Сохранять текущих клиентов в 25 раз дешевле, чем привлекать новых. При этом отток абонентов остается одной из главных проблем для телеком-компаний, которым не всегда удается действовать на опережение. Крупный оператор связи из Средней Азии хотел снизить отток в корпоративном и пользовательском сегментах. Решить задачу помогли предиктивные ML-модели, разработанные совместно с экспертами Eastwind. О ходе проекта и результатах читайте в кейсе.

Вызов в B2B: удержать корпоративных клиентов с тысячами устройств

В сегменте B2B оператор работает с крупными компаниями, у которых множество филиалов с большим количеством сотрудников. Раньше информация о расторжении договора поступала слишком поздно и удержать корпоративного клиента не удавалось. 

Чтобы исправить ситуацию, клиент обратился к Eastwind. Наша команда помогла ему собрать витрину данных и построить предиктивные ML-модели, которые с наибольшей точностью определяли склонность абонентов к оттоку. На базе этих результатов заказчик планировал проводить работу по удержанию B2B-клиентов.
 

Решение в B2B: найти рабочий параметр для прогноза оттока

На пути к лучшему результату проектная команда протестировала три гипотезы с разными метриками. Прогнозировать расторжение договора пробовали по следующим уровням:

1. Отток на уровне абонента. Сначала ориентировались на метрику «регистрация наряда на закрытие». Такой подход не принес результатов, так как по сути этот этап был уже отключением пользователя. Кроме того, иногда наряды регистрировали в системе спустя несколько месяцев после фактического отключения. 
2. Отток на уровне филиала корпоративного клиента. В этом случае ориентировались на действия филиала клиента, а не конкретных абонентов. Такой подход тоже оказался неэффективным, так как предпринимать меры по удержанию было поздно, когда целый филиал заявлял об отказе от услуг оператора.
3. Отток на уровне абонента в рамках конкретного филиала. Для повышения точности прогнозов на этом уровне стали анализировать поведение абонентов внутри филиалов. В качестве метрики вместо «регистрации наряда на закрытие» взяли «отсутствие начислений». Если 50% абонентов внутри филиала переставали пополнять счет телефона, то оператор запускал активность по удержанию B2B-клиента. 

Итерационный подход к разработке ML-моделей позволил увеличить их точность и добиться положительных результатов. 

Эволюция таргета предиктивной модели оттока в B2B
 

Вызов в B2С: найти подход к каждому клиенту в 17 регионах

Сеть телеком-оператора покрывает 17 регионов страны, и в каждом из них своя специфика. При этом перед заказчиком стояла задача — выявлять момент, когда у абонента в том или ином филиале появляется склонность к смене оператора. Для этого команде нужно было определить источники данных, чтобы понять, какие признаки учитывать и каких их измерять. После этого  приступили к разработке предиктивной ML-модели.
 

Решение в B2С: разработать ML-модель для каждого филиала

Основная часть машинного обучения заключается в подготовке данных — в их выборке и формировании витрины. Именно с этого и начали работу над проектом. Всего прошли несколько этапов:

1. Наполнили витрину данными по абонентам из внутренних систем оператора.
2. Подключили внешние источники, например, записи обращений абонентов в Whatsapp, Telegram и социальных сетях.
3. Разработали ML-модель для прогнозирования оттока абонентов. После тестирования измерили результаты. Они оказались недостаточными: точность 12%, охват 13%. Поняли, что нужно учитывать региональные особенности. 
4. Адаптировали ML-модель под каждый из 17 филиалов. Показатели улучшились: точность выросла до 50%, а охват — до 30%.
5. Продолжили обучать ML-модель, чтобы еще повысить значения показателей.

Эволюция предиктивных ML-моделей оттока в B2С

«Пока мы оцениваем полученные результаты как «средние», но видим возможность
улучшить их. Наша цель — добиться 70% точности и 50% охвата. Тем не менее, если раньше мы пытались убедить остаться абонентов, которые приходили в офис, чтобы отказаться от обслуживания, то сейчас 30% из них мы удерживаем превентивно. Это существенно повышает шансы и снижает затраты на их удержание».

Директор департамента фабрики данных, представитель заказчика

 

Эффект для бизнеса: снижение оттока и новые возможности

 

Глубокая работа с данными, машинное обучение и эволюционный подход к разработке ML-моделей позволили проектной команде не только сократить отток абонентов, но и оптимизировать процессы в целом: 
— Автоматизировали работу с новыми источниками данных;
— Сделали ML-модели более гибкими, чтобы настраивать их под регионы;
— Перешли на проактивное удержание клиентов вместо постфактум-коммуникаций;
— Дали возможность масштабировать подход и тестировать новые гипотезы, например, прогнозировать выход из строя оборудования или разрабатывать рекомендации для сотрудников ритейла.

«Мы постоянно работаем над улучшением наших базовых кейсов, которые приносят
измеримый финансовый результат. Вместе с тем, команда генерирует множество новых гипотез для построения моделей: предотвращение выхода из строя оборудования,
рекомендации по размещению точек продаж и многие другие. Сейчас наша главная задача — продолжать консолидировать данные и искать новые возможности их применения в интересах бизнеса».

Директор департамента фабрики данных, представитель заказчика

Если вы хотите узнать больше о прикладных возможностях AI & ML, записывайтесь на консультацию Eastwind. Мы поможем найти решение ваших бизнес-задач и продемонстрируем возможности наших IT-продуктов.