Прогноз оттока клиентов
Находит клиентов, которые ещё платят, но уже собрались уходить: считает вероятность ухода на горизонте 30–45 дней, называет причины и кладёт в карточку CRM готовый сценарий удержания. Отдел удержания начинает работать до ухода, а не после.
Иллюстрация показывает рабочий контур направления; конкретные шаги и интеграции разобраны ниже.
Как это выглядит без автоматизации
Клиент почти никогда не уходит внезапно. Сначала он реже заходит, потом переносит платёж, пишет в поддержку про списание, получает формальный ответ и тихо перестаёт продлеваться. Все эти следы уже лежат в ваших системах — просто никто не смотрит на них вместе и вовремя. О потере узнают из отчёта за прошлый месяц, когда возвращать уже дорого и почти некого.
Об уходе узнают из отчётности, а не от данных
Стандартный цикл такой: клиент не продлился — это увидели в закрытии месяца — передали в удержание через две-три недели. К моменту первого звонка человек уже купил абонемент у соседей или подписался на конкурента. Возврат ушедшего стоит в 3–5 раз дороже удержания сомневающегося.
Списки на удержание собираются на глаз
Обычный фильтр звучит как «не заходил 60 дней» и попадает в цель примерно в одном случае из пяти. В остальных четырёх менеджер тратит время и бонус на людей, которые никуда не собирались. При 500 контактах в месяц это 400 разговоров впустую.
Сигналы разбросаны по четырём системам
Частота визитов — в учётной системе, неудачные списания — в биллинге, жалобы — в поддержке, отказ от рассылок — в маркетинговой платформе. Ни один сотрудник не держит эти четыре экрана одновременно, а вместе они дают картину, которой по отдельности не видно.
Скидки уходят тем, кто остался бы и без них
Когда риск неизвестен, удерживают всех подряд одинаковым предложением. Часть бюджета уходит лояльным клиентам как подарок, а тем, кто действительно на выходе, предлагают скидку там, где проблема была в качестве обслуживания.
Во что это обходится: 28 000 активных клиентов × 3,5% ежемесячного оттока × 2 600 ₽ среднего платежа × 40% маржинальности ≈ 1 020 000 ₽ маржи, вымываемой из базы каждый месяц. Вернуть даже пятую часть — это около 200 000 ₽ ежемесячно, за которыми сейчас никто не идёт, потому что список появляется слишком поздно.
Возможности системы
Мы собираем историю поведения клиента из CRM, биллинга, поддержки и продуктовой аналитики в одну витрину и обучаем модель, которая каждую ночь пересчитывает вероятность ухода по всей базе. Важно не число само по себе: вместе с баллом риска в карточку клиента попадают конкретные причины и сценарий разговора. Менеджер утром видит не абстрактный рейтинг, а понятную задачу — кому звонить, почему и что предлагать.
Считает вероятность ухода на горизонте 30–45 дней
Модель обучается на вашей истории: как выглядели последние месяцы тех, кто ушёл, и чем они отличались от оставшихся. Каждую ночь оценка обновляется по всей базе, и клиент попадает в зону внимания задолго до пропущенного платежа.
Ловит изменение поведения, а не только его отсутствие
Значение имеет не абсолютная активность, а её перелом: визиты упали с восьми в месяц до двух, средний чек просел на треть, между заказами вместо 12 дней стало 40. Для каждого клиента считается его собственная норма, поэтому редкий, но стабильный покупатель не попадает в риск просто потому, что он редкий.
Объясняет причину, а не выдаёт балл
Для каждого клиента система показывает 2–3 фактора, которые сильнее всего подняли риск: пауза в посещениях, два обращения в поддержку подряд, негативная тональность последнего диалога, отказ от рассылки, неудачное списание. Менеджер начинает разговор с сути, а не с угадывания.
Подбирает сценарий под причину
Причина «недоволен качеством» и причина «дорого» требуют разного. Мы вместе с вашим отделом составляем матрицу «фактор риска — сценарий — предложение», и в задаче менеджера сразу написано, что делать: звонок куратора, заморозка вместо скидки, смена тарифа, разбор жалобы руководителем.
Живёт в CRM, а не в отдельном отчёте
Риск, причины и сценарий появляются полями в карточке клиента, а по верхней части списка автоматически создаются задачи с ответственными и сроком. Отдельную систему открывать не нужно — процесс идёт там же, где работали раньше.
Меряет себя контрольной группой
Часть клиентов из зоны риска мы намеренно не трогаем. Через месяц видно, сколько осталось в обработанной группе и сколько — в контрольной. Разница между ними и есть честный эффект внедрения, без приписывания системе тех, кто остался бы сам.
Путь одного события через систему
Каждый шаг оставляет след в журнале: любое решение системы можно открыть и проверить — что пришло, что проверено, что сделано.
Ночью данные стекаются в витрину
Из CRM, биллинга, системы поддержки и продуктовой аналитики забираются события за сутки: платежи и их результат, визиты и заказы, обращения и оценки, открытия писем, отписки. Клиенты из разных систем склеиваются в один профиль.
Считаются признаки поведения
Для каждого клиента строится 60–120 показателей: динамика активности к его собственной норме, длина текущей паузы, тренд среднего чека, число и тон обращений, доля неудачных списаний, реакция на прошлые предложения.
Модель оценивает вероятность ухода
Обученная на вашей истории модель возвращает вероятность того, что клиент перестанет платить в ближайшие 30–45 дней, и место клиента в общем распределении риска по базе.
Формулируются причины и сценарий
Из вклада отдельных признаков собираются 2–3 причины на человеческом языке, к ним по согласованной матрице подбирается сценарий удержания и допустимое предложение.
Задача появляется у менеджера
Верхняя часть списка риска уходит в CRM: поля риска и причин заполняются в карточке, создаются задачи с ответственным и сроком. Ёмкость отдела учитывается — список ограничен тем числом контактов, которое реально отработать.
Результат возвращается в модель
Что сделали, что предложили, чем закончилось, остался ли клиент через 30 и 60 дней — всё пишется обратно. Эти данные идут и в отчёт по удержанию, и в следующее переобучение модели.
Что происходит по неделям
Каждый этап заканчивается результатом, который вы видите и принимаете. Оплата привязана к приёмке, а не к обещаниям.
Определение оттока и разметка истории
Договариваемся, что в вашем бизнесе считается уходом: непродление подписки, пропуск двух списаний подряд или превышение личного межпокупочного интервала в полтора раза. Поднимаем историю за 18–24 месяца, размечаем ушедших и считаем фактический отток по месяцам и сегментам.
Витрина данных и признаки
Подключаемся на чтение к CRM, биллингу, поддержке и продуктовой аналитике. Склеиваем клиента между системами по телефону, почте и идентификаторам, чиним дубли. Собираем витрину с ежедневным обновлением и рассчитываем поведенческие признаки.
Обучение и честная проверка
Обучаем модель на прошлых периодах и проверяем её на месяцах, которых она не видела: имитируем, что стоим в марте, и смотрим, кого модель назвала бы в риске и кто ушёл в апреле. Сравниваем с вашим текущим ручным списком на тех же данных.
Причины риска и матрица сценариев
Переводим вклад признаков в понятные формулировки причин. Вместе с вашим отделом удержания составляем матрицу: какая причина — какой сценарий разговора — какое предложение допустимо и до какой скидки можно идти.
Доставка в CRM и контрольная группа
Настраиваем ночной пересчёт, поля риска, причин и сценария в карточке, автосоздание задач с учётом ёмкости отдела. Выделяем контрольную группу: 10–15% клиентов из зоны риска не обрабатываем, чтобы было с чем сравнивать. Собираем дашборд удержания.
Наблюдение, переобучение, отсев сценариев
Следим за смещением данных и качеством прогноза, переобучаем модель раз в квартал или при изменении продукта. Считаем, какие сценарии удержания реально работают, а какие только тратят бюджет, и убираем вторые.
Модельный расчёт: из чего складывается эффект
Не «до 90% экономии», а конкретная модель с вводными, которые можно оспорить и пересчитать под себя.
| Показатель | Сейчас | После внедрения |
|---|---|---|
| Когда становится известно об уходе | после пропущенного платежа, плюс 2–3 недели до передачи в работу | за 3–4 недели до ухода, клиент ещё платит |
| Точность списка на удержание | фильтр «не заходил 60 дней», попадание около 20% | верхние 5% базы по риску, попадание 55–60% |
| Удержано клиентов в месяц | 15–20, в основном реактивация постфактум | 60–75 до момента ухода |
| Что видит менеджер перед звонком | имя, телефон и дата последнего визита | риск, 2–3 причины и готовый сценарий разговора |
| Себестоимость удерживающих бонусов | около 95 000 ₽/мес широким списком | около 70 000 ₽/мес адресно, часть причин закрывается без скидки |
Полная цена владения — три составляющие
Никаких скрытых платежей: внешние сервисы вы оплачиваете напрямую по своим договорам, мы не делаем наценку на чужие тарифы.
Внедрение
- типовой проект: 750 000 ₽
- срок: 6–12 недель
- диагностика, разработка, интеграции, пилот
- документация и обучение команды
Поддержка
- мониторинг и реагирование по SLA
- исправление дефектов бесплатно
- обновление сценариев и интеграций
- ежемесячный отчёт о работе системы
Эксплуатация
- Сервер витрины и ночного пересчёта (VPS, PostgreSQL или ClickHouse): 5 000–20 000 ₽/мес
- Хранение истории, признаков и версий моделей: до 3 000 ₽/мес
- Дашборд удержания (Yandex DataLens или Superset): 0–990 ₽/мес за пользователя
- Каналы касаний: звонки, SMS, письма: по тарифам вашего провайдера; объём после внедрения обычно снижается
- число систем-источников: одна учётная база — или CRM, биллинг, поддержка и веб-аналитика с разными форматами
- качество связи клиента между системами: есть единый идентификатор — или придётся склеивать по телефону и почте
- тип оттока: подписка и абонемент считаются проще, свободные повторные покупки требуют отдельной модели межпокупочного интервала
- глубина объяснимости: только балл риска — или причины, сценарии и матрица предложений
- нужна ли доставка в несколько систем и полноценный контур измерения с контрольной группой
Участие заказчика
На диагностике достаточно обезличенных примеров. Боевые доступы — только после договора и NDA, через защищённые каналы.
С чем соединяем
Работаем с тем, что у вас уже есть. Если вашей системы нет в списке — скорее всего, подключимся через API: уточним на диагностике.
Как это решение работает в разных бизнесах
Сеть на 9 залов теряла около 980 абонементов в месяц и узнавала об этом при закрытии периода. Модель на данных турникетов, биллинга и обращений выделяет верхние 5% риска: падение частоты визитов и неудачное списание вместе поднимают риск втрое. Кураторы обзванивают 400 человек в месяц вместо тысячи наугад, удержание выросло с 15–20 до 60–75 клиентов.
Онлайн-школа с 22 000 учеников теряла до 30% группы на переходе между модулями. Признаки — падение доли просмотренных уроков, пропуск двух вебинаров подряд, отсутствие сданной домашней работы — дают сигнал за три недели до отказа от продления. Кураторы получают задачу до того, как ученик перестаёт заходить.
Дистрибьютор с 4 500 активными точками: уход дилера выглядит не как отказ, а как медленное снижение — сначала пропадают позиции из заказа, потом растёт интервал между отгрузками. Модель сравнивает поведение с личной нормой клиента и ловит сокращение на 40% за два цикла. Торговый представитель едет к тем, кто действительно уходит к конкуренту, а не по общему графику объезда.
Магазин с 60 000 покупателей и повторными покупками раз в 5–7 недель: подписки нет, поэтому уход определяется превышением личного интервала. Модель отделяет тех, кто просто ещё не дошёл до срока, от тех, кто уже ушёл к конкуренту, и экономит бюджет на промокодах, которые раньше сыпались всей базе спящих.
Сеть из 12 салонов: сильнейший фактор риска — не пауза сама по себе, а смена мастера и последующий разрыв визитов. Модель на данных YCLIENTS отмечает клиентов, у которых после перехода к другому специалисту частота упала вдвое, и администратор предлагает вернуться к прежнему мастеру до того, как человек перестанет записываться.
Что обычно спрашивают
У нас нет подписки, клиенты просто покупают время от времени. Как считать отток?
Насколько точен прогноз и что это значит на практике?
Не начнём ли мы тревожить тех, кто не собирался уходить?
Почему нужно не меньше 10 000 клиентов с историей?
Как понять, что деньги потрачены не зря, а клиенты остались бы и без нас?
Модель со временем перестанет работать?
Когда это решение не окупится
- меньше примерно 10 000 клиентов с историей от года — статистики не хватит, начните с сегментации и простых правил
- проектный бизнес с единичными крупными сделками: отток здесь не массовое явление, а разговор с конкретным заказчиком
- продажи без идентификации покупателя (касса без карты лояльности): историю поведения не к кому привязать
- нет отдела или процесса удержания — список риска будет корректным и никому не нужным, сначала нужен тот, кто по нему звонит
- отток вызван внешней причиной вроде закрытия филиала или ухода из региона: модель это увидит, но повлиять на это она не может
Если на диагностике расчёт не сойдётся — мы предложим более простой вариант или честно скажем, что автоматизация вам пока не нужна. Это дешевле для всех, чем проект ради проекта.
Сегментация клиентов
Делит базу на живые сегменты по истории покупок: RFM, поведение, ценность и вероятное следующее действие каждого клиента. Сегменты пересчитываются каждую ночь и сами появляются в CRM, рассылках и программе лояльности — вместо одной рассылки на всю базу.
Аналитика и прогнозированиеBI-дашборды для бизнеса
Ключевые показатели из 1С, CRM, маркетплейсов и рекламы — на одном экране, с автоматическим обновлением и детализацией до конкретной операции. Одна версия цифр на всю компанию вместо спора, чей Excel правильнее.
Продажи и CRMВозврат потерянных клиентов
Система сегментирует спящую базу по истории покупок, ведёт каждый сегмент по каскаду персональных касаний — мессенджер, письмо, звонок робота — и передаёт менеджеру только тех, кто ответил. Выручка реактивации видна отдельной строкой, с контрольной группой.
Посчитать «Прогноз оттока клиентов» на ваших цифрах?
Пришлите объёмы и пару примеров — вернёмся с картой процесса, честным расчётом экономики и точной сметой. Если не сойдётся — так и скажем.
