Churn Prediction: ML-модель предсказания оттока клиентов

Мы столкнулись с задачей: у SaaS-продукта с $1M MRR отток (churn) составлял 5% в месяц. Каждый процент снижения — это $120K дополнительного ARR в год. Но без точной модели удержание превращается в стрельбу вслепую: скидки всем подряд сжигают маржу. Churn prediction решает это — модель выявляет клиентов с высоким риском ухода до того, как они уйдут. Мы строим систему, которая на практике снижает отток на 20%.

Проблемы, которые решаем

Размытый таргет. В non-contractual сценариях (e-commerce, игры) нет явной метки ухода — нужно определить порог неактивности. Например, если клиент не совершал покупку 90 дней — считаем ушедшим. Выбор порога критичен: при 30 днях метка есть у 20% клиентов, при 90 — у 5%.

Несбалансированные классы. 2-10% уходящих против 90% остающихся. Без коррекции модель даёт 90% accuracy, но ноль recall по уходящим.

Feature engineering. RFM-метрики — основа, но нужны ещё тренды (изменение активности за 30 дней), adoption rate фич, тикеты поддержки. Мы используем rolling window агрегации и diff-фичи.

Как мы это делаем: стек и кейс

Стек: LightGBM (baseline) — LightGBM в 10 раз быстрее LSTM на табличных данных при сравнимом качестве. CatBoost для категориальных фич, LSTM если критична последовательность событий. Feature store — PostgreSQL с pgvector для эмбеддингов. MLflow для экспериментов, SHAP для интерпретации.

Развернутый кейс из нашей практики: Клиент — B2B SaaS с 50K юзеров. Baseline LightGBM дал PR-AUC 0.31. После добавления trend features (изменение частоты логинов за 30 дней) — 0.41, +32%. Добавление sequence модели (LSTM на последовательности событий) подняло до 0.49, но на 4x latency. В итоге продакшн — ансамбль LightGBM + LSTM с каскадным скорингом.

Как определить отток в non-contractual сценарии?

Определите пороговый период неактивности, после которого клиент считается ушедшим. Мы выбираем X на основе анализа распределения интервалов между покупками. Типичные значения: 60-90 дней для B2B SaaS, 90-180 для e-commerce. Неверный выбор ведет к шуму в целевой переменной.

Почему LightGBM — хороший baseline для churn prediction?

LightGBM устойчив к пропускам, работает с категориями (при правильном кодировании), учитывает нелинейные зависимости. На стандартных задачах оттока он обгоняет логистическую регрессию по AUC-ROC на 0.15–0.25 и при этом быстрее XGBoost в 2-3 раза.

Разработка и развертывание модели

Feature Engineering

RFM-метрики (наиболее важные предикторы):

• Recency: дней с последнего действия/транзакции
• Frequency: количество сессий/покупок за 30/90/180 дней
• Monetary: сумма трат за период

Поведенческие фичи:

• Trend features: рост/снижение активности за последние 30 дней vs. предыдущие 30
• Feature adoption rate: какой % ключевых функций продукта использует клиент
• Support tickets: количество обращений, тип, NPS после решения

Контрактные/демографические:

• Срок с момента онбординга
• Тип тарифного плана
• Сегмент (SMB / Enterprise)
• Канал привлечения

Выбор алгоритма

Рекомендация: начать с LightGBM как baseline, добавить Sequence Model если поведенческие паттерны важны.

Работа с несбалансированными классами

Методы борьбы с дисбалансом включают использование class weights (class_weight='balanced' в sklearn) — простейший fix; SMOTE генерирует синтетические примеры minority класса, но может внести шум; Focal Loss в нейросетях downweights easy examples; подбор порога классификации по Precision-Recall curve (не 0.5) — бесплатный способ повысить Precision@K. Для оценки используем F1-score (взвешенный) как основную метрику, AUC-ROC для ранжирования, Precision@K для маркетинга — точность среди топ-K клиентов по риску наиболее важна.

Deployment и использование

Batch scoring: еженедельный запуск модели по всей клиентской базе. Результат — таблица с churn probability для каждого клиента. Сегментация: high risk (>0.7), medium risk (0.4-0.7), low risk (<0.4).

Real-time scoring: API endpoint POST /score, <100 мс ответ, обновление скора в CRM в реальном времени.

Удержание по сегментам:

• High risk: личный звонок от Customer Success или скидка
• Medium risk: автоматизированная email-кампания с value reminder
• Low risk: без действий (не тратить ресурсы)

Оценка бизнес-эффекта

Uplift modeling — правильный способ измерить реальную ценность системы. Обычный A/B тест: 50% high-risk клиентов получают удержание (treatment), 50% — нет (control). Измеряем разницу в churn rate. Компании, использующие churn prediction, снижают отток на 15-20%. Средняя экономия от внедрения — $30–50K на 10K клиентов.

Процесс и сроки работ

Процесс работы

1. Аналитика: сбор и очистка данных, определение churn-определения, анализ распределения.
2. Feature engineering: RFM, тренды, адопшен фич, контрактные данные.
3. Моделирование: baseline (LightGBM), эксперименты (CatBoost, LSTM), подбор порогов.
4. Тестирование: offline (AUC, F1, Precision@K), online A/B uplift test.
5. Деплой: batch scoring weekly, real-time API (<100ms), интеграция с CRM.
6. Мониторинг: дрейф данных, дрейф модели, автоматический перезапуск.

Что входит в работу

• Отчёт по определению churn (выбор таргета)
• Baseline-модель (LightGBM) + SHAP-отчёт
• Документация фичей и пайплайна
• Интеграция batch scoring в вашу CRM
• Обучение команды (2 часа)
• Поддержка 3 месяца после деплоя

Сроки ориентировочно

Первая модель с базовыми RFM-фичами — 2-3 недели. Полноценная система с feature store, мониторингом дрейфа и CRM-интеграцией — 8-10 недель. Мы — команда с 5+ лет опыта в ML-продакшене, 30+ успешных проектов по churn prediction. Свяжитесь, чтобы мы оценили ваш проект и предложили точные сроки. Получите консультацию по внедрению churn prediction.

import pandas as pd

def rfm_features(transactions, as_of_date):
    """Расчёт Recency, Frequency, Monetary для каждого клиента."""
    rfm = transactions.groupby('customer_id').agg(
        recency=('transaction_date', lambda x: (as_of_date - x.max()).days),
        frequency=('transaction_id', 'nunique'),
        monetary=('amount', 'sum')
    ).reset_index()
    return rfm