Прогноз оттока клиентов: как вычислить уходящих до

Шаг 1. Определите, что для вашей ниши означает «отток»

Прежде чем строить любую модель, нужно договориться о терминах внутри конкретного бизнеса. Отток в оптике — это когда клиент не вернулся за новыми линзами через 90 дней после плановой даты замены. Отток в зоомагазине — отсутствие покупки корма дольше 45 дней при среднем цикле потребления 30 дней. Отток в частной клинике — пропуск планового визита без переноса. Универсального порога не существует.

Практический шаг: выгрузите из 1С или CRM историю покупок за последние два года по каждому клиенту, посчитайте медианный интервал между покупками по сегментам (новые, постоянные, редкие). Умножьте медиану на 1,5–2 — это и будет ваш «порог оттока». Клиент, превысивший этот порог без новой покупки, переходит в группу риска. Именно с этого определения начинается осмысленный churn prediction, а не с выбора алгоритма машинного обучения.

Шаг 2. Соберите поведенческие сигналы, а не только транзакции

Транзакционная история — это уже свершившийся факт. Реальная ценность прогноза оттока — в опережающих сигналах, которые появляются раньше, чем клиент пропустил покупку. Вот три группы таких сигналов, доступных практически любому бизнесу с CRM и почтовым сервисом: снижение частоты визитов или открытий писем, уменьшение среднего чека при сохранении частоты, отказ от дополнительных категорий товаров (например, клиент перестал брать аксессуары, хотя раньше брал регулярно).

Важно собирать эти данные в единую точку. Если история покупок живёт в 1С, а рассылки — в отдельном сервисе, а звонки — в телефонии, то картина всегда будет неполной. Именно поэтому предиктивные системы работают поверх существующей инфраструктуры: они агрегируют сигналы из разных источников, не требуя переноса данных и не нарушая требований 152-ФЗ.

Для начала достаточно трёх метрик на клиента: дата последней покупки (recency), количество покупок за период (frequency), суммарная выручка (monetary). Это классика RFM-анализа, и она работает. Но добавьте к ней хотя бы один опережающий сигнал — например, факт открытия последних трёх писем — и точность прогноза вырастет заметно.

Шаг 3. Постройте скоринг риска оттока без сложного кода

Скоринг — это числовая оценка вероятности оттока для каждого клиента. Не нужно сразу тянуться к нейросетям. Начните с простой балльной модели: каждый фактор риска добавляет баллы, каждый позитивный сигнал — убирает. Например: превышен медианный интервал на 20% — плюс 3 балла; последние два письма не открыты — плюс 2 балла; средний чек снизился более чем на 30% — плюс 2 балла; была жалоба или возврат — плюс 4 балла. Итого клиент с 7+ баллами — высокий риск.

Эту модель можно реализовать в Excel или Google Sheets за один рабочий день. Её преимущество — прозрачность и интерпретируемость: менеджер понимает, почему клиент попал в список риска, и может подготовить осмысленный разговор, а не просто «звоним всем из списка». На следующем этапе, когда модель проверена на практике, её можно автоматизировать: система сама пересчитывает скоринг по расписанию и передаёт задачи в CRM.

Ключевой момент: скоринг должен обновляться регулярно — минимум еженедельно. Клиент, который был в жёлтой зоне две недели назад, мог за это время совершить покупку и выйти из риска. Или, наоборот, ещё глубже уйти в красную зону. Статичный список «клиентов под угрозой», составленный раз в квартал, практически бесполезен.

Шаг 4. Настройте триггерные сценарии под каждый уровень риска

Прогноз оттока без действия — это просто отчёт. Ценность появляется, когда к каждому уровню риска привязан конкретный сценарий работы. Логика простая: жёлтая зона (умеренный риск) — автоматическое персональное письмо с напоминанием или релевантным предложением; оранжевая зона (высокий риск) — задача на менеджера с готовым скриптом и персональным офером; красная зона (критический риск, клиент почти ушёл) — личный звонок, специальное предложение, возможно, небольшой бонус.

Критически важен принцип персонализации: оффер должен соответствовать тому, что клиент покупал раньше, и учитывать его цикл потребления. Если клиент покупал корм для собаки каждые 28 дней и сейчас 40-й день без покупки — ему нужно не письмо «у нас скидки», а сообщение «ваш запас корма для [порода] обычно заканчивается к этому времени — оформить доставку?». Именно такой уровень точности отличает предиктивный маркетинг от массовых рассылок и даёт конверсию в удержание в разы выше.

Шаг 5. Измеряйте эффективность и корректируйте модель

Запустив систему прогнозирования оттока, важно замерить две вещи: точность прогноза (сколько клиентов из «красной зоны» действительно ушли без вмешательства) и эффективность удержания (сколько клиентов из «красной зоны» вернулись после триггерного сценария). Эти два показателя позволяют понять, правильно ли выставлены пороги и работают ли ваши офферы.

Раз в квартал пересматривайте веса в скоринге: поведение клиентов меняется, сезонность влияет на циклы покупок, появляются новые категории товаров. Модель, которая была точной в начале года, к четвёртому кварталу может давать много ложных срабатываний — и тогда менеджеры начнут игнорировать задачи из системы, что убивает всю ценность автоматизации. Живая, обновляемая модель — залог того, что прогноз оттока остаётся инструментом, а не архивом.

«Умный цикл» строит такой прогноз автоматически

Берёт данные из вашей учётной системы, считает следующую покупку каждого клиента и кладёт готовую сделку в CRM. Покажем на демо «горячий список» по вашей базе.