Прогнозирование оттока клиентов: модель и примеры

Автор

Единого автора нет; метод проверяли в маркетинговой науке Неслин с коллегами, Леммен и Круа, Аскарса, Турнир по оттоку опубликован в 2006; критика таргетинга по риску — 2018

Уровень

401 · Экспертный

Подходит

растущая компания, корпорация

Время на внедрение

Четыре–восемь недель на первую модель и первый тест с контрольной группой, если история клиентов уже собрана в одной таблице

Что понадобится

записи о клиентах минимум за год с датой ухода каждого, сохранённые по датам, а не перезаписанные · чёткое определение «ушёл» и окно прогноза, например отсутствие продления в течение 90 дней · действие по удержанию с известной стоимостью на клиента и возможность не трогать часть клиентов

Предиктивная модель оттока обучается на прошлом поведении клиентов и оценивает шанс, что каждый из них уйдёт в заданный срок. Команда удержания сортирует клиентов по этому шансу и тратит бюджет на верх списка. Как отдельная область исследований метод оформился в 2000-х, когда маркетинговые учёные сравнили, насколько хорошо разные модели находят уходящих. Простую оценку, которую собирают вручную, разбирает страница про оценку здоровья клиента. Здесь речь о статистической версии и о вопросе, который идёт сразу за ней: кого выбрать для контакта.

Что предсказывает модель?

Ответ «да» или «нет» на фиксированный период: уйдёт ли этот клиент в ближайшие 90 дней? Как его получить, зависит от того, как уход выглядит в ваших данных. В контрактных сферах, таких как подписки и банковские счета, отмена записывается, и метку можно ставить прямо. Аскарса и Харди строят для этого случая совместную модель использования и продления: обе величины в ней считаются признаками одного скрытого состояния клиента.

Там, где контракта нет, например в магазине или на маркетплейсе, об уходе никто не объявляет. Модели вроде модели Фейдера, Харди и Ли по истории покупок оценивают, активен ли клиент ещё. Здесь до разметки нужно выбрать правило, например 120 дней молчания, и только потом называть кого-то ушедшим.

Как строится модель?

Возьмите прошлую дату, её называют датой среза. По каждому клиенту соберите то, что было известно на эту дату, и запишите, ушёл ли он в окне после неё. Повторите для нескольких дат и сложите результаты в одну обучающую таблицу.

Строгость с датами нужна из-за утечки данных. Кауфман с коллегами определяют утечку как информацию о целевой переменной, которой не должно быть, когда модель работает. Типичный случай — поле «последний вход», перезаписанное после ухода клиента. Длина истории тоже выбор: Баллингс и Ван ден Поэль изучают, сколько истории событий клиента нужно модели оттока.

Какой алгоритм выбрать?

Начните с простого и сравнивайте. В турнире по оттоку, который провели Неслин с коллегами, учёные и практики обучали модели на одних и тех же открытых данных. Авторы сообщают, что выбор метода важен: разница способна изменить прибыль кампании на сотни тысяч долларов. Ещё они пишут, что на данных, собранных тремя месяцами позже, модели теряют в точности совсем немного.

Леммен и Круа выяснили, что бэггинг и бустинг классификационных деревьев значимо улучшили прогноз оттока у американского оператора беспроводной связи. Для редких событий они советуют сбалансированную выборку с поправкой на смещение. Бустинг деревьев остаётся стандартным выбором, например через XGBoost. Вербеке, Мартенс и Баесенс добавляют анализ социальных сетей, где дополнительным входом служат связи между клиентами, а анализ выживаемости учитывает клиентов, которые ещё не ушли.

Как понять, что модель хороша?

Проверяйте её на более позднем периоде и по тому, чего стоит решение. Случайное перемешивание кладёт в обучающую и тестовую выборки строки, близкие по времени, и завышает результат, о чём предупреждает руководство scikit-learn, поэтому проверяйте «вперёд» по времени.

Уходят редко, и точность вводит в заблуждение. Площадь под ROC-кривой, по Хэнли и Макнилу, равна шансу, что случайный уходящий окажется выше случайного оставшегося. Сайто и Рехмсмайер считают, что на несбалансированных данных точность и полнота (precision и recall) говорят больше. Вероятности должны быть ещё и откалиброваны: из клиентов с оценкой 30% должны уйти около 30%.

Главная проверка — деньги. Вербеке с коллегами ставят прогноз оттока как задачу, ориентированную на прибыль, а Леммен и Гупта предлагают оптимизировать прибыль кампаний удержания подходом машинного обучения к причинному выводу. Рейтинг стоит ровно столько, сколько кампания зарабатывает на группе, на контакт с которой хватит бюджета.

Выбирать по риску или по uplift?

Таргетинг по риску — это контакт с теми, кто скорее всего уйдёт. Таргетинг по uplift — контакт с теми, чей шанс уйти предложение меняет сильнее всего. Это разные списки. Полевые эксперименты Аскарсы показали, что клиенты с самым высоким риском не обязательно лучшие цели и что компаниям стоит выбирать тех, кто чувствителен к воздействию, независимо от риска.

У uplift-моделирования своя литература. Жепаковский и Ярошевич моделируют изменение вероятности класса, которое вызывает действие. Гутьеррес и Жерарди обзорно описывают основные подходы, а Вейджер и Эти и Кюнцель с коллегами предлагают причинные леса и метаобучение. Относитесь к результатам осторожно: Девриендт, Молдован и Вербеке нашли, что случайные леса для uplift входят в число лучших по мерам Qini и Gini, но uplift-модели часто нестабильны от одной части кросс-валидации к другой. Хитч, Мисра и Чжан изучают, как оценивать политики таргетинга, построенные на таких оценках, а обзор Аскарсы и коллег шире рассматривает управление удержанием.

Данные для uplift-модели должны прийти из рандомизированного теста, как описано в разделе про тесты инкрементальности. Оценки затем используются в решениях по следующему лучшему действию, а кампании по возврату клиентов работают с теми, кто уже ушёл. Результаты по группам регистрации читайте через когортный анализ, а итог отслеживайте через чистое удержание выручки (NRR). План Growth Lab начинается с модели, проверенной «вперёд» по времени, и действия, проверенного на контрольной группе.

Как применять: Прогнозирование оттока клиентов: модель и примеры по шагам

1. Определите отток и окно. Запишите, что считается уходом: отмена тарифа, истёкший договор, 120 дней без покупки. Выберите окно, на которое модель строит прогноз, например ближайшие 90 дней. Результат: одно предложение, по которому каждому клиенту ставится метка.
2. Соберите срезы. Для каждой из нескольких прошлых дат соберите всё, что было известно о каждом клиенте на эту дату, и отметьте, ушёл ли он в окне после неё. Используйте только то, что существовало на дату среза. Результат: таблица «клиент, дата, признаки, метка», в которой нет ничего из будущего.
3. Сначала простая модель. Начните с логистической регрессии или одного решающего дерева, потом сравните с моделью на градиентном бустинге деревьев. Оставьте ту, что лучше на более позднем периоде, которого модель не видела. Результат: базовая модель и модель-претендент, у каждой указан период проверки.
4. Оцените модель деньгами. Отсортируйте клиентов по оценке, возьмите верхнюю группу, на контакт с которой хватит бюджета, и посчитайте пойманных уходящих, стоимость контакта и ценность спасённых клиентов. Результат: ожидаемая прибыль для каждого размера кампании, а не только цифра точности.
5. Проверьте действие на контрольной группе. Случайно разделите группу, отобранную для контакта: одним дайте предложение по удержанию, другим не давайте ничего. Сравните отток в двух группах. Результат: измеренный эффект действия в целом и по диапазонам риска.
6. Перейдите от риска к uplift. На данных эксперимента обучите вторую модель, которая предсказывает, насколько действие меняет отток, и ранжируйте клиентов по этому изменению. Проверьте на новой контрольной группе. Результат: список для кампании, построенный по отклику, а не по риску.

Примеры

Приложение по подписке

Иллюстративный расчёт. В приложении 10 000 подписчиков, 5% уходят за 90 дней, то есть 500 человек. В верхнем дециле по оценке модели, это 1000 подписчиков, находятся 250 из них. Контакт с предложением стоит 150 ₽, спасённый подписчик приносит 3000 ₽. Если предложение снижает отток на 2 пункта среди самых рискованных 1000, спасены 20 человек, и кампания в минусе: заработали 60 000 ₽, потратили 150 000 ₽. Если модель отклика находит 1000 подписчиков, у которых предложение снижает отток на 8 пунктов, спасены 80: 240 000 ₽ против тех же 150 000 ₽.

Текущие счета в розничном банке

Иллюстративный пример. Банк отмечает клиентов, у которых перестала приходить зарплата и упали траты по карте. Модель их оценивает, но первый тест с контрольной группой показывает: клиенты с самой высокой оценкой уже перевели основной счёт в другой банк и на звонок не реагируют. Команда сдвигает действие раньше, на клиентов из середины шкалы, где звонок ещё меняет исход.

Членские программы сети клиник

Иллюстративный пример. Медицинская сеть продаёт годовые абонементы и за 60 дней до окончания прогнозирует, кто не продлит, по визитам, пропущенным приёмам и активности в приложении. Действие по удержанию — бесплатный профилактический осмотр. Клиника сравнивает тех, кто получил приглашение, с контрольной группой, которой его не отправляли, и выясняет, спасает ли осмотр абонементы или просто достаётся тем, кто продлил бы и так.

Когда применять

Применяйте, когда клиентов много, есть история по датам за несколько лет, понятен момент ухода, а у действия по удержанию есть реальная цена. Метод подходит подпискам, банкам, телекому, страхованию и абонементам: уход там фиксируется, и кампания успевает дойти до человека до того, как он уйдёт.

Когда не применять

Откажитесь, если клиентов несколько сотен и аккаунт-менеджер сам знает, кто недоволен, или если ушедших в прошлом слишком мало, чтобы на них учиться. Откажитесь и тогда, когда вы не сможете использовать результат: прогноз без действия по удержанию даёт только отчёт. Для тех, кто купил один раз и не вернулся, берите RFM-анализ или когортный анализ.

Частые ошибки

• Считают клиентов с самым высоким риском лучшими целями. Полевые эксперименты Аскарсы показали, что это не обязательно те, на чьё поведение программа удержания способна повлиять.
• Пускают будущее в признаки. Поле, которое перезаписали после ухода клиента, например дата последнего входа, и проверка на истории выглядит лучше, чем модель потом сработает вживую.
• Оценивают модель только по точности. Когда уходят редко, модель, предсказывающая «не уйдёт никто», очень точна и бесполезна, поэтому смотрите на прибыль при том размере кампании, который вам по карману.
• Пропускают контрольную группу. Без клиентов, которым ничего не предлагали, не отличить спасённых от тех, кто остался бы и так.
• Обучают модель один раз и больше не проверяют. Поведение меняется вместе с ценами, продуктом и сезоном, поэтому регулярно пересчитывайте оценку на свежем периоде.

Вопросы и ответы

Как прогнозировать отток клиентов?

Возьмите прошлую дату, запишите, что каждый клиент сделал до неё, и отметьте, кто ушёл в следующем окне, например за 90 дней. Обучите модель на многих таких срезах, затем проверьте её на более позднем периоде. Модель выдаёт вероятность ухода для каждого клиента, и по ней вы выстраиваете рейтинг.

Какая модель лучше всего прогнозирует отток?

Одной лучшей модели нет. В турнире по оттоку 2006 года методы и то, как команды их собирали, меняли прибыль кампании на сотни тысяч долларов. Леммен и Круа обнаружили, что бэггинг и бустинг деревьев повысили точность у одного оператора связи. Начните с простой модели, затем сравните с бустингом деревьев на более позднем периоде.

Насколько точной должна быть модель оттока?

Точность здесь плохая мерка, потому что уходят редко. Смотрите, сколько уходящих попадает в верхний срез, на контакт с которым хватит бюджета, насколько откалиброваны вероятности и какую прибыль даёт кампания. Скромная модель, которая находит нужных людей, может обойти более сильный рейтинг, нацеленный не на тех.

Как прогнозирование оттока применяют в банках и телекоме?

И там, и там уход фиксируется, поведенческих данных много и есть предложение для удержания, поэтому это классические области применения. Исследование Вербеке с коллегами, где модель оценивают по прибыли, и работа Леммен и Круа посвящены телекому. Банк использует тот же метод срезов, только сигналы другие: зарплатные поступления и траты по карте вместо минут разговора.

Чем прогнозирование оттока отличается от uplift-моделирования?

Прогноз оттока оценивает, кто, вероятно, уйдёт. Uplift-моделирование оценивает, насколько конкретное действие меняет шанс ухода каждого клиента. Клиент может быть в высокой зоне риска и не реагировать на предложение, поэтому uplift выстраивает рейтинг по отклику, а не по риску.

Источники

1. Scott A. Neslin, Sunil Gupta, Wagner Kamakura, Junxiang Lu, Charlotte Mason, Defection detection: measuring and understanding the predictive accuracy of customer churn models, Journal of Marketing Research 43(2), 2006
2. Aurélie Lemmens, Christophe Croux, Bagging and boosting classification trees to predict churn, Journal of Marketing Research 43(2), 2006
3. Eva Ascarza, Retention futility: targeting high-risk customers might be ineffective, Journal of Marketing Research 55(1), 2018
4. Wouter Verbeke, Karel Dejaeger, David Martens, Joon Hur, Bart Baesens, New insights into churn prediction in the telecommunication sector: a profit driven data mining approach, European Journal of Operational Research 218(1), 2012
5. Aurélie Lemmens, Sunil Gupta, Managing churn to maximize profits, Marketing Science 39(5), 2020
6. Eva Ascarza, Scott A. Neslin, Oded Netzer, Zachery Anderson, Peter S. Fader, Sunil Gupta and others, In pursuit of enhanced customer retention management: review, key issues, and future directions, Customer Needs and Solutions 5, 2018
7. Eva Ascarza, Bruce G. S. Hardie, A joint model of usage and churn in contractual settings, Marketing Science 32(4), 2013
8. Peter S. Fader, Bruce G. S. Hardie, Ka Lok Lee, Counting your customers the easy way: an alternative to the Pareto/NBD model, Marketing Science 24(2), 2005
9. Piotr Rzepakowski, Szymon Jaroszewicz, Decision trees for uplift modeling with single and multiple treatments, Knowledge and Information Systems 32(2), 2012
10. Floris Devriendt, Darie Moldovan, Wouter Verbeke, A literature survey and experimental evaluation of the state-of-the-art in uplift modeling, Big Data 6(1), 2018
11. Pierre Gutierrez, Jean-Yves Gérardy, Causal inference and uplift modelling: a review of the literature, Proceedings of Machine Learning Research 67, 2017
12. Stefan Wager, Susan Athey, Estimation and inference of heterogeneous treatment effects using random forests, Journal of the American Statistical Association 113(523), 2018
13. Sören R. Künzel, Jasjeet S. Sekhon, Peter J. Bickel, Bin Yu, Metalearners for estimating heterogeneous treatment effects using machine learning, PNAS 116(10), 2019
14. Günter J. Hitsch, Sanjog Misra, Walter W. Zhang, Heterogeneous treatment effects and optimal targeting policy evaluation, Quantitative Marketing and Economics 22(2), 2024
15. Wouter Verbeke, David Martens, Bart Baesens, Social network analysis for customer churn prediction, Applied Soft Computing 14, 2014
16. Michel Ballings, Dirk Van den Poel, Customer event history for churn prediction: how long is long enough?, Expert Systems with Applications 39(18), 2012
17. Tianqi Chen, Carlos Guestrin, XGBoost: a scalable tree boosting system, Proceedings of the 22nd ACM SIGKDD Conference, 2016
18. Shachar Kaufman, Saharon Rosset, Claudia Perlich, Ori Stitelman, Leakage in data mining, ACM Transactions on Knowledge Discovery from Data 6(4), 2012
19. Takaya Saito, Marc Rehmsmeier, The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets, PLOS ONE, 2015
20. James A. Hanley, Barbara J. McNeil, The meaning and use of the area under a receiver operating characteristic (ROC) curve, Radiology 143(1), 1982
21. scikit-learn documentation, Probability calibration
22. scikit-learn documentation, Cross-validation: evaluating estimator performance
23. scikit-learn documentation, Metrics and scoring: quantifying the quality of predictions
24. lifelines documentation, Introduction to survival analysis

Обновлено 20 октября 2026

Илья ПушинОснователь PUSHERS & COO Fintech ServiceИлья строит операционные системы для растущих компаний в медицине и финтехе. С 2021 года руководит трансграничными платежами в ARBI Exchange, лицензированном обменнике в Таиланде, включая KYC, AML и выход в новые юрисдикции.Об автореLinkedIn