Разработка AI-системы предсказания оттока клиентов с рекомендацией действий
Churn prediction без рекомендаций — половина системы. Знать что клиент может уйти недостаточно; нужно знать что делать конкретно с этим клиентом, с этим профилем риска, с этой историей.
Модель предсказания
Survival Analysis: Cox Proportional Hazards и Kaplan-Meier для предсказания времени до чurn-а, не просто вероятности. Даёт ответ «когда», а не только «вероятно ли».
Gradient Boosting Classification: XGBoost/LightGBM для вероятности oттока за 30/60/90 дней. SHAP values для explainability: «У этого клиента высокий риск потому что: -45% usage за последние 30 дней, 2 неразрешённых support ticket, NPS score 5».
Feature Engineering: Usage patterns (daily/weekly/monthly active), feature adoption breadth (сколько фич использует), login recency, support interaction, email engagement (opens, clicks), invoice status.
Recommendation Engine
Для каждого клиента с риском — персональные рекомендации на основе:
- Причин риска (SHAP explanation → action mapping)
- Сегмента клиента (Enterprise → exec call; SMB → email sequence)
- Истории взаимодействий (уже пробовали скидку → другой подход)
- Успешных retention cases у похожих клиентов
A/B тестирование интервенций
Разные playbooks тестируются на сегментах. Tracking: treatment vs. control group. Retention lift measurement.