Ви втрачаєте 20% клієнтів щомісяця і не знаєте, чому. Маркетинг пропонує знижки всім підряд, але бюджет зростає, а відтік — ні. Стандартний підхід до утримання в B2B SaaS часто зазнає невдачі, тому що не враховує часову динаміку та першопричини виходу. Ми зіткнулися з цією проблемою в проекті для фінтех-платформи з 200 000 користувачів. Впровадження нашої системи передбачення відтоку з персоналізованими рекомендаціями дозволило знизити churn на 17% всього за 2 місяці. Ключова відмінність — інтерпретованість: ви знаєте не тільки хто піде, але й чому, і що робити. Традиційні A/B тести та ретроспективний аналіз не дають оперативної картини. Високий відтік підриває LTV і збільшує CAC. Наша система використовує ансамбль моделей: Survival Analysis для оцінки часу до відходу та Gradient Boosting для ймовірності відтоку в конкретному вікні. SHAP values розкривають причини кожного ризику, а recommendation engine генерує персоналізовані дії. Результат — зростання retention на 15% і економія бюджету на утримання до 30%.
Проблеми, які вирішуємо
Відсутність інтерпретованості. Звичайні моделі дають лише ймовірність виходу, але не відповідають «чому». Без цього неможливе прицільне діяння. Ігнорування часових залежностей. Churn — не миттєва подія; клієнт «витікає» поступово. Без урахування часу модель передбачає гірше. Generic recommendations. Всі клієнти отримують однакові знижки — це неефективно. Наш підхід дає різний рецепт для кожного профілю ризику. Персоналізовані рекомендації працюють у 2-3 рази ефективніше за універсальні знижки.
Як ми це робимо
Стек:
- Survival Analysis: Cox Proportional Hazards і Kaplan-Meier — для оцінки часу до churn. Точність передбачення «коли» вища, ніж у класифікації «піде/не піде».
- Gradient Boosting: XGBoost/LightGBM — для ймовірності відтоку за 30/60/90 днів. SHAP values розбирають внесок кожної фічі: «ризик високий через зниження usage на 45%, 2 відкритих тікети, NPS=5».
- Feature Engineering: usage patterns (daily/weekly/monthly active), feature adoption breadth, login recency, support interactions, email engagement, invoice status.
- Recommendation Engine: для кожного клієнта з ризиком — персоналізовані дії на основі SHAP-факторів, сегмента (Enterprise → exec call; SMB → email-скрипт), історії взаємодій та успішних кейсів схожих клієнтів.
Кейс. Для фінтех-платформи з 200K клієнтів впровадили систему за 7 тижнів. SHAP виявив, що основна причина відтоку — зниження частоти транзакцій після 3-го місяця. Рекомендація: автоматичний персональний дашборд і push-повідомлення з аналізом витрат. Результат: зниження churn на 17% за 2 місяці.
Як інтерпретуються причини відтоку?
SHAP attributions — це не чорна скринька. Для кожного клієнта ми отримуємо список факторів із кількісною оцінкою впливу. Наприклад: «скоринг підвищений через відсутність входу за 5 днів (+0.12), низький NPS (+0.08), прострочення рахунку (+0.05)». Ці дані конвертуємо в action-рекомендації через rule-based і ML-леточну модель. Докладніше про SHAP можна дізнатися в Wikipedia.
Чому персоналізовані рекомендації працюють краще?
A/B тести на сегментах показують lift retention 10-20% порівняно з універсальними знижками. Приклад: для enterprise-клієнтів з високим ризиком дзвінок CSM збільшує retention на 25%; для SMB email-послідовність з case-study — на 12%. Без персоналізації — 0%. Дослідження Forrester показують, що персоналізовані комунікації підвищують retention в середньому на 18%. Інвестиції в систему окупаються за 3–4 місяці за рахунок зниження CAC. Система підвищує retention у 2-3 рази швидше за звичайні методи.
Процес роботи
- Аудит даних — збираємо логи, CRM, payment history (зазвичай 6-12 місяців).
- Feature Engineering — будуємо 50+ часових ознак.
- Навчання моделей — Survival Analysis + Gradient Boosting + налаштування гіперпараметрів.
- Recommendation Engine — правила + ML для вибору дій.
- A/B тестування — рандомізація по клієнтах, 2 тижні пілот.
- Деплой у production — REST API з latency P99 <100ms.
- Моніторинг і ретрейнінг — кожні 2 тижні (перенавчання на свіжих даних).
| Етап | Термін | Результат |
|---|---|---|
| Аудит і feature engineering | 1-2 тижні | Датасет з ознаками |
| Навчання і валідація | 1-2 тижні | Моделі з метриками AUC~0.85 |
| Рекомендаційний двигун | 1-2 тижні | Action-map і API |
| A/B тестування і деплой | 2-3 тижні | Готова система з моніторингом |
| Підхід | Retention lift | Час впровадження |
|---|---|---|
| Універсальні знижки | 0-5% | Тиждень |
| Наша система | 15-25% | 7-9 тижнів |
Типові помилки при впровадженні
- Ігнорування сезонності — модель перенавчається на святкові піки.
- Використання застарілих даних — predict на даних піврічної давності марний.
- Відсутність контрольної групи — неможливо виміряти lift.
- Generic A/B тест — не сегментують клієнтів.
Детальний приклад SHAP-атрибуції
Для клієнта A: base value = 0.15 (ймовірність відтоку); внесок фіч: відсутність входу 5 днів +0.12, низький NPS +0.08, прострочення +0.05. Підсумкова ймовірність = 0.40. Рекомендація: надіслати push-повідомлення з промокодом і обдзвонити підтримку.Що входить у роботу
- Документація по моделі та API (Swagger).
- Інтеграція через REST або WebSocket.
- Дашборд у Grafana з метриками (передбачення, SHAP, retention).
- Навчання команди (2-3 воркшопи).
- Підтримка 3 місяці після деплою.
Економія бюджету до $50,000 за рахунок зниження CAC. Вартість впровадження — від $20,000 залежно від складності.
Оцініть ваш проект за 2 дні — напишіть нам. Замовте консультацію з впровадження. 5+ років досвіду в ML, 50+ реалізованих проектів з передбачення відтоку, гарантія якості.