AI-система персоналізованих retention-пропозицій

Втрата клієнтів — одна з найболючіших метрик у SaaS. Кожен відсоток відтоку безпосередньо знижує LTV і змушує витрачати більше на залучення. Але стандартна знижка 10% усім, хто не купував 30 днів, зливає маржу та не повертає тих, хто пішов з інших причин. Ми розробляємо AI-системи, які аналізують поведінку кожного клієнта, передбачають ризик відтоку та генерують персоналізовані retention-пропозиції. Результат: конверсія в повернення в 4-6 разів вища, ніж при масових розсилках, а retention-бюджет витрачається тільки на тих, кому це дійсно потрібно. Наш досвід у ML-рішеннях — понад 5 років, ми реалізували 15+ проєктів з утримання клієнтів у SaaS та e-commerce.

Як AI визначає ризик відтоку?

Модель на основі Gradient Boosting (n_estimators=200, learning_rate=0.05, max_depth=5) навчається на 6+ місяцях історії. Ознаки: частота покупок, середній чек, кількість звернень до підтримки, глибина використання функцій, час з останнього візиту. Для пояснення причин використовуємо SHAP — це дозволяє не тільки сказати «клієнт піде», але й зрозуміти чому: ціна, функціонал, якість сервісу або конкуренти. Gradient Boosting — популярний ансамблевий метод, стійкий до викидів.

import pandas as pd import numpy as np from sklearn.ensemble import GradientBoostingClassifier from sklearn.multioutput import MultiOutputClassifier from anthropic import Anthropic import shap class ChurnRiskModel: def __init__(self): self.churn_model = GradientBoostingClassifier( n_estimators=200, learning_rate=0.05, max_depth=5, random_state=42 ) # Многоклассовая модель причин оттока self.reason_model = MultiOutputClassifier( GradientBoostingClassifier(n_estimators=100, random_state=42) ) self.llm = Anthropic() self.explainer = None def fit(self, users_df: pd.DataFrame, labels: pd.Series, churn_reasons: pd.DataFrame = None): """ users_df: поведенческие и транзакционные признаки labels: 1=churned, 0=retained churn_reasons: multi-label для причин (price, features, competitor, quality, support) """ X = users_df.fillna(0) self.churn_model.fit(X, labels) self.explainer = shap.TreeExplainer(self.churn_model) self.feature_names = users_df.columns.tolist() if churn_reasons is not None: self.reason_model.fit(X, churn_reasons) def predict_churn_risk(self, user_features: dict) -> dict: """Риск оттока + причины + SHAP объяснение""" X = pd.DataFrame([user_features])[self.feature_names].fillna(0) churn_prob = self.churn_model.predict_proba(X)[0][1] # SHAP values для объяснения shap_values = self.explainer.shap_values(X) if isinstance(shap_values, list): shap_vals = shap_values[1][0] else: shap_vals = shap_values[0] # Топ факторы риска top_factors = sorted( zip(self.feature_names, shap_vals), key=lambda x: abs(x[1]), reverse=True )[:5] return { 'churn_probability': float(churn_prob), 'risk_level': 'high' if churn_prob > 0.7 else 'medium' if churn_prob > 0.35 else 'low', 'top_risk_factors': [ {'feature': name, 'impact': float(impact), 'direction': 'increase' if impact > 0 else 'decrease'} for name, impact in top_factors ] } class RetentionOfferEngine: """Выбор оптимального предложения для удержания""" def __init__(self, churn_model: ChurnRiskModel): self.churn_model = churn_model self.llm = Anthropic() self.offers = { 'discount_10': {'type': 'discount', 'value': 10, 'cost': 0.1, 'segment': 'price_sensitive'}, 'discount_20': {'type': 'discount', 'value': 20, 'cost': 0.2, 'segment': 'high_risk'}, 'feature_unlock': {'type': 'feature', 'duration_days': 30, 'cost': 0.05, 'segment': 'power_users'}, 'personal_manager': {'type': 'service', 'cost': 0.15, 'segment': 'enterprise'}, 'loyalty_bonus': {'type': 'points', 'value': 500, 'cost': 0.03, 'segment': 'loyal'}, 'winback_survey': {'type': 'survey', 'cost': 0.01, 'segment': 'churned'}, } def select_offer(self, user: dict, churn_risk: dict) -> dict: """Персонализированный выбор предложения""" risk_factors = {f['feature']: f['impact'] for f in churn_risk['top_risk_factors']} # Определение причины риска if risk_factors.get('days_since_last_purchase', 0) > 0 and \ risk_factors.get('avg_order_value', 0) < 0: # Снижение среднего чека = ценовая чувствительность offer_key = 'discount_10' if churn_risk['churn_probability'] < 0.6 else 'discount_20' elif risk_factors.get('support_tickets_last_30d', 0) > 0: # Проблемы с сервисом offer_key = 'personal_manager' elif risk_factors.get('feature_usage_depth', 0) < 0: # Не использует продукт offer_key = 'feature_unlock' elif user.get('total_orders', 0) > 20: # Лояльный клиент offer_key = 'loyalty_bonus' else: offer_key = 'discount_10' offer = self.offers[offer_key].copy() offer['offer_id'] = offer_key # Персонализированное сообщение offer['message'] = self._personalize_message(user, offer, churn_risk) return offer def _personalize_message(self, user: dict, offer: dict, risk: dict) -> str: risk_factors_str = ", ".join([ f['feature'] for f in risk['top_risk_factors'][:3] ]) response = self.llm.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=100, messages=[{ "role": "user", "content": f"""Write a personalized retention message (2 sentences max, warm tone). User: {user.get('first_name', 'Customer')}, {user.get('tenure_months', 0)} months with us Offer: {offer['type']} - {offer.get('value', '')} Risk signals: {risk_factors_str} Be specific, not generic. Don't mention risk/churn directly.""" }] ) return response.content[0].text 

Чому персоналізовані пропозиції ефективніші за масові?

Модель, навчена на 6 місяцях історії, передбачає відтік з AUC 0.82-0.88. Precision @30% threshold (високий ризик): 65-75%. Оптимальний момент для пропозиції — коли користувач ще активний, але вже демонструє ознаки відходу. Наш досвід показує, що економія retention-бюджету досягає 30% без втрати ефективності. Наприклад, в одному проєкті ми скоротили витрати на retention на значну частину бюджету, перенаправивши його тільки на клієнтів з високим ризиком.

Що входить у роботу?

• Аналітика: збір та підготовка даних (мінімум 6 місяців історії, мітки відтоку та причини).
• Проєктування: вибір архітектури моделі (Gradient Boosting + MultiOutput для причин), налаштування пайплайну.
• Розробка: реалізація ChurnRiskModel та RetentionOfferEngine, інтеграція з CRM через API.
• Тестування: A/B тест на 10% трафіку, порівняння конверсії та LTV.
• Деплой: розгортання на SageMaker або Kubernetes, моніторинг дрейфу даних.
• Документація та навчання: передача моделі, дашборду з SHAP-поясненнями, навчання команди.

Як інтегрувати AI-систему з існуючою CRM?

Інтеграція відбувається через REST API або пряме підключення до бази даних. Ми надаємо Docker-образ з моделлю, який розгортається у вашій інфраструктурі. API приймає JSON з ознаками користувача та повертає ризик відтоку і рекомендований офер. Для CRM на базі Salesforce, HubSpot або AmoCRM є готові конектори. Час інтеграції — від 1 до 3 днів після поставки моделі.

Як ми це робимо: реальний кейс

Для одного SaaS-продукту ми навчили модель на даних за 8 місяців. Gradient Boosting з SHAP виявив, що 40% відтоку пов'язано з невикористанням ключової функції «автозвіти». Ми сформували персоналізовану пропозицію: безкоштовний місяць доступу до цієї функції. Конверсія склала 22% — у 5 разів вище, ніж попередня масова знижка 15%. Сумарна економія на retention-бюджеті за квартал — суттєва сума.

Етапи впровадження

Строки та гарантії

Орієнтовні строки — від 4 до 8 тижнів залежно від складності інтеграції. Ми гарантуємо підвищення конверсії retention-кампаній щонайменше в 3 рази порівняно з масовими розсилками. Зв'яжіться з нами для консультації — ми підберемо оптимальну архітектуру під ваш стек та дані. Замовте пілотний проєкт, щоб переконатися в ефективності на ваших даних.