Розробка AI-системи передбачення відтоку клієнтів із рекомендацією дій
Churn prediction без рекомендацій – половина системи. Знати, що клієнт може піти недостатньо; Потрібно знати що робити саме з цим клієнтом, з цим профілем ризику, з цією історією.
Модель передбачення
Survival Analysis: Cox Proportional Hazards та Kaplan-Meier для передбачення часу до чurn-а, не просто ймовірності. Дає відповідь "коли", а не тільки "чи ймовірно".
Gradient Boosting Classification: XGBoost/LightGBM для ймовірності відтоку за 30/60/90 днів. SHAP values для explainability: «У цього клієнта високий ризик тому що: -45% usage за останні 30 днів, 2 нерозв'язані support ticket, NPS score 5».
Feature Engineering: Usage patterns (daily/weekly/monthly active), feature adoption breadth (скільки фіч використовує), login recency, support interaction, email engagement (opens, clicks), invoice status.
Recommendation Engine
Для кожного клієнта з ризиком персональні рекомендації на основі:
- Причин ризику (SHAP explanation → action mapping)
- Сегменту клієнта (Enterprise → exec call; SMB → email sequence)
- історії взаємодій (вже пробували знижку → інший підхід)
- Успішних retention cases у схожих клієнтів
A/B тестування інтервенцій
Різні playbooks тестуються на сегментах. Tracking: treatment vs. control group. Retention lift measurement.