Компания построила модель оттока и теперь знает, кто с высокой вероятностью перестанет покупать. Следующий шаг кажется очевидным: дать этим клиентам скидку. Но прогноз ухода не отвечает на вопрос, изменит ли скидка их поведение. Некоторые уйдут независимо от предложения, а другие продолжили бы покупать и без него.

Churn-модель оценивает вероятность оттока по выбранному определению и горизонту. Uplift-модель оценивает, как действие меняет ожидаемый результат по сравнению с отсутствием этого действия. Для удержания принципиальна именно разница между «кому плохо» и «кому поможет наша мера».

Разделите прогноз и воздействие

Высокий риск полезен для диагностики, планирования нагрузки и поиска уязвимых сегментов. Но при распределении бюджета нужно учитывать способность повлиять на результат и цену воздействия. Скидка может не решить проблему доставки. Напоминание о подписке иногда ускоряет решение об отказе.

Ева Аскарса исследовала удержание в двух полевых экспериментах и показала, что клиенты с высоким прогнозируемым риском ухода не обязательно лучше реагируют на удерживающее действие. Это вывод о выборе аудитории для конкретных вмешательств, а не доказательство бесполезности всех моделей оттока.

Практическое применение CRM Lab — отдельно проверять качество прогноза и полезность политики контакта. Модель может точно находить уходящих клиентов, а основанная на ней кампания — тратить деньги без дополнительного результата.

Определите измеряемое изменение

Для начала зафиксируйте действие: например, одно предложение скидки с определённым сроком. Затем определите результат: совершил ли клиент подходящую покупку в течение заданного периода. Горизонт должен соответствовать циклу покупки и позволять увидеть возвраты или отмены, существенные для экономики.

В группах с сопоставимыми исходными характеристиками uplift удержания — разность долей сохранивших активность при действии и без него. Для отдельного человека оба исхода одновременно наблюдать нельзя. Поэтому индивидуальное значение модели является оценкой, а не известным фактом о клиенте.

Не смешивайте разные воздействия в один неясный признак «с ним работали». Звонок поддержки, скидка и полезное напоминание могут давать разные эффекты и расходы. Результат модели относится к изученному действию и условиям его проведения.

Соберите данные для обучения

Нужны данные о клиентах, случайно распределённых в группу воздействия и контроль. Сохраните признаки до распределения, назначенную группу, фактический контакт и результат в одинаковом окне. Покупку после кампании нельзя использовать как входной признак модели, которая якобы предсказывала реакцию до кампании.

История прежних кампаний часто не даёт такого сравнения. Если скидки всегда получали только самые проблемные клиенты, различие результатов смешивает влияние скидки и исходное состояние аудитории. Сложность модели сама по себе не устраняет это смещение.

Для первой проверки не обязательно строить сложный алгоритм. Заранее определённые сегменты и эксперимент покажут, есть ли заметная неоднородность реакции. Чем меньше наблюдений, тем осторожнее следует дробить аудиторию: случайные колебания легко принять за перспективную закономерность.

Сравните политики при одном бюджете

Условный пример. Есть два сегмента по 1 000 клиентов. В первом без контакта покупку совершают 100, с контактом — 120. Во втором без контакта покупают 400, с контактом — 480. Первый сегмент выглядит более проблемным, но ожидаемое дополнительное число покупателей составляет 20 против 80 во втором.

Пусть маржинальный доход до затрат на воздействие равен 800 рублям на дополнительного покупателя, контакт стоит 20 рублей для каждого из 1 000 клиентов, а скидка 100 рублей используется всеми покупателями из группы контакта. Тогда ожидаемый результат первого сегмента: 20 × 800 − 20 000 − 120 × 100 = −16 000 рублей. Второго: 80 × 800 − 20 000 − 480 × 100 = −4 000 рублей.

Даже более высокий uplift здесь не делает кампанию прибыльной. Это условный упрощённый расчёт: реальная модель учитывает различия корзин, повторные покупки, возвраты и стоимость обслуживания. Скидки считают для всех получивших выгоду покупателей, а не только для дополнительных.

Проверьте решение на новых клиентах

Данные для обучения и выбора модели отделяют от данных окончательной оценки. После выбора политики проведите перспективный тест: сравните отбор по риску, отбор по ожидаемому эффекту и разумный базовый вариант при одинаковых ограничениях бюджета.

Оценивайте дополнительную прибыль всей политики, доверительный интервал результата и стоимость ошибок. Бюджет удержания VIP-клиентов также требует такой проверки: высокая ценность клиента не делает любое удерживающее предложение выгодным.

Постоянная контрольная группа помогает видеть долгосрочный результат совокупности действий. При этом обязательные сервисные сообщения и помощь клиенту не отключают ради маркетингового теста. Хорошая политика удержания начинается с определения полезного воздействия и лишь затем выбирает модель для его адресного применения.

Источники

Ascarza E. Retention Futility: Targeting High-Risk Customers Might Be Ineffective. Journal of Marketing Research. 2018. Vol. 55, No. 1. P. 80–98. DOI: 10.1509/jmr.16.0163.