有很多方法可以评估风险模型，最常用的是比例风险模型。在这个模型中，一条基线风险率就可以让我们掌握风险曲线的图形。这个风险曲线图形可以显示出随着时间的推移，公司每位客户的流失概率是如何上升/下降或保持平稳的。模型当中还包括交换特征、客户特征、产品特征、营销沟通等变量，这些变量能够将基线风险函数调高或调低。这就好比用一个因数与风险率基线相乘，正如以下对比例风险模型的说明所示：
假设到目前为止（或到时刻t为止）客户尚未流失，那么客户流失的瞬间概率=基线概率×影响因数
如果直到时刻t客户才流失，那么基线概率是指没有受过任何变量影响的客户的瞬间流失概率。所有针对客户的变量的影响可以从等式的第二部分——影响因数获取。根据影响因数是大于1还是小于1（但大于0），可以将基线概率调高或调低。基线风险率的结果及针对客户的变量（即影响因数）对客户的影响就是该客户的风险率。因此，当评估每个变量如何影响影响因数值和基线风险率时，我们可以预测客户在某一特定时段流失的概率。有关风险模型评估的详细资料可通过查阅。
逻辑回归模型和风险模型都可以有效地预测客户流失的可能性或流失的倾向，然而，我们使用每一个模型去预测客户流失概率的方法是不尽相同的。如果一家电信公司想要预测其所有客户在未来12个月中（例如，从1月到12月）的流失倾向，并打算使用逻辑回归模型，而且建立这个模型所使用的时间变量超过一个月以上，那么这家公司首先会利用该模型去预测哪类客户在1月底前有可能流失（即流失概率>），然后公司便可确定是否应予以干预。以后的每个月公司都需要使用类似的做法去预测客户在月底前是否会流失。这种做法的主要缺点是公司很难预测客户在超过一个月（或模型中允许的时间跨度）之后流失的可能性，这意味着公司实施干预的时间不到一个月。相反，当使用比例风险模型时，公司可以通过观察生存曲线和客户特定的变量来预测客户何时有可能流失，也就是说，公司有更多的时间去实施干预。
在多方尝试型的情形下，逻辑回归方法也可以有效地建立客户上下迁移趋势的模型。建模的第一步就是要计算每位客户的CLV，然后将客户按CLV以十分位数的形式分组。前两个十分位数中的客户可以归类为高价值客户（CLV值大），下面的3个十分位数归类为低价值客户（CLV值小），其他的视为中等价值客户（CLV值适中）。以上这些都是为随后的一年而做的工作。将每组客户与连续两年都未流失的客户进行对比，我们就可以知道他的CLV是否上移或下移了。例如，第一年处于高价值组的一位客户在第二年或者滑落到普通组，或者滑落到低价值组，那么该客户的这种迁移就是下行的。如果一位客户从中等价值组或低价值组上移到高价值组，则该客户的迁移属于上行迁移。逻辑回归模型可以用来查找那些影响客户上/下迁移的因素。下移迁徙模型中的因变量是指客户是否移到一个低价值的组，而自变量是指前面提到的客户特定的变量。利用模型中估算的系数，公司便可以预测哪些客户将会下移或下移的时间，之后，公司就可以决定是否进行干预了。
