Вы теряете 20% клиентов ежемесячно и не знаете, почему. Маркетинг предлагает скидки всем подряд, но бюджет растёт, а отток — нет. Стандартный подход к удержанию в B2B SaaS часто терпит неудачу, потому что не учитывает временную динамику и первопричины ухода. Мы столкнулись с этой проблемой в проекте для финтех-платформы с 200 000 пользователей. Внедрение нашей системы предсказания оттока с персонализированными рекомендациями позволило снизить churn на 17% всего за 2 месяца. Ключевое отличие — интерпретируемость: вы знаете не только кто уйдёт, но и почему, и что делать. Традиционные A/B тесты и ретроспективный анализ не дают оперативной картины. Высокий отток подрывает LTV и увеличивает CAC. Наша система использует ансамбль моделей: Survival Analysis для оценки времени до ухода и Gradient Boosting для вероятности оттока в конкретном окне. SHAP values раскрывают причины каждого риска, а recommendation engine генерирует персонализированные действия. Результат — рост retention на 15% и экономия бюджета на удержание до 30%.
Проблемы, которые решаем
Отсутствие интерпретируемости. Обычные модели дают лишь вероятность ухода, но не отвечают «почему». Без этого невозможно прицельное действие. Игнорирование временных зависимостей. Churn — не мгновенное событие; клиент «утекает» постепенно. Без учёта времени модель предсказывает хуже. Generic recommendations. Все клиенты получают одинаковые скидки — это неэффективно. Наш подход даёт разный рецепт для каждого профиля риска. Персонализированные рекомендации работают в 2-3 раза эффективнее универсальных скидок.
Как мы это делаем
Стек:
- Survival Analysis: Cox Proportional Hazards и Kaplan-Meier — для оценки времени до churn. Точность предсказания «когда» выше, чем у классификации «уйдёт/нет».
- Gradient Boosting: XGBoost/LightGBM — для вероятности оттока за 30/60/90 дней. SHAP values разбирают вклад каждой фичи: «риск высок из-за снижения usage на 45%, 2 открытых тикета, NPS=5».
- Feature Engineering: usage patterns (daily/weekly/monthly active), feature adoption breadth, login recency, support interactions, email engagement, invoice status.
- Recommendation Engine: для каждого клиента с риском — персонализированные действия на основе SHAP-факторов, сегмента (Enterprise → exec call; SMB → email-скрипт), истории взаимодействий и успешных кейсов похожих клиентов.
Кейс. Для финтех-платформы с 200K клиентов внедрили систему за 7 недель. SHAP выявил, что основная причина оттока — снижение частоты транзакций после 3-го месяца. Рекомендация: автоматический персональный дашборд и push-уведомления с анализом расходов. Результат: снижение churn на 17% за 2 месяца.
Как интерпретируются причины оттока?
SHAP attributions — это не чёрный ящик. Для каждого клиента мы получаем список факторов с количественной оценкой влияния. Например: «скоринг повышен из-за отсутствия входа за 5 дней (+0.12), низкого NPS (+0.08), просрочки счёта (+0.05)». Эти данные конвертируем в action-рекомендации через rule-based и ML-леточную модель. Подробнее о SHAP можно узнать в Wikipedia.
Почему персонализированные рекомендации работают лучше?
A/B тесты на сегментах показывают lift retention 10-20% по сравнению с универсальными скидками. Пример: для enterprise-клиентов с высоким риском звонок CSM увеличивает retention на 25%; для SMB email-последовательность с case-study — на 12%. Без персонализации — 0%. Исследования Forrester показывают, что персонализированные коммуникации повышают retention в среднем на 18%. Инвестиции в систему окупаются за 3–4 месяца за счёт снижения CAC.
Процесс работы
- Аудит данных — собираем логи, CRM, payment history (обычно 6-12 месяцев).
- Feature Engineering — строим 50+ временных признаков.
- Обучение моделей — Survival Analysis + Gradient Boosting + настройка гиперпараметров.
- Recommendation Engine — правила + ML для выбора действий.
- A/B тестирование — рандомизация по клиентам, 2 недели пилот.
- Деплой в production — REST API с latency P99 <100ms.
- Мониторинг и ретрайнинг — каждые 2 недели (переобучение на свежих данных).
| Этап | Срок | Результат |
|---|---|---|
| Аудит и feature engineering | 1-2 недели | Датасет с признаками |
| Обучение и валидация | 1-2 недели | Модели с метриками AUC~0.85 |
| Рекомендательный движок | 1-2 недели | Action-map и API |
| A/B тестирование и деплой | 2-3 недели | Готовая система с мониторингом |
| Подход | Retention lift | Время внедрения |
|---|---|---|
| Универсальные скидки | 0-5% | Неделя |
| Наша система | 15-25% | 7-9 недель |
Типичные ошибки при внедрении
- Игнорирование сезонности — модель переобучается на праздничные пики.
- Использование устаревших данных — predict на данных полугодовой давности бесполезен.
- Отсутствие контрольной группы — невозможно измерить lift.
- Generic A/B тест — не сегментируют клиентов.
Детальный пример SHAP-атрибуции
Для клиента A: base value = 0.15 (вероятность оттока); вклад фич: отсутствие входа 5 дней +0.12, низкий NPS +0.08, просрочка +0.05. Итоговая вероятность = 0.40. Рекомендация: отправить push-уведомление с промокодом и обзвонить поддержку.Что входит в работу
- Документация по модели и API (Swagger).
- Интеграция через REST или WebSocket.
- Дашборд в Grafana с метриками (предсказания, SHAP, retention).
- Обучение команды (2-3 воркшопа).
- Поддержка 3 месяца после деплоя.
Оцените ваш проект за 2 дня — напишите нам. Закажите консультацию по внедрению. 5+ лет опыта в ML, 50+ реализованных проектов по предсказанию оттока, гарантия качества.