Клиент уходит — а вы узнаёте через месяц. Как предсказать отток и удержать 18% клиентов

Телеком-оператор. 200 тысяч абонентов. Каждый месяц уходят 3–4%. Это 6–8 тысяч клиентов. Каждый — это потеря ARPU на годы вперёд. При среднем чеке 500 ₽/мес один ушедший клиент = 6 000 ₽ потерянной выручки в год. Умножьте на 7 тысяч.

42 миллиона рублей в год. Просто уходят. А вы узнаёте, когда они уже отключились.

Почему стандартные методы не работают

Опросы NPS — клиент ставит 8 из 10, а через неделю уходит. Потому что NPS измеряет настроение, а не намерение. Человек может быть вполне доволен — но получил предложение от конкурента подешевле.

Анализ жалоб — ловит только тех, кто жалуется. А большинство недовольных клиентов просто молча уходят. Без звонков, без претензий, без предупреждения.

Скидки всем подряд — убивают маржу. Даёте скидку лояльным клиентам, которые и так бы остались. А те, кто реально уходит — не получают ничего, потому что вы их не видите.

Как работает предиктивная модель

ML-модель анализирует поведение, а не мнение:

Модель присваивает каждому клиенту скор риска от 0 до 100. Клиенты с высоким скором — кандидаты на отток. Им автоматически запускается программа удержания.

Результат

Не тратите бюджет на удержание тех, кто и так останется. Фокусируете ресурсы на тех, кто реально уходит.

Подходит не только телекому

Та же логика работает для:

Если у вас есть данные о поведении клиентов — модель можно построить.