Требуется решение, которое поможет нам остановить утечку платящих подписчиков. Сейчас мы видим отток только по факту — когда человек уже отписался, — и не понимаем, кого можно было удержать. Нужна предиктивная модель на машинном обучении: она должна брать нашу историю по клиентам и присваивать каждому активному аккаунту оценку вероятности ухода на горизонте 30, 60 и 90 дней. Важно, чтобы прогноз был объяснимым — рядом с оценкой мы хотим видеть, какие факторы толкают клиента к уходу: снижение использования продукта, сбои и трения при оплате, долгие ответы поддержки, реакция на цену или активность конкурентов. Тогда менеджеры смогут бить точно в причину.
Отдельно нам нужна аналитика удержания по когортам. Постройте графики удержания и выживаемости с разбивкой по дате регистрации, тарифному плану, источнику привлечения и региону, чтобы стало очевидно, на каком шаге и в каком сегменте мы теряем людей сильнее всего. Дальше система должна раскладывать базу по уровням риска и сама запускать сценарии спасения: письмо с персональным предложением, точечную скидку, задачу на звонок для отдела работы с клиентами или подсказку внутри интерфейса — как только аккаунт переходит порог риска. Все запуски нужно журналировать, чтобы потом честно посчитать, какие действия действительно уменьшили отток.
От исполнителя ждём аккуратные пайплайны подготовки данных, регулярное переобучение модели, прозрачные метрики качества и удобную панель, с которой справится обычный сотрудник без технической подготовки. В отклике расскажите про предлагаемый подход, инструменты и ориентировочные сроки.
Ожидаемый результат:
— оценка риска ухода с горизонтами 30/60/90 дней и разбором факторов по каждому аккаунту;
— дашборды когорт, удержания и кривых выживаемости с фильтрами;
— уровни риска и автоматические сценарии удерживающих действий;
— график переобучения модели, документация и передача проекта.
Отдельно нам нужна аналитика удержания по когортам. Постройте графики удержания и выживаемости с разбивкой по дате регистрации, тарифному плану, источнику привлечения и региону, чтобы стало очевидно, на каком шаге и в каком сегменте мы теряем людей сильнее всего. Дальше система должна раскладывать базу по уровням риска и сама запускать сценарии спасения: письмо с персональным предложением, точечную скидку, задачу на звонок для отдела работы с клиентами или подсказку внутри интерфейса — как только аккаунт переходит порог риска. Все запуски нужно журналировать, чтобы потом честно посчитать, какие действия действительно уменьшили отток.
От исполнителя ждём аккуратные пайплайны подготовки данных, регулярное переобучение модели, прозрачные метрики качества и удобную панель, с которой справится обычный сотрудник без технической подготовки. В отклике расскажите про предлагаемый подход, инструменты и ориентировочные сроки.
Ожидаемый результат:
— оценка риска ухода с горизонтами 30/60/90 дней и разбором факторов по каждому аккаунту;
— дашборды когорт, удержания и кривых выживаемости с фильтрами;
— уровни риска и автоматические сценарии удерживающих действий;
— график переобучения модели, документация и передача проекта.
