Як передбачити відтік абонентів з точністю >85%: досвід впровадження
Оператор витрачає мільйони на залучення абонентів, але втрачає до 30% бази в перші півроку. Вартість залучення в 5–7 разів вища за утримання — кожна втрачена одиниця прямий збиток. За даними галузевих звітів, оператори з AI-системами знижують churn в середньому на 20%. На одному проєкті для оператора з 5 млн абонентів ми скоротили відтік на 18% за квартал, зберігши понад 30 000 абонентів. Ми будуємо AI-системи, які на основі даних BSS/OSS передбачають відтік з точністю >85% і підказують, кому і що запропонувати, щоб залишитись. Замовте аналітичний звіт за вашими даними — ми покажемо, які сегменти знаходяться в зоні ризику.
Які ознаки впливають на відтік?
Ключові групи ознак: використання послуг (голос, дані, SMS), фінанси (ARPU, прострочки), взаємодія з підтримкою та конкурентний контекст. Особливо цінні тренди — наприклад, зниження обсягів споживання даних за останні 30 днів порівняно з попереднім періодом. Feature Engineering з BSS/OSS систем включає:
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 } Взаємодія з 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 } Конкурентний контекст: номери, перенесені до конкурента (MNP на рівні сегмента), різниця в ціні тарифу-аналога — чим gap вищий, тим ризик відтоку більший.
Чому uplift-моделювання перевершує класифікацію відтоку?
Наївний підхід — дати знижку всім, хто може піти. Проблема: частина абонентів залишиться і так (sure things), частина піде навіть зі знижкою (lost causes). Знижка потрібна тільки persuadables — тим, кого пропозиція може схилити залишитись. Uplift model (див. Uplift modelling) оцінює причинний вплив:
Uplift = P(retained | treated) - P(retained | not treated)
Таргетуємо тих, у кого uplift > 0. Meta-learner (T-Learner) будує два класифікатори — для treatment і 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] Це дає на 20% більше утриманих при тому ж бюджеті, ніж просто топ за ймовірністю відтоку. Крім T-Learner, використовуємо S-Learner (один класифікатор з ознакою treatment) і X-Learner (крос-навчання). На практиці T-Learner дає кращий uplift при достатньому розмірі вибірки, а X-Learner стійкіший до дисбалансу. Вибір залежить від обсягу retention-кампаній і частки treatment.
Як персоналізувати retention-офери?
Мало передбачити, хто піде, — потрібно вирішити, що запропонувати. Next Best Offer (NBO) — мультикласова модель, яка обирає офер: знижка, бонусний трафік, апгрейд тарифу або безкоштовний роумінг. Враховуємо CLV, ARPU, тип споживання, історію пропозицій. Важливий timing: за 30–60 днів до кінця контракту, після негативного NPS (48 годин), після скарги в CS (негайно).
Специфіка телеком churn
Типи відтоку: voluntary churn (свідомий відхід), involuntary churn (відключення за несплату), early churn (відхід у перші 90 днів). Для prepaid (передоплата) відток визначають за неактивністю: 30/60/90 днів без поповнення.
Contractual vs. prepaid: Постоплата — чітка дата розірвання; модель передбачає розірвання при продовженні. Prepaid — немає контракту, визначення через неактивність.
Multi-horizon моделі
| Горизонт | Мета | Ключові ознаки |
|---|---|---|
| 30 днів | Персональні офери (SMS, дзвінок агента) | Сигнали останнього тижня: дзвінок у CS, негативний NPS |
| 90 днів | Сегментні кампанії утримання | Тренди за 3 місяці: поступове зниження використання |
| 180 днів | Стратегічний аналіз бази | Довгострокові патерни, сезонність |
Кроки побудови churn-моделі
- Збір та агрегація даних — вивантаження з BSS/OSS, CRM, CDR за 6–12 місяців.
- Feature engineering — розрахунок ознак використання, фінансів, взаємодій, трендів.
- Навчання baseline — LightGBM / XGBoost з крос-валідацією за часом.
- Побудова uplift-моделі — T-Learner або S-Learner з оцінкою CATE.
- Калібрування NBO — мультикласова модель з урахуванням CLV та бюджету.
- A/B-тестування — порівняння кампаній з моделлю та без.
Метрики оцінки моделі
| Метрика | Опис | Цільове значення |
|---|---|---|
| AUC-ROC | Роздільна здатність | >0.85 |
| Uplift@k | Середній uplift у топ-10% за ймовірністю відтоку | >0.15 |
| Recall@30% | Частка тих, хто пішов, спійманих моделлю за порогом | >0.7 |
Що входить в роботу
- Детальний аналітичний звіт за факторами відтоку та сегментацією
- ML-модель (churn + uplift + NBO) з API для інтеграції
- Інтеграція з CRM та кампаніями розсилки
- Документація та навчання команди оператора
- Підтримка протягом 3 місяців після запуску
Терміни та вартість
Базова churn модель на BSS-даних — 4–5 тижнів. Повна система з uplift, NBO та CRM-інтеграцією — 3–4 місяці. Вартість розраховується індивідуально, виходячи з обсягу даних та складності. Окупність — за рахунок зниження відтоку на 15–30%: для оператора з мільйонною абонентською базою економія може скласти значну суму.
Чому варто працювати з нами
Ми — команда senior ML-інженерів з досвідом у телекомі 7+ років. Завершили 15+ проєктів з churn prediction для операторів в Україні та СНД. Гарантуємо якість: наші моделі проходять A/B-тестування і дають вимірний бізнес-результат. Сертифіковані за AWS SageMaker та PyTorch. Отримайте безкоштовний пілот на ваших даних за 2 тижні — зв'яжіться з нами для консультації. Замовте демонстрацію, і ми покажемо, як ваші дані можуть працювати на утримання.