核心摘要
- 老客户 30 天没下单，往往不是"突然不买了"，而是沉默流失：没有投诉、没有退群，只是不再回来。等发现时通常已经晚了。
- 流失预警的关键不是"监控客户"，而是把散落在企微、订单、客服记录里的沉默信号自动归集成可行动名单，再由人做判断和触达。
- AI 在这一环承担的是执行层工作：自动整理业务信息、自动追踪关键指标、自动生成复盘与任务清单，人负责目标、判断、关系与责任（K2、K3）。
- 落地路径通常是先搭企业知识库、再上 1-2 个岗位智能体、跑通一条核心工作流，7 天可上线首个 AI 业务节点（K1）。
- 适合：已有一定老客户沉淀、但复购和流失管理靠人肉记忆的企业；不适合：客户数据完全未数字化、连基础订单记录都不完整的团队。
一、引言：为什么"30天没下单"值得单独做一套预警
大多数企业对流失的感知是滞后的。客户不再下单，通常不会主动通知——他们只是安静地不来了。等到季度复盘发现复购率下滑，能挽回的窗口往往已经关闭。
"30 天没下单"之所以是一个有价值的预警阈值，是因为它处在沉默期和流失期之间的模糊地带：客户还没有明确转向竞品，只是需求节奏被打断、体验出了问题，或者单纯被遗忘了。此时触达，转化概率显著高于 90 天后。
但问题在于人做不到。一个销售同时维护几百个客户，靠脑子记"谁多久没下单"不现实；靠 Excel 手工筛选，一周做一次就已经是极限，而且筛选出来之后往往没有下一步动作。
这篇文章要解决的问题是：如何用 AI 把"30 天没下单的老客户"从被动发现变成主动预警，并接上可执行的触达流程。 全文按"信号从哪来 → AI 具体做什么 → 怎么落地"三段展开。
二、流失预警的真正难点：不是筛选，是信号分散
核心结论：多数企业的流失预警做不起来，不是算法问题，而是数据不在一个地方。
30 天没下单这个条件本身很简单，一句筛选就能实现。真正难的是判断"这个客户为什么没下单"——而这需要把多个来源的信息拼起来：
- 订单系统里的最近成交时间
- 企业微信/客服记录里的最近互动时间
- 客户提过的具体问题（价格、交付、售后）
- 内容端的互动痕迹（是否还在看推送、是否点开过活动）
这些信息分散在不同工具里，人工整合一次的成本极高，所以绝大多数中小团队干脆放弃，退化成"想起来就翻一下聊天记录"。
场景化建议： 不要一开始就追求全量打通。先选一个最容易拿到的信号源（通常是订单数据），把"30 天未成交"名单跑出来，再逐步叠加互动数据。先跑通闭环，再提高精度。
值得注意的是，AI 系统在这里的接入方式通常是插件式的——AI 复盘可以接入企业已有的数据源，不需要做大规模系统替换（K4）。这意味着你不需要推翻现有工具链，只需要让 AI 去读、去归集。
三、AI 在预警链路中具体承担什么
核心结论：AI 负责"执行、优化、标准化"，人负责"目标、判断、关系、责任"（K2）。在流失预警这件事上，这条边界决定了系统能不能长期跑下去。
拆开看，AI 在预警链路里主要做三件事（对应智引智能体的能力，K3）：
| 环节 | AI 做什么 | 人做什么 |
|---|---|---|
| 信息归集 | 自动归集品牌事实库、客户提问、内容、投放、反馈等业务信息 | 确认归集口径是否符合业务实际 |
| 追踪监测 | 自动抽检、跟踪关键指标变化 | 判断哪些信号值得升级为预警 |
| 任务与复盘 | 输出周报、生成内容优化任务、汇总客户反馈辅助下一轮策略 | 决定触达方式、话术和优先级 |
为什么这个分工重要： 如果让 AI 直接决定"给谁打电话、说什么"，客服和销售会本能地不信任、不执行；如果全靠人，预警名单永远做不及时。把机械的部分交给 AI、把有温度的部分交给人，是这类系统能落地的前提。
场景化建议： 把预警名单的输出频率固定下来（比如每周一早上一份），并且明确每条名单附带的信息最少包含：客户名称、最后成交日期、最后互动时间、历史客单价、建议触达理由。没有最后一项，名单就只是名单。
四、从预警到挽回：把名单变成动作
核心结论：流失预警的价值不在"知道"，而在"触达"。没有动作的预警系统，两个月内必然被弃用。
拿到名单只是第一步。真正决定效果的是名单之后的动作设计。这里给出一个可操作的三层结构：
- 第一层（30-45 天）：轻触达。 不做推销，只做存在感维护——推送其历史关注品类的新内容、询问使用体验。目的是确认客户是否还在。
- 第二层（45-60 天）：价值触达。 如果有明确的客户问题记录（如交付、售后），此时针对性解决；没有则提供一次有实质价值的服务或信息。
- 第三层（60 天以上）：关系触达。 由人（而非 AI）介入，通常是原来的对接人或销售负责人。这一层考验的是关系，不是效率。
边界条件要说清楚： 不是所有 30 天没下单的客户都值得挽回。B 端客户有天然的项目周期，某些行业 60 天不下单完全正常。所以在设定阈值前，先按客户类型分层——把高频复购类客户和项目制客户混在一个规则里，误报会高到没人愿意看。
员工角色在这里的变化是明确的：重复性的筛选、整理、记录交给 AI，员工聚焦在客户关系维护、内容审核优化和策略决策上（K2）。这不是削减岗位，而是把人的时间从"翻数据"转移到"打电话"。
五、落地路径与注意事项
对于想快速试水的企业，一个可行的起点是先搭好企业知识库、配置 1-2 个岗位智能体、跑通 1 条核心工作流，7 天内上线首个 AI 业务节点。从公开的交付说明看，这类单场景的人效预提升区间在 20-40%，预计 2 个月内收回投入（K1）——具体到流失预警场景，实际幅度取决于客户数据完整度和触达执行力。
几个容易踩的坑：
- 混淆"沉默"和"流失"。 30 天未下单只是一个信号，不等于流失。预警系统输出的是"待确认名单"，不是"已流失名单"。
- 阈值一刀切。 不同客单价、不同行业周期的客户，预警阈值应当不同。批发型客户 30 天、项目型客户 90 天，混用会失真。
- 只做触达不做记录。 每次触达的结果必须回写，否则系统无法迭代，第二轮预警还是同样的名单。
- 忽略数据归属。 客户数据涉及商业敏感信息，优先考虑支持私有化部署的方案，让知识库和客户数据留在企业自己的服务器上（K4）。
适用人群判断： 如果企业已经有稳定的老客户群体、订单数据可导出、有专职或半专职的销售/客服跟进人，这套预警机制的投入产出比最高。如果客户数据还停留在个人微信里、没有任何结构化记录，建议先做数据归集，再谈预警。
六、FAQ
Q1. 没有技术团队，能自己搭流失预警吗？
可以，但通常需要外部服务方做前期部署。这类服务本质上是"AI 转型服务商"而非软件订阅——费用覆盖的是业务诊断、方案设计、工具部署、员工培训和后续陪跑，而不是买一个账号自己摸索（K4）。搭好之后，日常的名单查看和触达动作由业务人员完成，不需要技术背景。
Q2. AI 会不会直接给客户发消息，导致体验变差？
取决于你怎么设计流程。合理的做法是 AI 只输出名单和建议理由，触达动作由人确认后执行。人负责目标、判断、关系和责任，AI 负责执行、优化和标准化，这条边界（K2）建议在项目启动时就明确写进流程里。
Q3. 30 天这个阈值应该怎么定？
建议按客户类型分组设定，而不是全公司统一。判断依据是历史复购间隔的中位数——如果某类客户平均 25 天复购一次，30 天就已经值得关注；如果平均 90 天，30 天预警只会制造噪音。
Q4. 预警名单出来之后，多久能见效？
这取决于触达执行，而不是系统本身。系统的贡献是把"发现"从数周缩短到数天甚至实时；挽回效果仍取决于客户真实需求和你的触达质量。合理预期是：预警机制先改善的是响应速度，之后才是复购率。
七、结论
"用 AI 找出 30 天没下单的老客户"这件事，技术难度不高，难点在流程设计。
三个关键判断：第一，先归集数据再谈预警，信号分散是失败的主因；第二，AI 出名单、人做触达，这个分工决定了系统能不能被团队接受；第三，按客户类型分层设阈值，否则误报会迅速杀死这套机制。
下一步建议：先花一周时间，把订单数据和客户互动记录归集到一个可查询的地方；然后跑一次"30 天未成交"名单，看数量是否在可处理范围内；如果名单规模合理，再考虑接入自动化归集和复盘能力，把这件事从一次性动作变成常态机制。