Предсказание оттока (Churn): AI, Uplift и NBO в телекоме

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

Шаги построения churn-модели

1. Сбор и агрегация данных — выгрузка из BSS/OSS, CRM, CDR за 6–12 месяцев.
2. Feature engineering — расчёт признаков использования, финансов, взаимодействий, трендов.
3. Обучение baseline — LightGBM / XGBoost с кросс-валидацией по времени.
4. Построение uplift-модели — T-Learner или S-Learner с оценкой CATE.
5. Калибровка NBO — мультиклассовая модель с учётом CLV и бюджета.
6. A/B-тестирование — сравнение кампаний с моделью и без.

Метрики оценки модели

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.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.