Predictive churn: как предсказывать уход пользователей и правильно их возвращать

Predictive churn: как предсказывать уход пользователей и правильно их возвращать

Модель, которая предсказывает отток, — популярная задача для команды данных. Её строят, она показывает хорошую точность, а удержание не меняется. Причина обычно в том, что предсказание не превращается в правильное действие в правильный момент. Разберём, как связать модель с реактивацией.

Что предсказываем и на какой срок

Сначала нужно договориться, что такое отток. Для подписки — отмена или отказ от продления. Для бесплатного продукта — отсутствие активности дольше обычного ритма. Для маркетплейса — отсутствие покупок дольше типичного интервала.

Затем горизонт. Предсказывать уход завтра поздно: человек уже всё решил. Предсказывать уход через полгода бессмысленно: слишком много неизвестного. Обычно полезен горизонт, за который ещё можно что-то сделать: две-четыре недели для подписки, один-два цикла покупки для e-commerce.

Риск — это ещё не повод действовать

Модель даёт вероятность ухода. Но для решения нужна другая величина: насколько вмешательство изменит эту вероятность.

Пользователи делятся на четыре условные группы. Те, кто уйдёт в любом случае. Те, кто останется в любом случае. Те, кого можно удержать вмешательством. И те, кого вмешательство раздражит и подтолкнёт уйти.

Тратить ресурсы стоит только на третью группу. Модель риска сама по себе её не находит: высокий риск может быть у тех, кто уже ушёл мысленно. Для поиска «удерживаемых» используют модели прироста (uplift), которые обучают на данных экспериментов с вмешательством и без.

Сценарий зависит от причины

Одно и то же письмо «мы скучаем» всем группам риска — слабое решение. Действие должно отвечать на причину, по которой человек уходит.

Не разобрался в продукте — помощь и обучение: подсказка, короткое видео, предложение созвониться для сложных продуктов.

Не получил ценность — показать, что он пропускает: новый контент по его интересам, результат, которого он может добиться.

Столкнулся с проблемой — исправить проблему и сказать об этом. Если человек ушёл из-за ошибки, лучшая реактивация — сообщить, что её починили.

Цена кажется высокой — пересмотреть тариф, предложить более простой вариант, а не скидку для всех.

Изменилась жизненная ситуация — дать паузу вместо отмены. Многим проще заморозить подписку, чем уйти насовсем.

Момент и канал

Реактивация в момент первых признаков работает лучше, чем после исчезновения. Снижение частоты, отказ от ключевой функции, отключение уведомлений — это сигналы, на которые можно реагировать мягко, пока человек ещё здесь.

Канал выбирайте по поведению. Тому, кто отключил пуши, их не отправляют. Тому, кто читает письма, — письмо. Для крупных клиентов в B2B иногда лучше всего работает звонок менеджера.

Как честно измерить эффект

Нужна контрольная группа: часть пользователей с высоким риском не получает вмешательства. Без неё нельзя понять, удержали ли вы людей или они остались бы и так.

Смотреть стоит на удержание через несколько недель после вмешательства, а не на открытие письма. И считать стоимость: скидки и бонусы для удержания должны окупаться дополнительной выручкой.

Следите и за побочными эффектами. Если после писем растут отписки и жалобы, вы ускоряете уход тех, кого хотели удержать.

Как находить сами точки оттока в данных, я разбирал в статье о ранних сигналах ухода, а как сегментировать пользователей по поведению — в материале про AI-сегментацию.

Кольцов Владимир

Кольцов Владимир

Product Manager | AI, автоматизация, геймификация

Разберём ваш продукт, механику или сценарий

Помогаю бизнесу находить точки роста и решать задачи retention, engagement и конверсии через аналитику, AI-автоматизацию, product discovery и проектирование механик с измеримым влиянием на метрики.

Если у вас есть задача, гипотеза или проблема с удержанием — помогу разобрать, найти решение и спроектировать механику.

Написать в Telegram Посмотреть услуги Автоматизация

Можно коротко описать задачу, гипотезу или проблемный сценарий.