有很多方法可以評估風(fēng)險(xiǎn)模型，最常用的是比例風(fēng)險(xiǎn)模型。在這個(gè)模型中，一條基線風(fēng)險(xiǎn)率就可以讓我們掌握風(fēng)險(xiǎn)曲線的圖形。這個(gè)風(fēng)險(xiǎn)曲線圖形可以顯示出隨著時(shí)間的推移，公司每位客戶的流失概率是如何上升/下降或保持平穩(wěn)的。模型當(dāng)中還包括交換特征、客戶特征、產(chǎn)品特征、營銷溝通等變量，這些變量能夠?qū)⒒€風(fēng)險(xiǎn)函數(shù)調(diào)高或調(diào)低。這就好比用一個(gè)因數(shù)與風(fēng)險(xiǎn)率基線相乘，正如以下對比例風(fēng)險(xiǎn)模型的說明所示：

假設(shè)到目前為止（或到時(shí)刻t為止）客戶尚未流失，那么客戶流失的瞬間概率=基線概率×影響因數(shù)

如果直到時(shí)刻t客戶才流失，那么基線概率是指沒有受過任何變量影響的客戶的瞬間流失概率。所有針對客戶的變量的影響可以從等式的第二部分——影響因數(shù)獲取。根據(jù)影響因數(shù)是大于1還是小于1（但大于0），可以將基線概率調(diào)高或調(diào)低。基線風(fēng)險(xiǎn)率的結(jié)果及針對客戶的變量（即影響因數(shù)）對客戶的影響就是該客戶的風(fēng)險(xiǎn)率。因此，當(dāng)評估每個(gè)變量如何影響影響因數(shù)值和基線風(fēng)險(xiǎn)率時(shí)，我們可以預(yù)測客戶在某一特定時(shí)段流失的概率。有關(guān)風(fēng)險(xiǎn)模型評估的詳細(xì)資料可通過查閱。

邏輯回歸模型和風(fēng)險(xiǎn)模型都可以有效地預(yù)測客戶流失的可能性或流失的傾向，然而，我們使用每一個(gè)模型去預(yù)測客戶流失概率的方法是不盡相同的。如果一家電信公司想要預(yù)測其所有客戶在未來12個(gè)月中（例如，從1月到12月）的流失傾向，并打算使用邏輯回歸模型，而且建立這個(gè)模型所使用的時(shí)間變量超過一個(gè)月以上，那么這家公司首先會利用該模型去預(yù)測哪類客戶在1月底前有可能流失（即流失概率>），然后公司便可確定是否應(yīng)予以干預(yù)。以后的每個(gè)月公司都需要使用類似的做法去預(yù)測客戶在月底前是否會流失。這種做法的主要缺點(diǎn)是公司很難預(yù)測客戶在超過一個(gè)月（或模型中允許的時(shí)間跨度）之后流失的可能性，這意味著公司實(shí)施干預(yù)的時(shí)間不到一個(gè)月。相反，當(dāng)使用比例風(fēng)險(xiǎn)模型時(shí)，公司可以通過觀察生存曲線和客戶特定的變量來預(yù)測客戶何時(shí)有可能流失，也就是說，公司有更多的時(shí)間去實(shí)施干預(yù)。

在多方嘗試型的情形下，邏輯回歸方法也可以有效地建立客戶上下遷移趨勢的模型。建模的第一步就是要計(jì)算每位客戶的CLV，然后將客戶按CLV以十分位數(shù)的形式分組。前兩個(gè)十分位數(shù)中的客戶可以歸類為高價(jià)值客戶（CLV值大），下面的3個(gè)十分位數(shù)歸類為低價(jià)值客戶（CLV值小），其他的視為中等價(jià)值客戶（CLV值適中）。以上這些都是為隨后的一年而做的工作。將每組客戶與連續(xù)兩年都未流失的客戶進(jìn)行對比，我們就可以知道他的CLV是否上移或下移了。例如，第一年處于高價(jià)值組的一位客戶在第二年或者滑落到普通組，或者滑落到低價(jià)值組，那么該客戶的這種遷移就是下行的。如果一位客戶從中等價(jià)值組或低價(jià)值組上移到高價(jià)值組，則該客戶的遷移屬于上行遷移。邏輯回歸模型可以用來查找那些影響客戶上/下遷移的因素。下移遷徙模型中的因變量是指客戶是否移到一個(gè)低價(jià)值的組，而自變量是指前面提到的客戶特定的變量。利用模型中估算的系數(shù)，公司便可以預(yù)測哪些客戶將會下移或下移的時(shí)間，之后，公司就可以決定是否進(jìn)行干預(yù)了。