Прогнозирование оттока клиентов нейросетью: кейс 2026

Контекст: когда «чутьё» перестаёт работать

К началу 2026 года компания «ТехноЛогистика» — федеральный оператор складской техники — столкнулась с неприятной аномалией. При росте базы до 14 200 активных клиентов, выручка с повторных продаж просела на 6,8% за два квартала. Отдел маркетинга списывал всё на сезонность и «общую усталость рынка». Но цифры упрямо твердили обратное: каждый четвёртый клиент, совершивший крупную закупку в 2024 году, в 2025-м молча ушёл к конкурентам. Прогнозирование спроса на Яндекс Маркете: как не уйти в минус

Классические методы — опросы NPS, анализ корзины, ручная сегментация — давали картину задним числом. Когда менеджер узнавал о проблеме, клиент уже подписывал контракт с другим поставщиком. Средний чек B2B-сегмента составлял 1,8 млн рублей, поэтому потеря даже 10 клиентов в месяц превращалась в дыру в бюджете размером в 216 млн рублей годовых. Kejs Ii Agent B2b Prodazhi Konversiya 2x Personali

Проблема: слепота к неявным сигналам

Глубинное исследование показало: отток не был случайным. Аналитики выделили три ключевых паттерна поведения, которые предшествовали разрыву договора:

• Снижение частоты обращений в техподдержку на 40% и более за 60 дней (клиент переставал «эксплуатировать» продукт);
• Переход с корпоративной почты на личные мессенджеры при общении с менеджером (готовность к «чёрному» уходу);
• Задержка оплаты счетов с 3-5 дней до 10-14 дней без объективных причин.

Вручную отслеживать эти сигналы по 14 тысячам записей было нереально. Отдел маркетинга из 5 человек физически не успевал обрабатывать даже 10% входящих данных. Существующая CRM (на базе самописной ERP) выдавала только плоские отчёты: «кто купил» и «кто не купил». Она не отвечала на вопрос «кто собирается уйти прямо сейчас».

Совет: Если ваша система учёта не показывает «вероятность ухода» — вы управляете бизнесом по зеркалам заднего вида. Данные о прошлом не спасут будущий квартал.

Решение: нейросеть предиктивного оттока

Мы отказались от идеи дообучать тяжёлую NLP-модель на текстах обращений. Вместо этого собрали гибридный алгоритм на градиентном бустинге (CatBoost) с эмбеддингами пов��дения. Ключевая фишка — модель обучалась не на статичных признаках, а на временных рядах (скользящие окна по 7, 30 и 90 дней).

Архитектура решения включала три контура:

1. Сбор данных: ETL-пайплайн выгружал из CRM, биллинга и логов веб-аналитики 214 признаков. Среди них — скорость ответа менеджера, глубина просмотра каталога запчастей, доля открытых email-рассылок.
2. Обучение: Обучающая выборка — 18 месяцев истории. Целевая переменная — факт ухода в течение следующих 90 дней. Дисбаланс классов (отток всего 4%) компенсировали взвешиванием и синтетическим увеличением выборки (SMOTE).
3. Инференс: Модель пересчитывалась каждую ночь, выдавая скор-лист с вероятностью ухода от 0 до 1. Порог отсечения (0,72) подобрали по метрике F1-score, чтобы минимизировать ложные срабатывания.

Модель запустили в промышленную эксплуатацию в ноябре 2025 года. Первые две недели работали в «теневом режиме»: предсказания сравнивали с реальными действиями клиентов. Точность на отложенной выборке составила 87% — модель правильно определяла будущих «беглецов» в 9 случаях из 10.

Интеграция в работу отдела маркетинга

Прогнозы не пылились в дашборде. Их встроили в ежедневный ритуал команды. Каждое утро менеджеры получали в Telegram-боте список из 15-20 клиентов с высоким риском ухода и готовый сценарий «спасения». Сценарий включал: персональную скидку 5%, предложение бесплатного техосмотра или выезд инженера для профилактики.

Важно: Нейросеть — это не приговор клиенту, а повод для разговора. Мы запретили использовать скор-фактор как единственный аргумент в переговорах. Клиент не должен знать, что его «просчитали». Только ценность предложения.

Результат: цифры, которые видны в P&L

Эффект оценивали через 6 месяцев работы системы (декабрь 2025 — май 2026). Главный KPI — снижение ежемесячного оттока в B2B-сегменте с 4,2% до 2,7%. Это позволило сохранить 214 клиентов, которые по прогнозу модели должны были уйти. Конверсия в «удержание» составила 31% — то есть каждого третьего клиента из группы риска удалось вернуть в активную фазу.

Финансовый эффект посчитали по консервативной методике: средний LTV удержанного клиента за год — 8,4 млн рублей. Выручка, которую удалось сохранить, — 1,8 млрд рублей. Затраты на разработку и инфраструктуру (аренда GPU-кластера, зарплата дата-сайентиста) — 4,7 млн рублей. ROI за полгода составил 382:1.

Дополнительный бонус — качество базы. Модель выявила «токсичных» клиентов, которые уходили, но приносили 60% обращений в поддержку и 0% прибыли. Отказ от работы с ними разгрузил колл-центр на 12%.

Таблица «До/После»

Выводы: как повторить успех

Главный урок — не в алгоритме, а в данных. У «ТехноЛогистики» уже была чистая CRM и нормальные логи. Если у вас бардак в справочниках — сначала наведите порядок, иначе модель будет предсказывать шум.

Второй момент — человеческий фактор. Менеджеры сначала саботировали новые скор-листы, считая их «игрушками». Перелом случился после первого же успешного кейса, когда модель предсказала уход клиента, который на словах «всё устраивало». После этого доверие выросло.

Третье — не гонитесь за сложными нейросетями. CatBoost с хорошими фичами дал результат быстрее и стабильнее, чем попытки использовать трансформеры. В 2026 году выигрывает тот, кто умеет быстро интегрировать ML в операционку, а не тот, у кого самая модная архитектура.

Цитата из отчёта: «Мы перестали быть пожарной командой. Теперь мы знаем, где загорится через месяц, и приходим с огнетушителем заранее».

Для автоматизации рутины по сбору данных и первичной сегментации можно использовать связку из открытых библиотек и сервисов. Например, OpaGPT поможет быстро сгенерировать SQL-запросы для выгрузки или написать шаблон писем для удержания.