Як Vega Telecom навчилась передбачати відтік абонентів — кейс Colobridge AI

Vega Telecom — національний телекомунікаційний оператор України з клієнтською базою понад 70 000 абонентів. Компанія працює в кількох регіонах країни, обслуговує як приватних користувачів, так і бізнес-клієнтів, і входить до числа лідерів ринку широкосмугового доступу до інтернету.
Попри стабільні позиції на ринку, у 2024 році компанія зіткнулась із проблемою, яка роками залишалась невирішеною: показник відтоку абонентів (churn rate) сягнув 15% на рік. Це означало щорічні втрати в десятки мільйонів гривень — і жодного системного інструменту, який дозволив би зупинити цей процес.

Телекомунікаційна галузь — одна з найбільш вразливих до відтоку. Конкуренти пропонують схожі умови, пороги переходу для абонента мінімальні, а клієнт, який пішов до іншого оператора, у переважній більшості випадків не повертається. Саме тому в телекомі реактивна модель роботи з відтоком — практично завжди програшна стратегія.
До початку співпраці з Colobridge AI процес управління відтоком у Vega Telecom виглядав так: абонент звертався до компанії із заявкою на розірвання договору, після чого підключалась служба утримання — менеджер намагався з’ясувати причину і запропонувати альтернативу. Ця схема мала фундаментальний недолік: на момент такого дзвінка рішення клієнтом, як правило, вже було прийнято. Компанія включалась у гру тоді, коли шанси на успіх прагнули до нуля.
Проблема ускладнювалась тим, що навіть коли вдавалось утримати клієнта, це відбувалось ціною знижок і поступок, що негативно впливало на маржинальність. Системного розуміння того, хто з абонентів наступний у черзі на відхід і чому, — не існувало.

Команда Colobridge AI розробила та впровадила систему предиктивної аналітики відтоку на базі машинного навчання, адаптовану під дані та операційну специфіку діяльності Vega Telecom.
В основу рішення лягла модель, яка навчається на історичних даних про поведінку абонентів і виявляє патерни, що передують відходу. Система аналізує широкий спектр сигналів: динаміку активності та інтенсивності споживання послуг, платіжну поведінку (затримки, відмова від опцій, перехід на дешевший тариф), частоту й тематику звернень до служби підтримки, кількість обладнання, що знаходилося в оренді, тощо. Всі ці сигнали в сукупності формують індивідуальний «профіль ризику» для кожного абонента.
Ключова відмінність рішення від стандартних аналітичних інструментів — наявність пояснювального компонента. Система не просто присвоює клієнту статус «ризикований», а «підсвічує» фактори, які на це (потенційний розрив договору) вказують. Такий підхід принципово важливий для практичного застосування, адже залежно від причини ймовірного відтоку — клієнт незадоволений якістю з’єднання, негативно реагує на зміну тарифів чи чи має кілька неврегульованих звернень до підтримки — команда обирає відповідний сценарій комунікації.
При інтеграції цього рішення менеджери отримують актуальний перелік абонентів із найвищим ризиком відтоку, сегментований за рівнем терміновості та типом причини. І потім на його основі запускають цільові проактивні кампанії — ще до того, як клієнт сам ініціює розрив.

Впровадження системи Colobridge AI змінило операційну логіку роботи з клієнтською базою Vega Telecom.