AI-система персонализированных retention-предложений

Потеря клиентов — одна из самых болезненных метрик в SaaS. Каждый процент оттока напрямую снижает LTV и заставляет тратить больше на привлечение. Но стандартная скидка 10% всем, кто не покупал 30 дней, сливает маржу и не возвращает тех, кто ушёл по другим причинам. Мы разрабатываем AI-системы, которые анализируют поведение каждого клиента, предсказывают риск оттока и генерируют персонализированные retention-предложения. Результат: конверсия в возврат в 4-6 раз выше, чем при массовых рассылках, а retention-бюджет расходуется только на тех, кому это действительно нужно. Наш опыт в ML-решениях — более 5 лет, мы реализовали 15+ проектов по удержанию клиентов в SaaS и e-commerce.

Как AI определяет риск оттока?

Модель на основе Gradient Boosting (n_estimators=200, learning_rate=0.05, max_depth=5) обучается на 6+ месяцах истории. Признаки: частота покупок, средний чек, количество обращений в поддержку, глубина использования функций, время с последнего визита. Для объяснения причин используем SHAP — это позволяет не только сказать «клиент уйдёт», но и понять почему: цена, функционал, качество сервиса или конкуренты. Gradient Boosting — популярный ансамблевый метод, устойчивый к выбросам.

import pandas as pd import numpy as np from sklearn.ensemble import GradientBoostingClassifier from sklearn.multioutput import MultiOutputClassifier from anthropic import Anthropic import shap class ChurnRiskModel: def __init__(self): self.churn_model = GradientBoostingClassifier( n_estimators=200, learning_rate=0.05, max_depth=5, random_state=42 ) # Многоклассовая модель причин оттока self.reason_model = MultiOutputClassifier( GradientBoostingClassifier(n_estimators=100, random_state=42) ) self.llm = Anthropic() self.explainer = None def fit(self, users_df: pd.DataFrame, labels: pd.Series, churn_reasons: pd.DataFrame = None): """ users_df: поведенческие и транзакционные признаки labels: 1=churned, 0=retained churn_reasons: multi-label для причин (price, features, competitor, quality, support) """ X = users_df.fillna(0) self.churn_model.fit(X, labels) self.explainer = shap.TreeExplainer(self.churn_model) self.feature_names = users_df.columns.tolist() if churn_reasons is not None: self.reason_model.fit(X, churn_reasons) def predict_churn_risk(self, user_features: dict) -> dict: """Риск оттока + причины + SHAP объяснение""" X = pd.DataFrame([user_features])[self.feature_names].fillna(0) churn_prob = self.churn_model.predict_proba(X)[0][1] # SHAP values для объяснения shap_values = self.explainer.shap_values(X) if isinstance(shap_values, list): shap_vals = shap_values[1][0] else: shap_vals = shap_values[0] # Топ факторы риска top_factors = sorted( zip(self.feature_names, shap_vals), key=lambda x: abs(x[1]), reverse=True )[:5] return { 'churn_probability': float(churn_prob), 'risk_level': 'high' if churn_prob > 0.7 else 'medium' if churn_prob > 0.35 else 'low', 'top_risk_factors': [ {'feature': name, 'impact': float(impact), 'direction': 'increase' if impact > 0 else 'decrease'} for name, impact in top_factors ] } class RetentionOfferEngine: """Выбор оптимального предложения для удержания""" def __init__(self, churn_model: ChurnRiskModel): self.churn_model = churn_model self.llm = Anthropic() self.offers = { 'discount_10': {'type': 'discount', 'value': 10, 'cost': 0.1, 'segment': 'price_sensitive'}, 'discount_20': {'type': 'discount', 'value': 20, 'cost': 0.2, 'segment': 'high_risk'}, 'feature_unlock': {'type': 'feature', 'duration_days': 30, 'cost': 0.05, 'segment': 'power_users'}, 'personal_manager': {'type': 'service', 'cost': 0.15, 'segment': 'enterprise'}, 'loyalty_bonus': {'type': 'points', 'value': 500, 'cost': 0.03, 'segment': 'loyal'}, 'winback_survey': {'type': 'survey', 'cost': 0.01, 'segment': 'churned'}, } def select_offer(self, user: dict, churn_risk: dict) -> dict: """Персонализированный выбор предложения""" risk_factors = {f['feature']: f['impact'] for f in churn_risk['top_risk_factors']} # Определение причины риска if risk_factors.get('days_since_last_purchase', 0) > 0 and \ risk_factors.get('avg_order_value', 0) < 0: # Снижение среднего чека = ценовая чувствительность offer_key = 'discount_10' if churn_risk['churn_probability'] < 0.6 else 'discount_20' elif risk_factors.get('support_tickets_last_30d', 0) > 0: # Проблемы с сервисом offer_key = 'personal_manager' elif risk_factors.get('feature_usage_depth', 0) < 0: # Не использует продукт offer_key = 'feature_unlock' elif user.get('total_orders', 0) > 20: # Лояльный клиент offer_key = 'loyalty_bonus' else: offer_key = 'discount_10' offer = self.offers[offer_key].copy() offer['offer_id'] = offer_key # Персонализированное сообщение offer['message'] = self._personalize_message(user, offer, churn_risk) return offer def _personalize_message(self, user: dict, offer: dict, risk: dict) -> str: risk_factors_str = ", ".join([ f['feature'] for f in risk['top_risk_factors'][:3] ]) response = self.llm.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=100, messages=[{ "role": "user", "content": f"""Write a personalized retention message (2 sentences max, warm tone). User: {user.get('first_name', 'Customer')}, {user.get('tenure_months', 0)} months with us Offer: {offer['type']} - {offer.get('value', '')} Risk signals: {risk_factors_str} Be specific, not generic. Don't mention risk/churn directly.""" }] ) return response.content[0].text 

Почему персонализированные предложения эффективнее массовых?

Модель, обученная на 6 месяцах истории, предсказывает отток с AUC 0.82-0.88. Precision @30% threshold (высокий риск): 65-75%. Оптимальный момент для предложения — когда пользователь ещё активен, но уже демонстрирует признаки ухода. Наш опыт показывает, что экономия retention-бюджета достигает 30% без потери эффективности. Например, в одном проекте мы сократили расходы на retention на значительную часть бюджета, перенаправив его только на клиентов с высоким риском.

Что входит в работу?

• Аналитика: сбор и подготовка данных (минимум 6 месяцев истории, метки оттока и причины).
• Проектирование: выбор архитектуры модели (Gradient Boosting + MultiOutput для причин), настройка пайплайна.
• Разработка: реализация ChurnRiskModel и RetentionOfferEngine, интеграция с CRM через API.
• Тестирование: A/B тест на 10% трафика, сравнение конверсии и LTV.
• Деплой: развертывание на SageMaker или Kubernetes, мониторинг дрейфа данных.
• Документация и обучение: передача модели, дашборда с SHAP-объяснениями, обучение команды.

Как интегрировать AI-систему с существующей CRM?

Интеграция происходит через REST API или прямое подключение к базе данных. Мы предоставляем Docker-образ с моделью, который разворачивается в вашей инфраструктуре. API принимает JSON с признаками пользователя и возвращает риск оттока и рекомендованный оффер. Для CRM на базе Salesforce, HubSpot или AmoCRM есть готовые коннекторы. Время интеграции — от 1 до 3 дней после поставки модели.

Как мы это делаем: реальный кейс

Для одного SaaS-продукта мы обучили модель на данных за 8 месяцев. Gradient Boosting с SHAP выявил, что 40% оттока связано с неиспользованием ключевой функции «автоотчеты». Мы сформировали персонализированное предложение: бесплатный месяц доступа к этой функции. Конверсия составила 22% — в 5 раз выше, чем предыдущая массовая скидка 15%. Суммарная экономия на retention-бюджете за квартал — существенная сумма.

Этапы внедрения

Сроки и гарантии

Ориентировочные сроки — от 4 до 8 недель в зависимости от сложности интеграции. Мы гарантируем повышение конверсии retention-кампаний минимум в 3 раза по сравнению с массовыми рассылками. Свяжитесь с нами для консультации — мы подберем оптимальную архитектуру под ваш стек и данные. Закажите пилотный проект, чтобы убедиться в эффективности на ваших данных.