Прогнозування відтоку клієнтів для телеком-оператора: -31% відтік за 6 місяців

Завдання

Телеком-оператор з понад 2 мільйонами активних абонентів зіткнувся з хронічною проблемою відтоку: щомісяця компанія втрачала від 3 до 4 відсотків клієнтської бази, і жодного інструменту для завчасного виявлення таких абонентів не існувало. Реактивна модель роботи означала, що команда retention зверталась до клієнта вже після подачі заявки на відключення або після закінчення контракту — коли рішення фактично ухвалено. Реактивні retention-кампанії з персональними пропозиціями та знижками обходились у 400 тисяч доларів щокварталу, проте конверсія залишалась вкрай низькою: більшість клієнтів, яким пропонували знижку, все одно переходили до конкурентів. Крім того, відділ аналітики не мав можливості якісно пріоритизувати список абонентів для обзвону — менеджери витрачали час на клієнтів з мінімальним ризиком відтоку, тоді як справді ризикові абоненти залишались поза увагою. Бізнес страждав не лише від прямих фінансових втрат, а й від репутаційних наслідків: негативні відгуки від клієнтів, які відчули байдужість оператора у критичний момент, знижували показники NPS і ускладнювали залучення нових абонентів. Відсутність даних про причини відтоку унеможливлювала вдосконалення продукту та тарифних пропозицій.

Рішення

Розробили багаторівневу ML-систему прогнозування відтоку, яка дозволяє виявляти ризикових абонентів за 30 та 60 днів до ймовірного відключення. На першому етапі провели масштабний feature engineering: з транзакційних систем, CRM та мережевих логів вилучили понад 180 ознак, що охоплюють поведінкові патерни (динаміка дзвінків, обсяги трафіку, зміни у частоті використання послуг), фінансові показники (ARPU-тренд за 3/6/12 місяців, наявність затримок оплати, реакція на промо-пропозиції), сигнали незадоволеності (кількість і тематика звернень у підтримку, час вирішення, повторні звернення з тим самим питанням), а також геодані й тип пристрою. Базова модель побудована на градієнтному бустингу LightGBM з SHAP-інтерпретацією, що дозволяє не лише спрогнозувати ймовірність відтоку, а й зрозуміти ключові чинники для кожного конкретного абонента. Додатково навчили модель сегментації клієнтів за профілем ризику та цінністю, щоб retention-офери диференціювались за привабливістю і вартістю. Вся система інтегрована у CRM-платформу оператора через REST API: щоденний скоринг автоматично формує пріоритизовані списки для call-центру з рекомендованим сценарієм розмови та бюджетом знижки для кожного сегмента. Побудовано дашборд для керівництва з прогнозом відтоку на 30/60 днів, трендами по регіонах і тарифах, а також відстеженням ефективності retention-кампаній у реальному часі. Система навчається на нових даних щотижня, що дозволяє адаптуватись до змін поведінки ринку.

Результат

Модель досягла точності 87% (precision 0.84, recall 0.89) на валідаційній вибірці, що суттєво перевершує попередній baseline зі статичними правилами. За перші 6 місяців промислової експлуатації відтік абонентів скоротився на 31% у порівнянні з аналогічним попереднім періодом. ROI retention-кампаній зріс з 1.2x до 3.8x завдяки точному таргетингу та диференційованим оферам: дорогі знижки тепер отримують лише ті абоненти, для яких це критично для утримання, тоді як лояльним клієнтам пропонують нематеріальні переваги. Річна економія на retention-витратах склала 1,2 мільйона доларів при збереженні та покращенні показника утримання. Система охоплює 95% потенційних відтікачів не пізніше ніж за 30 днів до ймовірного відключення, надаючи команді достатньо часу для проактивного втручання.

Технології

Схожі кейси