Первый шаг — это получение исторических клиентских данных, которые, как правило, собирают из разрозненных систем, например CRM, DMP, систем аналитики. Некорректные значения в данных могут значительно снизить будущую точность прогнозирования. Стек технологий машинного обучения позволит не только собрать нужную информацию в сжатые сроки, но и обработать её: устранить выбросы, дубликаты, некорректные данные и заполнить пропуски. Одним из побочных преимуществ обработки данных является возможность проведения кластеризации пользовательской базы, чтобы повысить эффективность взаимодействия.

Для создания цифрового профиля клиента требуется большой набор признаков, характеризующих персональные признаки каждого клиента. Обычно в такой набор входят социально-демографические признаки — возраст, пол, которые можно получить из заполненной анкеты при регистрации карты лояльности или регистрации на портале интернет-магазина. Контактные данные (email, телефон) могут использовать не только для доставки маркетинговых предложений, но и для связи и обогащения недостающих персональных данных из внешних систем. Существует большое количество сервисов, предлагающих услуги продажи пользовательских данных. Они нужны, когда есть задача найти кластер клиентов, которые за последний месяц интересовались покупкой автомобилей, чтобы разослать им предложение по продаже тонировочных сеток на окнах.

Если клиент зарегистрирован в фирменном приложении, то можно получить довольно большой набор факторов: от марки телефона до поведенческих признаков.

Наиболее важные признаки в контроле оттока клиентов в ритейле — это частота и сумма покупок, сколько прошло дней с последнего визита, пол и возраст клиента, а также вариативность товаров — покупка из разных категорий (кто-то случайно зашёл и купил непопулярный товар, а кто-то на постоянной основе покупает продукты ежедневной потребности, например хлебобулочные изделия).

Признаков, полученных из систем компании и внешних источников, в большинстве случаев не хватает. Обычно следующим этапом является генерирование новых признаков на основе существующих данных. Это могут быть признаки, свидетельствующие о снижении вовлечённости клиента и активности использования продукта. Уменьшение количества времени, проводимого на сайтах или в приложениях, значится как самый распространённый признак оттока. Сюда можно отнести также и количество обращений в службу поддержки, так как если у клиента есть открытые вопросы и он пытается их разрешить, то он всё ещё заинтересован в оказываемых услугах. Имеет смысл наблюдать за увеличением пользователей, которые переходят на более дешёвые услуги, что может привести к переходу клиентов к конкурирующим компаниям.

Раз уж речь пошла о конкуренции на рынке, то можно учитывать и эти внешние данные, а именно какую активность проявляют конкуренты, ценовую политику и её изменения, технологический прогресс, количество упоминаний в новостной ленте и многое другое. При открытии рядом магазина по продаже аналогичных продуктов процессы сбора информации о конкуренте и его анализ с применением машинного обучения будет оперативнее.

Затем нужно проанализировать работу алгоритмов машинного обучения, выяснить, какой именно из алгоритмов наиболее подходит с учётом специфики стоящей задачи оттока. На выбор определённого алгоритма может повлиять диапазон точности, которого хотелось бы достичь, или время обучения.

Использовать полученную модель можно различными способами. Мы рекомендуем интегрировать и встроить модуль в уже используемую клиентом систему. На нашей практике такой подход интеграции модели с CRM-системой и ранжирование клиентов по критерию вероятности оттока показал неплохой результат. Это поможет оптимизировать передачу данных в модель, а также выстроить и упростить бизнес-процессы по удержанию клиентов.

Последним шагом является выбор способа имплементации готовой модели машинного обучения в существующие бизнес-процессы компании. Интегрирование в ИТ-инфраструктуру можно осуществлять различными способами — от загрузки модельной оценки оттока непосредственно в ячейку рабочего Excel-документа до разработки полноценного информационного портала с личным кабинетом маркетолога. Но самый частый запрос от клиентов — это интеграция разработанной модели в используемую CRM-систему. Это упрощает задачу поддержания актуальности клиентских данных, сокращает трудозатраты на разработку отдельного решения, позволяет работать со всеми клиентами в одной системе.