Клиент редко уходит внезапно. Перед этим он реже покупает, меньше реагирует на письма, чаще жалуется или снижает чек. Эти сигналы уже есть в CRM, и чтобы их увидеть, дата-сайентист не нужен: модель пишет код, который считает риск ухода по простым правилам, а маркетолог проверяет его на прошлых данных. Работа с базой окупается: в кейсе IV Medical School, который разбирали в подкасте eLama, доля выручки от существующих клиентов выросла с 11% до 34% после сегментации базы и выстраивания продуктовой воронки. Прогноз оттока помогает найти тех, кто уходит, пока их ещё можно вернуть.
Сигналы оттока
| Сигнал | Где найти | Пример правила |
|---|---|---|
| Давность последней покупки | CRM | Клиент молчит вдвое дольше своего обычного цикла |
| Падение частоты | CRM | Покупок за квартал меньше половины от его среднего |
| Снижение чека | CRM | Средний чек упал на треть к прошлому кварталу |
| Активность в письмах | Сервис рассылок | Ни одного клика за два месяца |
| Жалобы и обращения | Поддержка | Две жалобы и больше за месяц |
| Сигналы в B2B | CRM и звонки | Сменился контакт, сократилось число пользователей, в разговоре прозвучал конкурент |
Открытия писем как сигнал ненадёжны: защита приватности почтовых клиентов их завышает. Клики и покупки говорят больше.
Простая модель без дата-сайентиста
- Договорись, что считается уходом: для подписки это отмена, для магазина отсутствие покупок дольше двух циклов, для B2B непродление договора.
- Выгрузи клиентов за год-два с признаком «ушёл или остался» и данными по сигналам.
- Попроси модель написать код, который считает сигналы для каждого клиента и складывает их в балл риска.
- Проверь балл на прошлом: какая доля ушедших клиентов имела высокий балл за месяц-два до ухода.
- Выбери порог, начиная с которого клиент попадает в группу риска.
- Когда данных станет больше, попроси модель построить статистическую модель вместо правил и сравни точность.
Перед отправкой выгрузки в модель замени имена и контакты на внутренние номера: для расчёта риска личность клиента не нужна.
Что отправить до ухода
| Причина риска | Касание |
|---|---|
| Реже покупает | Полезное напоминание: новинка или сценарий, который клиент ещё не пробовал |
| Снизил чек | Персональное предложение в категории, где он покупал больше всего |
| Жалуется | Звонок менеджера и решение проблемы, письмо здесь не поможет |
| Перестал реагировать на письма | Выбор частоты и тем рассылки |
| В B2B сменился контакт | Знакомство с новым контактом и встреча с обзором результатов |
Как проверить точность
- Сколько клиентов из группы риска на деле ушли через месяц-два.
- Сколько ушедших модель вообще отметила заранее.
- Контрольная группа внутри группы риска, которой ничего не отправляют: только так видно, сколько клиентов удержали именно касания.
- Пересмотр правил и порога раз в квартал.
В B2B хороший источник сигналов - звонки. В «Контуре» описывают, как аналитика диалогов предсказывает отток за несколько звонков до отказа: клиент чаще говорит о проблемах, сравнивает с конкурентами, откладывает решения.
Что осталось в записи и презентации
Алексей Даниленко показывал на AI Борще, как АКТИОН собирает персональные цепочки писем с помощью ИИ. Цепочка для клиентов из группы риска работает так же, только запускает её прогноз оттока. Доклад есть в записи.
Получить запись и материалы конференции →
Читайте по теме: Реактивация клиентской базы с ИИ · Персональные офферы по базе с ИИ · ИИ для аналитики без выдуманных цифр