通信行业的利润结构里藏着一个反直觉的事实：抢一个新用户的成本，是留住一个老用户的5到7倍。在携号转网全面放开、套餐同质化、OTT持续蚕食话音和短信的2026年，运营商的月度流失率（churn）每降低0.5个百分点，往往就能换来数千万乃至上亿美元的净利润。然而过去十几年，运营商对抗流失的武器一直很"原始"——业务规则引擎定时跑出一张"高风险名单"，市场部群发一条千篇一律的优惠短信，呼叫中心再按名单挨个外呼劝说挽留。
这套打法在2026年已经失灵。本期我们跳出已经被讲烂的"AI客服坐席""AI外呼质检"视角，聚焦运营商价值链条中真正离钱最近的环节——预测性客户挽留（Predictive Retention）与下一代最佳 Offer（Next Best Offer，NBO）精准营销。以荷兰厂商 Flytxt 的 Agentic AI 电信 CVM 平台为核心案例，结合麦肯锡披露的亚太运营商转型数据和 Exacaster 的 NBO 落地指标，拆解运营商如何用大模型把"流失率"打下来、把"ARPU"顶上去。
电信流失治理的痛点，本质上是"三慢一错"：
BCG在2026年2月发布的《AI优先的电信战略》（The AI-First Telecommunications Strategy）中给出的判断非常直白：今天的运营商必须从"削减成本的小规模试点"转向"全组织、以价值创造为导向的战略"，在客户关怀与网络运营领域，AI可带来30%到40%的生产力提升，而精准营销与流失治理正是价值兑现最快的场景之一。行业层面的基准数据更激进——据LinkedIn上多位电信营销高管的综合反馈，真正把AI驱动个性化运营落地的运营商，ARPU平均高出15%到20%。
区别于"客服坐席辅助"或"外呼质检"，预测挽留与NBO是典型的数据密集型、决策密集型AI应用，它的价值不在生成式对话，而在"实时算出该给谁、在什么时刻、通过什么渠道、推什么Offer、预期收益多少"。整个系统是一个从感知到决策再到执行的闭环：
flowchart TD
subgraph DATA[数据感知层]
A1[BSS/计费账单]
A2[网络KPI:掉话/弱覆盖]
A3[CRM与App行为]
A4[投诉与工单]
end
subgraph BRAIN[AI决策大脑]
B1[流失评分模型<br/>逐用户逐小时刷新]
B2[归因解释<br/>为何高危/可解释AI]
B3[NBO推荐<br/>约束优化求解最优Offer]
B4[响应与增量建模<br/>只对会因子Offer而留下的人推]
end
subgraph ORCH[编排与执行层]
C1[渠道决策<br/>短信/App弹窗/外呼/营业厅]
C2[时机决策<br/>最佳触达时刻]
C3[Offer下发与额度控制]
end
subgraph LOOP[反馈学习]
D1[真实留存与ARPU回流]
D2[增量效果归因]
D3[模型再训练]
end
DATA --> BRAIN --> ORCH --> D1 --> LOOP --> BRAIN
这张图里有三个"反传统"的设计点，是区别AI挽留与传统规则营销的关键：
第一，逐用户、逐小时刷新的流失评分。Flytxt在其Volt Active Data联合案例中披露，其平台每天要处理约40亿条实时事件——这意味着流失评分不是按月跑批，而是随每一通掉话、每一次App打开、每一笔账单实时滚动更新。麦肯锡所强调的"网络驱动流失"，正是在这一层被捕捉：系统把网络侧的体验指标（掉话率、切换失败、覆盖盲区）与用户侧的行为指标融合，提前3到7天识别出"因网络体验恶化而即将离开"的用户。
第二，可解释AI（XAI）做归因。只告诉一线"这个用户高危"是不够的，必须告诉他"为什么高危、推什么最有效"。这也是2025年多篇电信流失预测学术论文（《Nature Scientific Reports》《Frontiers in AI》）反复强调的方向——纯黑箱模型在生产环境难以被业务采纳，可解释的归因才是从"模型分"走向"可执行Offer"的桥梁。
第三，增量建模（Uplift Modeling）防"补贴空转"。这是NBO区别于传统推荐的核心。传统推荐回答的是"这个用户更喜欢哪个Offer"，而增量建模回答的是"这个Offer能让多少本来要走的人留下来"。Exacaster在一份NBO案例中给出的成果是：通过实时个性化推荐，帮助运营商实现约17%的ARPU提升。其逻辑正是只对"可被Offer影响的人"投入补贴，把营销预算花在真正改变结果的刀刃上。
在电信专属的预测挽留与精准营销赛道，Flytxt是少数把"产品化"和"规模化部署"同时做透的玩家。它不是通用大模型套壳，而是专为电信CVM（客户价值管理）场景训练的领域AI，其最新一代是面向电信的Agentic AI智能体平台。
Flytxt的能力以"加速器（Accelerator）+ 智能体（Agent）"的产品化方式交付，避免每个运营商都从零造模型：
必须强调：Flytxt这类CVM智能体，与坐席辅助型AI客服是两个物种。前者直接对接运营商的营收账户（ARPU、流失率、CLV），是"让公司多赚钱/少亏钱"的增长引擎；后者对接的是接触中心（AHT、首解率、坐席效率），是"降低服务成本"的运营工具。本期已覆盖的大量客服案例（沃达丰首解率、沃达丰坐席、T-Mobile意图AI、Jio、灵犀等）都属于后者，而预测挽留+NBO属于前者，是营销与价值管理的主战场。
Flytxt代表的是"产品+多运营商"路径，而麦肯锡《AI原生运营商》报告则披露了一条"亚太某运营商全面客户价值管理转型"的真实路径，可作为"运营商自驱转型"的对照案例：
这个案例的价值在于它验证了一个关键判断：流失治理不能只靠市场部，必须打通网络、IT、市场、客服的数据与决策。网络侧的体验信号是流失最强的先行指标之一，而它恰恰躺在网管系统里，传统上从不与营销系统互通。AI CVM平台要解决的，正是这道"数据竖井"。
下表对比了传统规则营销与AI预测挽留+NBO在关键KPI上的差异（综合Flytxt、Exacaster、麦肯锡、BCG及行业基准）：
表1：传统规则营销 vs AI预测挽留+NBO（KPI对比）
| 维度 | 传统规则引擎营销 | AI预测挽留 + NBO | 差异说明 |
|---|---|---|---|
| 流失评分刷新频率 | 月级（T+30） | 逐用户、近实时（分钟~小时级） | 提前3-7天捕获高危窗口 |
| 流失信号覆盖 | 仅显性（账单、到期） | 显性+网络+行为+情感 | 捕捉"网络驱动流失"盲区 |
| Offer生成方式 | 人工预设、千人一面 | 约束优化实时求解、千人千面 | 减少补贴空转 |
| 决策逻辑 | "谁更可能走" | "谁会被Offer改变"（增量建模） | 预算花在刀刃上 |
| 归因可解释性 | 无 | 可解释AI（XAI）逐因子归因 | 业务可采纳、可审计 |
| ARPU影响 | 个位数波动 | 行业基准+15%~20%；NBO案例约+17% | 显著正向 |
| 触达时延 | 5-10天 | 分钟级自动编排 | 命中最佳挽留窗口 |
表2：主流电信营销AI方案横向对比
| 厂商/方案 | 定位 | 核心能力 | 典型部署特征 | 适合谁 |
|---|---|---|---|---|
| Flytxt（NEVA/Agentic AI） | 电信专属CVM平台 | 流失预测+NBO+挽留加速器，40亿事件/天 | 80+运营商，Frost&Sullivan两次背书 | 想要开箱即用、快速规模化的中大型运营商 |
| Exacaster | 电信AI预测营销 | 实时NBO、套餐推荐 | 案例：约17% ARPU提升 | 注重ARPU增量的存量运营团队 |
| Oracle（AI分析） | 通用分析+电信加速器 | 流失→留存→增长的端到端分析 | 与BSS/计费深度融合 | 已用Oracle BSS的运营商 |
| Pega（NBA/NBO） | 客户决策与编排 | Next Best Action编排、实时个性化 | 跨行业、BSS对接强 | 已有Pega CRM/决策基础设施的运营商 |
| 运营商自研大模型 | 定制化 | 灵活但工程化门槛高 | 周期长、需补领域数据 | 数据与AI工程团队强的头部运营商 |
需要指出的是：自研通用大模型并不天然适合做精准营销。原因有二——其一，通用大模型缺乏电信领域的行为序列与增量建模能力，直接用其做Offer推荐容易"幻觉式荐单"；其二，营销决策强依赖实时事件流与约束优化（额度、频次、成本上限），这是推理引擎与传统运筹优化的组合，而非纯生成。这就是为什么Flytxt这类"领域AI+智能体"产品在电信能形成护城河——它把电信Know-how固化进了模型与编排层。
综合上述案例，运营商部署预测挽留+NBO，建议遵循"信号→评分→Offer→闭环"的四步路径，且要规避三个高频陷阱：
陷阱一：只建模型、不建闭环。 很多运营商花重金训练出一个高AUC的流失模型，却没有打通到Offer下发与效果回收的"最后一公里"。结果是模型躺在数据科学家的笔记本里，业务侧毫无感知。正确的做法是像Flytxt那样，把模型嵌入"评分→推荐→编排→执行→反馈"的自动化闭环，让每一次Offer的真实留存结果回流为下一轮训练的样本。
陷阱二：用整体留存率评估，忽视增量。 如果用"高风险名单的整体留存率"来评估挽留效果，会严重高估收益——因为名单里本就有大量"不会走的人"。必须用增量建模和因果归因，只计"因Offer而改变的人"，否则营销预算会在"补贴空转"中悄悄蒸发。
陷阱三：忽视网络信号的接入。 麦肯锡的案例反复强调"网络驱动流失"。如果CVM平台只接入BSS与CRM，而不接入网管的体验指标，就丢了最强的先行信号。打通网络与营销的数据竖井，是这一类项目成败的分水岭。
把视角拉回2026年的通信行业：当客服智能化（首解率、坐席效率）已经被各大运营商卷成"标配"，真正还在释放巨大价值增量的，是离钱最近的"预测挽留+NBO"。Flytxt以日均40亿事件、80余家运营商部署、两次Frost & Sullivan背书，证明了"电信专属AI+智能体"路线的可行；麦肯锡的亚太CVM转型案例则说明，打通"网络-IT-市场-客服"的数据竖井，是把"网络驱动流失"按下去的关键；Exacaster约17%的ARPU提升与行业15%-20%的ARPU基准，则给出了量化预期。
对运营商而言，这条路的回报是双向的：向下，把流失率压到行业均线以下；向上，把ARPU推回增长通道。它不再是客服中心"降本"的故事，而是CVM中台"增收+止损"的故事。在携号转网与同质化竞争的存量时代，谁能率先把"预测挽留+NBO"跑成实时闭环，谁就能在流失率与ARPU两条曲线上，同时完成逆转。
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。