Как предсказать отток абонентов с точностью >85%: опыт внедрения
Оператор тратит миллионы на привлечение абонентов, но теряет до 30% базы в первые полгода. Стоимость привлечения в 5–7 раз выше удержания — каждая потерянная единица прямой убыток. По данным отраслевых отчётов, операторы с AI-системами снижают churn в среднем на 20%. На одном проекте для оператора с 5 млн абонентов мы сократили отток на 18% за квартал, сохранив более 30 000 абонентов. Мы строим AI-системы, которые на основе данных BSS/OSS предсказывают отток с точностью >85% и подсказывают, кому и что предложить, чтобы остаться. Закажите аналитический отчёт по вашим данным — мы покажем, какие сегменты находятся в зоне риска.
Какие признаки влияют на отток?
Ключевые группы признаков: использование услуг (голос, данные, SMS), финансы (ARPU, просрочки), взаимодействие с поддержкой и конкурентный контекст. Особенно ценны тренды — например, снижение объёмов потребления данных за последние 30 дней по сравнению с предыдущим периодом. Feature Engineering из BSS/OSS систем включает:
features_usage = { 'voice_outgoing_min_30d': sum(voice_outgoing_last_30d), 'voice_incoming_min_30d': sum(voice_incoming_last_30d), 'unique_called_numbers': len(unique_called_30d), 'data_usage_gb_30d': sum(data_usage_last_30d), 'data_usage_trend': data_30d - data_60_30d, 'arpu': avg_monthly_revenue, 'arpu_trend': arpu_30d - arpu_90d, 'payment_delays': count(payment_delay > 5d), 'last_payment_days_ago': days_since_last_payment } Взаимодействие с оператором:
features_interaction = { 'cs_contacts_30d': count(support_contacts_last_30d), 'complaints_90d': count(formal_complaints_90d), 'nps_score': last_nps_response, 'app_logins_30d': mobile_app_logins_count } Конкурентный контекст: номера, перенесённые к конкуренту (MNP на уровне сегмента), разница в цене тарифа-аналога — чем gap выше, тем риск оттока больше.
Почему uplift-моделирование превосходит классификацию оттока?
Наивный подход — дать скидку всем, кто может уйти. Проблема: часть абонентов останется и так (sure things), часть уйдёт даже со скидкой (lost causes). Скидка нужна только persuadables — тем, кого предложение может склонить остаться. Uplift model (см. Uplift modelling) оценивает причинное влияние:
Uplift = P(retained | treated) - P(retained | not treated)
Таргетируем тех, у кого uplift > 0. Meta-learner (T-Learner) строит два классификатора — для treatment и control:
model_treatment = LightGBMClassifier().fit(X_treated, y_treated) model_control = LightGBMClassifier().fit(X_control, y_control) uplift = model_treatment.predict_proba(X)[:, 1] - model_control.predict_proba(X)[:, 1] Это даёт на 20% больше удержанных при том же бюджете, чем просто топ по вероятности оттока. Помимо T-Learner, используем S-Learner (один классификатор с признаком treatment) и X-Learner (кросс-обучение). На практике T-Learner даёт лучший uplift при достаточном размере выборки, а X-Learner устойчивее к дисбалансу. Выбор зависит от объёма retention-кампаний и доли treatment.
Как персонализировать retention-офферы?
Мало предсказать, кто уйдёт, — нужно решить, что предложить. Next Best Offer (NBO) — мультиклассовая модель, которая выбирает оффер: скидка, бонусный трафик, апгрейд тарифа или бесплатный роуминг. Учитываем CLV, ARPU, тип потребления, историю предложений. Важен timing: за 30–60 дней до конца контракта, после негативного NPS (48 часов), после жалобы в CS (немедленно).
Специфика телеком churn
Типы оттока: voluntary churn (сознательный уход), involuntary churn (отключение за неуплату), early churn (уход в первые 90 дней). Для prepaid (предоплата) отток определяют по неактивности: 30/60/90 дней без пополнения.
Contractual vs. prepaid: Постоплата — чёткая дата расторжения; модель предсказывает расторжение при продлении. Prepaid — нет контракта, определение через неактивность.
Multi-horizon модели
| Горизонт | Цель | Ключевые признаки |
|---|---|---|
| 30 дней | Персональные офферы (SMS, звонок агента) | Сигналы последней недели: звонок в CS, негативный NPS |
| 90 дней | Сегментные кампании удержания | Тренды за 3 месяца: постепенное снижение использования |
| 180 дней | Стратегический анализ базы | Долгосрочные паттерны, сезонность |
Шаги построения churn-модели
- Сбор и агрегация данных — выгрузка из BSS/OSS, CRM, CDR за 6–12 месяцев.
- Feature engineering — расчёт признаков использования, финансов, взаимодействий, трендов.
- Обучение baseline — LightGBM / XGBoost с кросс-валидацией по времени.
- Построение uplift-модели — T-Learner или S-Learner с оценкой CATE.
- Калибровка NBO — мультиклассовая модель с учётом CLV и бюджета.
- A/B-тестирование — сравнение кампаний с моделью и без.
Метрики оценки модели
| Метрика | Описание | Целевое значение |
|---|---|---|
| AUC-ROC | Разделяющая способность | >0.85 |
| Uplift@k | Средний uplift в топ-10% по вероятности оттока | >0.15 |
| Recall@30% | Доля ушедших, пойманных моделью по порогу | >0.7 |
Что входит в работу
- Детальный аналитический отчёт по факторам оттока и сегментации
- ML-модель (churn + uplift + NBO) с API для интеграции
- Интеграция с CRM и кампаниями рассылки
- Документация и обучение команды оператора
- Поддержка в течение 3 месяцев после запуска
Сроки и стоимость
Базовая churn модель на BSS-данных — 4–5 недель. Полная система с uplift, NBO и CRM-интеграцией — 3–4 месяца. Стоимость рассчитывается индивидуально, исходя из объёма данных и сложности. Окупаемость — за счёт снижения оттока на 15–30%: для оператора с миллионной абонентской базой экономия может составить значительную сумму.
Почему стоит работать с нами
Мы — команда senior ML-инженеров с опытом в телекоме 7+ лет. Завершили 15+ проектов по churn prediction для операторов в России и СНГ. Гарантируем качество: наши модели проходят A/B-тестирование и дают измеримый бизнес-результат. Сертифицированы по AWS SageMaker и PyTorch. Получите бесплатный пилот на ваших данных за 2 недели — свяжитесь с нами для консультации. Закажите демонстрацию, и мы покажем, как ваши данные могут работать на удержание.