Churn Atlas
Не «у клиента 78% churn risk», а «причина X (низкая активность фичи Y) даёт +25 п.п. к risk, а promo Z исторически снижала risk на 12 п.п. в этой когорте». Uplift modeling через CausalML/EconML — таргетируем retention-actions именно на тех, кому они помогут.
Стандартный churn-predictor flag'ит «вот эти 5000 клиентов скоро уйдут». Retention-команда шлёт им промо. Часть всё равно уходит (no help), часть остаётся (но осталась бы и без promo — waste), и только меньшинство — настоящий positive uplift. Churn Atlas через uplift-modeling определяет именно тех, у кого promo даст реальную разницу — ROI retention-кампаний растёт в 2-3 раза.
Uplift, не correlation — таргетируем тех, кому реально поможем
Стандартный подход: «top-1000 high-risk клиентов → шлём всем промо». Результат: 60% бы остались и так, 30% уйдут несмотря на промо, 10% — это настоящий positive uplift. Churn Atlas через uplift-modeling определяет именно эти 10% и таргетирует только их. Promo-budget concentrated, ROI растёт в 2-3 раза, retention-команда не тратит time на «ушедших по любому» и «остающихся по любому».
Пошаговая архитектура
Feature pipeline
Customer-events (logins, feature usage, support tickets), billing-history (downgrades, upgrades, failed payments), engagement-metrics (sessions, time-spent, feature-depth). Stored в Feast/Tecton feature store.
Survival analysis (DeepSurv)
Per-customer time-to-churn модель. Output — hazard rate over time + confidence intervals. Учитывает censored data (клиенты, ещё не оттёкшие).
Treatment-history collection
История retention-treatments: какие промо/звонки/discounts применялись к каким клиентам, с outcome (остался / ушёл).
Uplift modeling (CausalML / EconML)
Per-treatment model: для каждого retention-treatment-type — uplift score = P(retain | treatment) − P(retain | no treatment). Учитывает heterogeneity (один treatment работает для одних, другой — для других).
Causal SHAP
На churn-prediction — SHAP с causal-correction (через CausalML). Показывает не correlation-features, а causal drivers churn'а.
Targeted retention list
Финальный output — список «вот эти клиенты + рекомендованный treatment». Не все «high-risk», а те, у кого uplift > threshold для available treatments.
LLM-explanation для retention-команды
Natural-language reasoning для каждого клиента: «снизил использование feature X на 60% за последний месяц, исторически такой паттерн ведёт к churn'у через 6-8 недель. Treatment Y помогал 23% похожих клиентов».
Стек, который не запирает
DeepSurv (PyTorch) для time-to-churn modeling
CausalML / EconML для uplift modeling
Feast или Tecton для feature store
SHAP с causal-augmentation для explanations
GigaChat / YandexGPT для NL-генерации reasoning для retention-команды
Coupling с CRM (Bitrix24, amoCRM, HubSpot) для history retention-treatments
Идеально для
- SaaS-компании (subscription churn)
- Телекомы (subscriber retention)
- Подписочные сервисы (стриминг, food-box, fitness apps)
- E-com с loyalty-программами
Границы кейса
- Не предсказывает involuntary churn (failed payments) — это другая модель
- Не управляет retention-кампанией — даёт список + recommended treatment, отправляет ваша CRM
- Не работает без 1+ года истории + минимум 50 historic-churns для калибровки
- Не обещает «вылечить» каждого high-risk — некоторые клиенты уйдут несмотря на интервенции
Частые вопросы
Customer-events log (минимум 1 год), billing history, history previous retention-treatments с outcomes. Если нет history treatments — стартуем с pure churn-prediction, А/B тестируем treatments, накапливаем data, переходим к uplift-modeling через 3-6 мес.
Что ещё может пригодиться
Покажем на ваших данных
за 1-2 недели
Подключаемся к ограниченной выборке, разворачиваем PoC на ваших реальных кейсах. Оценка качества, точности и UX — на вашей специфике, не на наших красивых демо.