时，外呼名单必须经过频次去重、静默期过滤、白名单管理等合规闸门。
第四，误挽成本。 给一个本来就会留下的用户送了高额存费送机补贴，等于白白损失营销费用——这就是Uplift要消除的"确定留存型"误伤。模型上线初期误判率偏高，需要小流量灰度、逐步放量。
回到携号转网这道题。八年实践证明，靠维系经理人海战术和规则引擎已经守不住存量。真正能在转网潮里止血的运营商，都把"留人"重新定义成了一个数据科学问题：用图神经网络算清谁会走，用因果增量算清挽留谁才划算，用大模型把话说进用户心里，最后用A/B闭环让整套系统自己进化。
这条路径上，离网预测已经是成熟基础设施，Uplift增量模型是当前的差异化胜负手，大模型外呼则是最后一公里的体验放大器。三者的成熟度并不一致——离网预测已大规模铺开，Uplift仍在头部省份攻坚，大模型外呼正在快速渗透——但拼在一起，它们共同把运营商存量经营从"撒网式营销"推进到了"精准狙击式挽留"。
对一线技术团队而言，最务实的起手式不是上来就堆大模型，而是先把跨域数据拉通、把A/B实验规范化做扎实——因为再先进的因果推断和大模型，都喂不进一座数据孤岛。底座立住了，离网预测、因果增量、大模型挽留这三层，才能一层层往上长。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。