Churn prediction: как предсказывать отток клиентов и запускать удержание автоматически

Анара, владелица сети салонов красоты в Астане, заметила странную закономерность. Каждый месяц она теряла примерно 15% постоянных клиентов. Не потому что они жаловались — жалоб как раз почти не было. Они просто переставали приходить. Молча. Без объяснений.

«Мы звонили им через два-три месяца, когда понимали, что давно не видели. Большинство отвечали что-то вроде: "Ой, да просто забыли" или "Попробовали другой салон, понравилось". Некоторые честно говорили: "А вы и не напомнили"», — рассказывает Анара.

Знакомая ситуация? Клиент не уходит с громким хлопаньем дверью. Он просто тихо растворяется. И когда вы это замечаете — обычно уже поздно. Он уже нашёл альтернативу, привык к ней, и вернуть его стоит в 5-7 раз дороже, чем удержать было бы изначально.

Но что если бы можно было узнать о намерении уйти за месяц до того, как это произойдёт? За две недели? Когда клиент ещё не ушёл — а только начал «остывать»? Именно об этом мы поговорим: как предсказывать отток и что с этим делать.

Почему клиенты уходят (и почему молча)

Давайте начнём с неприятной правды: большинство недовольных клиентов никогда вам об этом не скажут. Исследования показывают, что на одну жалобу приходится 26 молчаливых уходов. Люди просто не хотят тратить энергию на выяснение отношений — проще найти альтернативу.

И это создаёт иллюзию благополучия. Жалоб мало, NPS вроде нормальный, клиенты на встречах улыбаются. А потом смотришь отчёт — и видишь, что база «тает». Медленно, но верно.

Главные причины оттока

Понимание причин важно для построения модели прогнозирования. Вот что чаще всего стоит за уходом клиентов:

Что такое churn prediction и как это работает

Churn prediction (прогнозирование оттока) — это когда вы вычисляете, кто из клиентов вот-вот уйдёт. Не постфактум, когда они уже ушли, а заранее — пока ещё можно что-то сделать.

Логика тут простая: перед уходом клиент меняет поведение. Реже заходит, меньше покупает, игнорирует рассылки. Эти изменения можно заметить и среагировать — пока клиент ещё ваш.

Сигналы оттока: что искать в данных

Каждый бизнес со своей спецификой, но некоторые сигналы работают почти у всех:

От правил к machine learning: эволюция подходов

Можно ли предсказывать отток без AI и сложных моделей? Да, и многие компании начинают именно с этого. Вот три уровня зрелости:

Уровень 1: Ручные правила. «Если клиент не покупал 60 дней — пометить как рискованного». Просто, понятно, работает для базовых случаев. Проблема — не учитывает контекст. Клиент, который обычно покупает раз в год, попадёт в «рискованных» через 2 месяца, хотя с ним всё в порядке.

Уровень 2: Скоринговые модели. Каждому сигналу присваивается вес, сумма баллов определяет уровень риска. Лучше, чем простые правила, но веса определяются экспертно — а эксперты могут ошибаться.

Уровень 3: Machine Learning. Алгоритм сам находит паттерны в исторических данных. Кто уходил раньше? Что их объединяло за 30-60 дней до ухода? Модель учится на этих паттернах и применяет их к текущим клиентам. Точнее, но требует данных и экспертизы.

Хорошая новость: начать можно с первого уровня и двигаться вверх. Даже простые правила лучше, чем ничего.

Какие данные нужны для прогнозирования оттока

Качество прогноза напрямую зависит от качества данных. И здесь у владельцев CRM-системы серьёзное преимущество: большинство нужных данных уже собирается.

Базовые данные о клиенте

• Демография: Возраст, пол, регион, отрасль (для B2B). Некоторые сегменты оттекают чаще.
• Срок жизни: Как давно клиент с вами? Новички и «старожилы» уходят по-разному.
• Источник привлечения: Откуда пришёл? Клиенты из разных каналов имеют разный LTV и churn rate.
• Продукт/тариф: Что именно использует? Какой план?

Транзакционные данные

• История покупок: Частота, суммы, категории товаров/услуг.
• Изменение паттерна: Как изменилась частота покупок за последние 30/60/90 дней по сравнению с предыдущим периодом?
• Recency: Сколько дней прошло с последней покупки/активности?

Данные взаимодействия

• Открытия писем: Open rate, click rate по email-рассылкам.
• Ответы на сообщения: Реагирует ли на сообщения в мессенджерах?
• Обращения в поддержку: Количество, темы, тональность, скорость решения.
• Обратная связь: NPS, CSAT, отзывы.

Поведенческие данные (если есть доступ)

• Использование продукта: Логины, сессии, используемые функции (для SaaS).
• Посещения сайта: Визиты, просмотры страниц, время на сайте.
• Мобильное приложение: Частота открытий, активные функции.

Как построить модель прогнозирования: практический подход

Теперь перейдём к практике. Я расскажу о подходе, который можно реализовать даже без глубокой экспертизы в data science — при условии, что у вас есть исторические данные и базовые аналитические навыки.

Шаг 1: Определите, что такое «отток» для вашего бизнеса

Звучит банально, но это критически важный шаг. Для разных бизнесов «отток» означает разное:

• Подписка (SaaS, фитнес, образование): Отток = отмена подписки или непродление.
• E-commerce: Отток = не покупал N дней (N зависит от вашего цикла покупок). Для продуктов питания это может быть 14 дней, для мебели — 2 года.
• B2B услуги: Отток = расторжение договора или переход к конкуренту.
• Салоны красоты, медицина: Отток = не приходил X месяцев (где X — ваш типичный интервал между визитами × 2).

Важно: определение должно быть однозначным и измеримым. «Потерял интерес» — плохо. «Не совершал покупок 90 дней» — хорошо.

Шаг 2: Соберите исторические данные

Нужны данные о клиентах, которые уже ушли, и о тех, кто остался. Желательно за 12-24 месяца. Для каждого клиента соберите:

• Все метрики из предыдущего раздела (на момент ухода или на сегодня)
• Метку: ушёл (1) или остался (0)
• Дату ухода (для ушедших)

Шаг 3: Выберите подход

Для начала рекомендую комбинированный подход: простые правила + скоринг. Это даст результат быстро и позволит накопить данные для ML-модели в будущем.

Шаг 4: Валидируйте модель

Прежде чем использовать модель для принятия решений, проверьте её на исторических данных:

1. Возьмите данные за прошлый период (например, январь-июнь)
2. Примените модель к клиентам на 1 июля
3. Посмотрите, кто из «высокорисковых» действительно ушёл за следующие 3-6 месяцев
4. Посчитайте precision (доля верных предсказаний) и recall (какую долю реальных оттоков поймали)

Если модель ловит только 30% оттоков или даёт 80% ложных тревог — нужно корректировать веса или добавлять/убирать сигналы.

От прогноза к действию: автоматизация программ удержания

Прогнозировать отток — полдела. Вторая половина — сделать что-то с этой информацией. И желательно — автоматически, чтобы не нагружать менеджеров ручной работой.

Триггерные сценарии удержания

Идея проста: когда клиент попадает в зону риска — запускается определённый сценарий. Разные уровни риска — разные действия:

Как настроить автоматику в CRM

Большинство современных CRM-систем позволяют настроить такие сценарии. Вот типовая схема:

1. Расчёт скоринга: Ежедневно (или в реальном времени) пересчитываем балл риска для каждого клиента.
2. Сегментация: Клиенты автоматически распределяются по сегментам риска.
3. Триггеры: При переходе в сегмент «высокий риск» — запускается workflow.
4. Действия: Отправка сообщений, создание задач, уведомления.
5. Отслеживание: Если клиент совершил целевое действие (покупку, визит) — переводим обратно в «низкий риск».

Примеры сценариев удержания для разных бизнесов

Теория — штука полезная, но давайте к конкретике. Вот как это работает на казахстанском рынке.

Салон красоты / Клиника

Сигнал риска: Клиентка не была 8 недель (при обычном интервале 4 недели).

Сценарий:

1. День 1: WhatsApp-сообщение: «Марина, давно вас не видели! Скучаем 😊 Записать на ближайшие дни?»
2. День 3 (если нет ответа): SMS с персональной скидкой 15% на любую услугу до конца недели.
3. День 7: Звонок администратора с вопросом «Всё ли в порядке? Может, что-то не понравилось в прошлый раз?»

E-commerce (интернет-магазин)

Сигнал риска: Клиент смотрел товары 5 раз за последнюю неделю, но ничего не купил (хотя раньше покупал после 1-2 просмотров).

Сценарий:

1. Сразу: Push-уведомление «Нашли что искали? Вот подборка похожих товаров».
2. Через 24 часа: Email с просмотренными товарами + бесплатная доставка при заказе сегодня.
3. Через 3 дня: SMS «Товары из вашей корзины заканчиваются. Успейте заказать!»

B2B-услуги (консалтинг, IT-поддержка)

Сигнал риска: Клиент стал реже открывать отчёты, снизил частоту коммуникации, при этом срок договора истекает через 2 месяца.

Сценарий:

1. Сразу: Уведомление account-менеджеру + создание задачи «Связаться с клиентом».
2. В течение 3 дней: Звонок менеджера с вопросом о планах на следующий год, обсуждение результатов.
3. За 1 месяц до окончания: Встреча с презентацией результатов сотрудничества и предложением нового контракта.

Как измерять эффективность системы удержания

Внедрили churn prediction — отлично. Но работает ли это? Как понять, что усилия окупаются?

Метрики модели прогнозирования

• Precision (точность): Какой процент «высокорисковых» клиентов действительно ушёл? Цель: 60-80%.
• Recall (полнота): Какой процент реальных оттоков модель обнаружила заранее? Цель: 70-90%.
• Lead time: За сколько дней до ухода модель выявляет риск? Чем раньше — тем лучше. Цель: 30-60 дней.

Бизнес-метрики

• Churn rate: Главная метрика. Снизился ли общий отток после внедрения? Сравнивайте месяц к месяцу, год к году.
• Retention rate по сегменту «высокий риск»: Какой процент «рисковых» клиентов удалось удержать?
• Saved revenue: Сколько денег «спасли» благодаря удержанию? (Количество удержанных × средний LTV)
• Cost per saved customer: Сколько стоит удержание одного клиента? (Затраты на программу / количество удержанных)

ROI программы удержания

Простая формула:

Пример: удержали 50 клиентов со средним LTV 200 000 тенге. Сохранённая выручка = 10 000 000 тенге. Затраты на программу (инструменты, скидки, время менеджеров) = 1 500 000 тенге. ROI = (10 000 000 − 1 500 000) / 1 500 000 × 100% = 567%.

Особенности для казахстанского рынка

Казахстан — это не «маленькая Россия» и не «средняя Азия». У нас своя специфика, которую важно учитывать при построении системы удержания.

Каналы коммуникации

В Казахстане WhatsApp — абсолютный лидер для B2C-коммуникаций. Если ваша программа удержания работает только через email — вы теряете 70% потенциальных касаний. Для B2B — комбинация WhatsApp/Telegram + звонки работает лучше, чем классический email.

Интеграция CRM с омниканальным inbox критически важна: вы должны видеть всю историю общения с клиентом и реагировать в том канале, где он отвечает.

Культурные особенности

Личные отношения в Казахстане значат много. Холодные автоматические сообщения работают хуже, чем «личный» звонок от знакомого менеджера. Если у вас есть возможность назначить клиентам персональных менеджеров — это серьёзно влияет на удержание.

Также важно: в казахстанской культуре не принято открыто жаловаться. Клиент может быть глубоко недоволен, но на вопрос «Всё ли хорошо?» ответит «Да, всё отлично». Поэтому полагаться только на обратную связь опасно — смотрите на поведение.

Сезонность

Казахстанский рынок имеет выраженную сезонность. Летние месяцы (особенно июль-август) — традиционно «мёртвый сезон» для многих B2B-бизнесов. Люди в отпусках, решения откладываются. Это нужно учитывать в модели: снижение активности в августе — не обязательно сигнал оттока.

Также есть специфика праздников: Наурыз, Курбан-байрам — хорошие поводы для «тёплых» поздравлений клиентам. Это не про продажи, а про поддержание отношений.

Интеграция с локальными системами

Если ваш бизнес использует Kaspi для продаж — данные оттуда тоже нужно подтягивать в CRM для анализа. Клиент может уменьшить покупки у вас напрямую, но увеличить через Kaspi — и это не отток, а смена канала.

Пошаговый план внедрения: от нуля до работающей системы

Давайте соберём всё вместе в практический план, который можно начать выполнять уже завтра.

Фаза 1: Аудит и подготовка

• Определите, что такое «отток» для вашего бизнеса (точное, измеримое определение)
• Посчитайте текущий churn rate (monthly, annual)
• Оцените, какие данные у вас есть в CRM: транзакции, коммуникации, обратная связь
• Выгрузите исторические данные по клиентам (ушедшим и оставшимся)

Фаза 2: Построение первой версии модели

• Определите 5-7 ключевых сигналов риска (на основе здравого смысла и данных)
• Создайте простую скоринговую модель (правила + веса)
• Протестируйте на исторических данных: ловит ли оттоки?
• Скорректируйте веса по результатам тестирования

Фаза 3: Настройка автоматизации

• Настройте расчёт скоринга в CRM (ежедневно или в реальном времени)
• Создайте сегменты по уровню риска (низкий / средний / высокий)
• Настройте триггерные workflows для каждого сегмента
• Подготовьте шаблоны сообщений для программы удержания

Фаза 4: Запуск и мониторинг

• Запустите программу на небольшом сегменте (пилот)
• Отслеживайте метрики: precision, recall, retention rate в «рисковом» сегменте
• Собирайте обратную связь от менеджеров: релевантны ли сигналы?
• Масштабируйте на всю базу после успешного пилота

Фаза 5: Эволюция (опционально)

• Накопите данные о результатах программы удержания
• Обучите ML-модель на этих данных (если есть экспертиза или партнёр)
• Внедрите персонализацию сценариев на основе причин риска
• Интегрируйте с lead scoring для приоритизации усилий

Типичные ошибки при внедрении churn prediction

Чтобы вы не наступили на те же грабли, что и другие — вот список частых ошибок.

Ошибка 1: Слишком поздний сигнал

Модель определяет риск за 7 дней до ухода. К этому моменту клиент уже принял решение — переубедить его очень сложно. Хорошая модель должна давать сигнал за 30-60 дней.

Решение: При построении модели смотрите на поведение клиентов за 60-90 дней до ухода, а не за неделю.

Ошибка 2: Одинаковый подход ко всем

Клиент, который уходит из-за цены, и клиент, который уходит из-за плохого сервиса — требуют разных действий. Скидка не поможет тому, кто недоволен качеством.

Решение: Попробуйте классифицировать не только риск, но и причину. Это сложнее, но эффективнее.

Ошибка 3: Игнорирование ложных срабатываний

Если модель выдаёт 100 «рисковых» клиентов в день, а у вас 2 менеджера — они просто не справятся. Качество приоритетов страдает, важные клиенты теряются в шуме.

Решение: Калибруйте модель так, чтобы «высокий риск» означал действительно высокий риск. Лучше пропустить 10% реальных оттоков, чем утонуть в ложных тревогах.

Ошибка 4: Отсутствие обратной связи в модель

Модель работает месяцами без обновлений. Рынок меняется, поведение клиентов меняется, а модель — нет. Точность падает.

Решение: Регулярно (раз в квартал) пересчитывайте точность модели и корректируйте веса / переобучайте.

Ошибка 5: Фокус только на удержании, не на причинах

Вы «тушите пожары» — удерживаете уходящих клиентов скидками и подарками. Но не разбираетесь, почему они уходят. Результат: расходы на удержание растут, а проблемы остаются.

Решение: Используйте данные churn prediction для root cause analysis. Если 40% уходящих жаловались на доставку — проблема в доставке, а не в программе удержания.

Заключение: предсказуемость вместо сюрпризов

Вернёмся к Анаре, с которой мы начали. После внедрения системы прогнозирования оттока её салоны стали терять не 15%, а 6% клиентов в месяц. Не потому что клиенты стали другими — а потому что теперь она узнаёт о проблемах заранее.

«Самое ценное — это не экономия денег, хотя она тоже впечатляет. Самое ценное — это понимание. Раньше я не знала, почему люди уходят. Теперь я вижу паттерны, вижу, где мы подводим клиентов. И могу это исправить — системно, а не случайно», — говорит Анара.

Churn prediction — это не магия и не «искусственный интеллект, который всё решит». Это инструмент, который делает отток предсказуемым и управляемым. А предсказуемое можно контролировать. Контролируемое можно улучшать.

Начните с простого. Определите, что для вас отток. Посмотрите, какие данные у вас есть. Создайте первую, пусть примитивную, модель. Запустите первые автоматические сценарии. Измерьте результат. И развивайте.

Каждый процент снижения оттока — это деньги, которые остаются в вашем бизнесе. И клиенты, которые остаются с вами.