Early churn signals: как ИИ ловит риск оттока до того, как клиент «пропал»

Когда звонок уже ничего не изменит

Представьте: пятница, конец квартала, CSM звонит крупному клиенту по поводу renewal. Трубку берёт незнакомый голос: «А Марат уволился три месяца назад. Мы уже внедряем другую систему, извините». Занавес.

И ведь никто не виноват – все работали. Просто никто не заметил, как за полгода до этого клиент стал заходить в систему раз в неделю вместо каждого дня. Как прекратились вопросы в поддержку – не потому что всё идеально, а потому что перестали пользоваться. Как ваш champion тихо обновил LinkedIn с новым местом работы.

Отток – это не событие, а процесс. Он начинается за месяцы до официального «мы уходим». И вот что интересно: сигналы всегда есть. Просто человеческий мозг не может отслеживать 50 параметров по 200 клиентам одновременно. А AI – может. И именно это меняет правила игры.

Четыре типа сигналов, которые кричат о проблемах

Клиент никогда не уходит молча. Он оставляет цифровые следы – просто мы не умеем их читать. AI умеет.

Поведение в продукте: тихое угасание

Самый надёжный индикатор – как люди пользуются вашим продуктом. Не что говорят, а что делают.

Логины падают на 30% за две недели – и это ещё не катастрофа, но уже звоночек. Из пяти пользователей в команде активны двое – значит, трое уже нашли альтернативу или просто забили. Ключевую фичу не открывали месяц – ту самую, ради которой покупали. Сессии стали короче в два раза – раньше работали по часу, теперь заходят на пять минут, что-то проверяют и выходят.

Каждый сигнал по отдельности можно объяснить отпусками, загрузкой, сезонностью. Но когда они складываются – это уже паттерн.

Коммуникация: молчание – тоже ответ

Парадокс: когда клиент перестаёт жаловаться – это плохо. Жалобы означают, что ему не всё равно. Тишина означает, что он уже мысленно ушёл.

Последние пять писем открыты, но без ответа. Две встречи подряд отменены в последний момент. Тикеты в поддержку – ноль за месяц при активном использовании (раньше писали каждую неделю). В переписке проскакивает раздражение: «опять не работает», «мы уже обсуждали это».

Но самый тревожный сигнал – смена champion. Человек, который вас «продавал» внутри компании, ушёл. А новый контакт не отвечает вторую неделю. Это красный флаг уровня пожарной тревоги.

Деньги: где болит по-настоящему

Финансовые сигналы – самые честные. Просрочка платежа больше двух недель – либо у них проблемы, либо вы не в приоритете. Запрос на downgrade – готовы платить меньше, значит ценности видят меньше. Отказ от expansion – «спасибо, нам хватит» означает «мы не уверены, что останемся».

Особенно тревожно, когда бухгалтерия вдруг начинает задавать вопросы про условия расторжения. Это не любопытство – это подготовка.

Внешний мир: что происходит у клиента

Иногда отток не связан с вами вообще. Компанию клиента покупают – и новые владельцы приводят своих вендоров. Нового CFO не устраивают текущие расходы. Сокращают штат – и вашу систему просто некому использовать.

AI мониторит новости, LinkedIn-обновления, вакансии. Если ваш клиент вдруг ищет специалиста по конкурирующему продукту – это не совпадение.

Как AI собирает пазл из разрозненных сигналов

Представьте детектива, который видит всё: каждый клик в продукте, каждое открытое письмо, каждый пропущенный платёж. И помнит, как выглядели 500 клиентов перед уходом за последние три года. Это и есть churn prediction модель.

Что попадает в анализ

Модель не работает на одном источнике – она смотрит на всё сразу. Телеметрия продукта показывает реальное использование. CRM хранит историю отношений – тикеты, NPS, встречи. Биллинг фиксирует платёжную дисциплину и изменения тарифа. А внешние данные – новости и LinkedIn – добавляют контекст о том, что происходит в компании клиента.

Сила не в отдельных метриках, а в их комбинации. Usage упал на 20%? Бывает. Usage упал на 20%, при этом champion обновил профиль в LinkedIn, а последний NPS был 5? Это уже совсем другая история.

Что модель говорит на выходе

Хорошая модель не просто выдаёт вероятность – она объясняет логику. «73% вероятность оттока в ближайшие 90 дней» – это полезно. Но «73% потому что usage упал на 45%, champion ушёл, а NPS был 3» – это уже actionable.

Модель показывает риск-категорию для приоритизации (не все клиенты одинаково важны), динамику (риск растёт или падает?), и – критично – сколько времени на реакцию. «Действовать в течение 7 дней» заставляет шевелиться совсем иначе, чем абстрактное «at risk».

Health Score: один показатель вместо хаоса метрик

У врача есть общий диагноз, а не просто список анализов. У клиента должен быть Health Score – одно число от 0 до 100, которое показывает, насколько «здоровы» ваши отношения.

Из чего складывается здоровье

Самый большой вес – product adoption (около 30%). Если клиент реально использует продукт и получает ценность, остальное чаще всего приложится. Engagement – как охотно общаются, приходят на встречи, отвечают на письма – это ещё 25%. Остальное делится между поддержкой (довольны ли решением проблем?), глубиной отношений (знаем ли мы больше одного человека?) и финансами (платят ли вовремя, растёт ли контракт?).

Веса можно и нужно калибровать под свой бизнес. У кого-то usage – главный предиктор, у кого-то – NPS. Модель должна учиться на ваших данных, а не на чужих бенчмарках.

Что означают цифры

80-100 (Healthy): Клиент счастлив, использует продукт, платит вовремя. Можно думать про expansion, а не про удержание.

60-79 (At risk): Есть тревожные сигналы. Самое время позвонить и спросить: «Как дела? Есть ли что-то, чем мы можем помочь?» Пока ещё не поздно.

40-59 (High risk): Красный флаг. Нужна эскалация – возможно, выход на уровень руководства с обеих сторон. Здесь уже не «поддержка», а «спасение».

Ниже 40 (Critical): Пожар. Executive business review в ближайшие дни, персональный план спасения, ежедневный мониторинг. Если не действовать – клиент уйдёт с вероятностью 80%+.

Что делать, когда система кричит о проблемах

Знать о риске и ничего не делать – хуже, чем не знать. Поэтому каждый алерт должен запускать конкретный сценарий. Не «подумаем», а «делаем вот это, в такой последовательности, с таким таймингом».

Сценарий: usage начал падать

Первые три дня – мягкое касание. Письмо от CSM: «Заметили, что команда реже заходит в систему. Всё в порядке? Может, чем-то помочь?» Это не давление, это забота.

К концу первой недели – звонок. Возможно, у них отпуска. Возможно, сменились приоритеты. Возможно, продукт глючит и они не могут работать. Без разговора не узнаешь.

Если через две недели молчание продолжается – пора выходить на другого человека в компании. Ваш контакт мог уйти, заболеть, перейти в другой отдел. Параллельно – проверка технической стороны: может, у них что-то сломалось, а они просто не сообщили.

Сценарий: негативный фидбек

NPS 3 или злой тикет – это не проблема, это подарок. Клиент ещё готов разговаривать, а не молча уходить. Но реагировать нужно молниеносно.

Сразу – эскалация в продукт или поддержку. В течение суток – личный звонок от CSM с конкретным планом: «Мы увидели проблему, вот что делаем, вот когда будет результат». Через три дня – подтверждение, что проблема закрыта. Через неделю – контрольный звонок: «Как теперь? Всё работает?»

Иногда уместна компенсация – скидка, бесплатный месяц, дополнительные фичи. Но главное не деньги, а ощущение: «Нас услышали, о нас позаботились».

Сценарий: champion ушёл

Это один из самых опасных моментов. Человек, который любил ваш продукт и защищал его внутри компании – больше не работает там. Новый контакт не знает вас, не понимает ценности, возможно, имеет свои предпочтения.

День первый – узнать контакт нового ответственного. Первая неделя – вводная встреча: познакомиться, понять приоритеты нового человека, показать ценность заново. Следующие две-три недели – мини-онбординг: демо ключевых фич, рассказ о результатах, которые получала компания.

Задача – за месяц превратить незнакомого человека в нового champion. Или хотя бы в лояльного пользователя.

Сценарий: критический риск

Health Score ниже 40 – это красная кнопка. Здесь уже не CSM работает в одиночку – подключается руководство.

Эскалация на уровень VP или C-level с обеих сторон. Executive Business Review в течение пяти дней – не «когда-нибудь», а конкретная дата. Персональный план спасения с обязательствами: «Мы сделаем вот это к такому-то сроку, вы подтвердите, что это решает проблему».

Ежедневный мониторинг, пока ситуация не стабилизируется. И обязательный post-mortem после – неважно, спасли клиента или потеряли. Чтобы в следующий раз поймать раньше.

Автоматизация: чтобы ничего не забылось

CSM – не робот. У него 30-50 клиентов, сотни писем в неделю, бесконечные встречи. Полагаться на то, что он сам заметит падение скора – наивно. Система должна не только предупреждать, но и толкать к действию.

Триггеры, которые работают

Health Score упал на 10 пунктов – в Slack прилетает алерт, в CRM создаётся задача. Не «когда-нибудь посмотрю», а конкретная задача с дедлайном.

Вероятность churn выше 50% – алерт идёт не только CSM, но и его руководителю. Двойной контроль: если один пропустил – второй подхватит.

Пришёл NPS 6 или ниже – автоматически создаётся задача на звонок. Не письмо, а именно звонок. Недовольного клиента нужно услышать, а не читать.

До renewal осталось 60 дней, а клиент в высоком риске – подключается VP. Здесь уже не время для стандартных процедур, нужна тяжёлая артиллерия.

Система обнаружила, что champion обновил LinkedIn с новым местом работы – задача на поиск нового контакта. Пока все спят – вы уже действуете.

Где живут алерты

Алерты должны приходить туда, где люди реально работают. Slack или Teams – для срочных уведомлений. CRM – для задач и истории. Календарь – для автоматического бронирования слотов под срочные звонки. Дашборд – для общей картины: сколько клиентов в риске, как меняется ситуация.

Ключевое: алерт без действия – бесполезен. Каждое уведомление должно либо создавать задачу, либо запускать процесс, либо требовать подтверждения «видел, принял к сведению».

Как понять, что система работает

Внедрили AI, настроили алерты – а толку? Нужны метрики, которые покажут реальную пользу, а не красивые графики.

Точность предсказаний

Первый вопрос: насколько точна модель? Precision показывает, сколько алертов оказались верными – клиент действительно ушёл или был на грани. Если из 10 алертов 7 попали в точку – это хорошо. Если 3 из 10 – модель врёт чаще, чем помогает.

Recall – обратная сторона: сколько ушедших клиентов система предсказала заранее? Если 80% уходов были предсказаны – отлично. Если половина ушла «тихо», без алертов – модель слепая.

Время и скорость

Lead time – за сколько дней до ухода система подняла тревогу? 60 дней – это время на полноценную работу. 2 недели – это «уже поздно, но попробуем». Чем раньше – тем лучше.

Time to action – как быстро CSM реагирует на алерт? Если алерт висит три дня без реакции – проблема не в модели, а в процессах. Целевое значение – менее 24 часов.

Главная метрика: save rate

В конечном счёте важно одно: скольких клиентов из группы риска удалось удержать? Save rate 40% – это каждый второй потенциальный уход превращается в сохранённого клиента. Это и есть ROI системы.

Если save rate низкий – либо алерты приходят слишком поздно, либо playbooks не работают, либо команда не следует процессам. Копайте глубже.

История одной компании: от 15% churn к 8%

Теория – это хорошо, но давайте про реальную жизнь. B2B SaaS-компания, около 200 клиентов, средний чек приличный. Проблема классическая: каждый год теряли 15% базы. Не катастрофа, но больно.

Как было: тушение пожаров

CSM-ы узнавали о проблемах за две-три недели до renewal – когда клиент уже одной ногой на выходе. Единой картины здоровья клиентов не было: каждый CSM вёл своих по-своему, в голове держал, кто «нормальный», а кто «сложный».

Save rate был 12% – то есть из 10 клиентов, которые собирались уйти, удерживали одного. И это чаще всего было везение, а не система.

Что изменили

Внедрили Health Score – каждый клиент получил цифру от 0 до 100. Подключили churn prediction с горизонтом 90 дней. Настроили алерты в Slack – если скор падает, CSM узнаёт сразу. Написали playbooks для каждого уровня риска – не «как-нибудь разберёмся», а чёткие сценарии. И ввели еженедельные risk review – команда вместе смотрит на проблемных клиентов.

Результат через полгода

Churn упал с 15% до 8%. Save rate вырос с 12% до 45% – почти каждого второго «уходящего» удаётся сохранить. Lead time увеличился с двух недель до трёх месяцев – это совсем другие возможности для работы.

Но самое интересное – NRR (Net Revenue Retention) вырос с 95% до 108%. Это значит, что оставшиеся клиенты не просто остаются, но и покупают больше. Потому что CS-команда теперь не тушит пожары, а строит отношения.

Грабли, на которые наступают все

Видели десятки внедрений – ошибки повторяются. Вот самые дорогие.

Ошибка №1: смотреть только на usage

Кажется логичным: если пользуются – всё хорошо, если нет – плохо. Но usage – это только часть картины. Клиент может активно пользоваться продуктом и при этом ненавидеть вас. Или использование падает, потому что у них сезон. Без коммуникационных сигналов, NPS, финансов – картина неполная.

Ошибка №2: алерты есть, реакции нет

Классика: красивая система, уведомления летят в Slack, дашборды мигают красным. А CSM-ы не реагируют. Потому что «и так много работы», «это наверное ложное срабатывание», «займусь завтра». Система без процессов – дорогая игрушка.

Ошибка №3: alert fatigue

Противоположная крайность: алертов так много, что они превращаются в шум. Если каждый день приходит 20 уведомлений – через неделю их перестают читать. Пороги должны быть калиброваны так, чтобы каждый алерт был значимым.

Ошибка №4: «а что делать-то?»

Алерт пришёл. CSM смотрит на него и думает: «Окей, клиент в риске. И?» Без playbook – конкретных сценариев реагирования – люди будут действовать по интуиции. А интуиция у всех разная.

Ошибка №5: забыть про переобучение

Модель, обученная год назад, сегодня может работать хуже. Рынок меняется, продукт меняется, клиенты меняются. Минимум раз в квартал – ревизия модели и обновление весов.

Ошибка №6: размытая ответственность

Алерт висит три дня. Кто должен был отреагировать? «Ну, это вроде Айгерим клиент, или Даниила?» Каждый клиент должен быть закреплён за конкретным CSM. Один клиент – один ответственный – ноль оправданий.

Как внедрить: практический путь

Не нужно строить идеальную систему с первого дня. Начните с простого, итерируйте, улучшайте.

Шаг первый: разберитесь с данными

Прежде чем строить модели – поймите, что у вас есть. Какие данные собираются? Usage, CRM, биллинг, поддержка – что из этого доступно в нормальном виде? Поднимите историю за последние два года: кто ушёл и что этому предшествовало? Паттерны часто видны невооружённым глазом.

Шаг второй: постройте Health Score

Не нужна сложная ML-модель с первого дня. Начните с простой формулы: usage + engagement + support + финансы. Присвойте веса на основе интуиции и истории. Рассчитайте скор для всех текущих клиентов. Сверьте с реальностью: те, кто ушёл в прошлом году – какой у них был бы скор? Калибруйте.

Шаг третий: напишите playbooks

Это важнее, чем кажется. Что делать, если скор упал на 10 пунктов? Что делать, если клиент в критическом риске? Кто за что отвечает? Запишите это. Обсудите с командой. Убедитесь, что все понимают одинаково.

Шаг четвёртый: автоматизируйте алерты

Теперь можно подключать технику: алерты в Slack, задачи в CRM, дашборды. Но только после того, как есть понимание, что с этими алертами делать. Иначе получится та самая «дорогая игрушка».

Шаг пятый: пилот и итерации

Не раскатывайте на всех сразу. Возьмите часть клиентской базы, поработайте месяц-два. Собирайте фидбек от CSM: что работает, что нет, какие алерты ложные, чего не хватает. Калибруйте пороги. И только потом – на всю базу.

Финальная проверка: всё ли на месте?

Прежде чем праздновать внедрение – пройдитесь по этому списку. Если где-то пробел – система будет работать вполсилы.

Данные: Собираете usage, CRM-историю, биллинг, тикеты поддержки? Все источники подключены и обновляются регулярно?

Health Score: У каждого клиента есть актуальный скор? Вы понимаете, из чего он складывается?

Предсказания: Модель обучена на вашей истории? Валидирована на реальных уходах?

Алерты: Настроены и приходят туда, где люди работают? Не слишком много, не слишком мало?

Playbooks: Написаны, обсуждены, известны всей команде? Люди знают, что делать с каждым типом алерта?

Ответственность: Каждый клиент закреплён за конкретным CSM? Нет «ничейных» аккаунтов?

Скорость: Отслеживаете time to action? CSM реагируют в течение суток?

Результаты: Измеряете save rate? Видите улучшения?

Обновления: Модель пересматривается минимум раз в квартал?

Ритуалы: Проводите еженедельные risk review с командой?

Что читать дальше

Если тема зацепила – вот несколько статей, которые углубят понимание:

Health Score: какие сигналы предсказывают churn – детальный разбор того, как строить и калибровать скор здоровья клиента.

Customer Success Playbook – полный цикл работы с клиентом от онбординга до expansion.

Renewal pipeline – как выстроить процесс продлений и не терять клиентов на финальном этапе.

Stalled deals – про зависшие сделки и как AI помогает их расшевелить.