Как построить аналитическую модель оттока пользователей бесплатно

Отток клиентов (customer churn) — один из самых чувствительных показателей для любого бизнеса. Даже 1 % дополнительного удержания может повысить прибыль на 5–10 %. В этой статье мы покажем, как без затрат на коммерческие платформы построить рабочую предиктивную модель оттока с помощью открытых инструментов и данных, которые уже есть у вашей компании.

Что такое «отток» и как его измерить

Определение. Отток — это доля пользователей, прекративших использовать продукт за определённый период. На практике применяют два варианта расчёта:

• Классический Churn Rate (CR): CR = (Ушедшие за период) / (Активные в начале периода) × 100 %
• Модифицированный CR: CR = (Ушедшие) / ((Активные в начале + Пришедшие за период) / 2) × 100 %

Пример. В январе 2026 г. в приложении было 10 000 активных пользователей, за месяц пришло 600 новых и ушло 160. Тогда:

CR = 160 / 10 000 × 100 % = 1,6 %.

Данные, которые понадобятся

Минимальный набор признаков, доступный в любой CRM, биллинге или логах:

1. Демография: возраст, пол, регион
2. Поведение: дата последней активности, частота использования, список продуктов
3. Финансы: средний чек, время оплаты, наличие просрочек
4. Сервисные события: обращения в поддержку, жалобы, NPS-оценка

Совет. Если данных мало, начните с 2–3 ключевых метрик: последняя активность, общая сумма платежей и количество дней с регистрации.

Инструменты бесплатного стека

Пошаговый план построения модели

Шаг 1; Подготовка среды

Установите Python ≥ 3.9 и необходимые библиотеки:

pip install pandas scikit-learn xgboost lightgbm seaborn streamlit

Шаг 2. Загрузка и очистка данных

import pandas as pd

df = pd.read_csv(‘users.csv’)

df[‘last_activity’] = pd.to_datetime(df[‘last_activity’])
cutoff = pd.Timestamp(‘2026-05-06’) ‒ pd.Timedelta(days=30)
df[‘churn’] = (df[‘last_activity’] < cutoff).astype(int)

Шаг 3. Построение признаков

• Recency: дней с последней активности
• Frequency: количество сессий за последние 90 дней
• Monetary: сумма платежей за всё время
• Tenure: дней с регистрации до сегодняшнего дня

Шаг 4. Train/Test сплит

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, stratify=y, random_state=42)

Шаг 5. Выбор и обучение модели

Для старта подойдёт логистическая регрессия, но быстрее и точнее работают градиентные бустинги:

import lightgbm as lgb
model = lgb.LGBMClassifier(

objective=’binary’,
metric=’auc’,
boosting_type=’gbdt’,
num_leaves=31,
learning_rate=0.05,
n_estimators=200
)
model.fit(X_train, y_train)

Шаг 6. Оценка качества

• AUC-ROC: должен быть ≥ 0,75 для B2C и ≥ 0,8 для B2B.
• Precision@k: доля «уходящих» среди k самых рисковых клиентов.

Шаг 7. Интерпретация результатов

Используйте SHAP-значения, чтобы понять, какие признаки влияют на отток сильнее всего:

import shap
explainer = shap.TreeExplainer(model)
shap.summary_plot(explainer.shap_values(X_test), X_test)

Кейс: пилот в банке за 1 неделю

Исходные данные: 250 000 клиентов, 30 признаков, всего 2 ГБ CSV-файлов.

1. Понедельник — очистка и объединение таблиц (Python + Pandas).
2. Вторник — построение признаков (RFM и custom-фичи).
3. Среда — обучение модели LightGBM (AUC = 0,83).
4. Четверг — отбор топ-5 % клиентов с высшей вероятностью оттока (≈ 70 чел.).
5. Пятница — запуск персонализированной email-рассылки с предложением кэшбэка 5 %.

Результат через 30 дней: отток снизился на 23 %, экономия ≈ 5,4 млн ₽.

Как сделать MVP и встроить в бизнес

1. Автоматизируйте пайплайн: создайте DAG в Airflow или Prefect, который ежедневно пересчитывает вероятности оттока.
2. Экспорт в CRM: сохраняйте скоринговые баллы в отдельное поле пользователя для таргетированных рассылок.
3. A/B-тесты: тестируйте разные стратегии удержания — скидки, персональный менеджер, ранний доступ к новым функциям.

Частые ловушки и как их избежать

• Несбалансированные классы. Используйте class_weight='balanced' или SMOTE.
• Утечка будущего. Не включайте признаки, которые появляются после момента «наблюдения» (например, возврат средств).
• Игнор сезонности. Отток может взлетать в январе и августе, добавьте флаг «месяц».
• Ошибки первого рода. Не рассылайте скидки всем подряд — это «обучит» клиентов ждать акций.

Что дальше: повышение точности без денег

Даже бесплатно можно расти:

• Ансамбли: объедините 3–4 алгоритма через Voting или Stacking.
• Фичи на текст: векторизуйте тексты обращений в поддержку с помощью Sentence-BERT (open-source).
• Графовые признаки: строите соцграф «знакомые-рефералы» и считайте PageRank.
• АвтоML: попробуйте AutoGluon или H2O Driverless AI Community Edition — полностью бесплатно для образовательных целей.

Вы можете построить промышленную модель оттока без единой копейки — главное, правильно выбрать инструменты и не усложнять первую версию. Начните с RFM-признаков + LightGBM, добавьте интерактивный дашборд на Streamlit, и уже через неделю ваш маркетинг будет принимать решения на основе данных, а не интуиции.

Готовый ноутбук и шаблон дашборда можно скачать по ссылке в репозитории GitHub: github.com/your-org/churn-free-template.