Как Vega Telecom научилась предсказывать отток абонентов — кейс Colobridge AI

Оставить заявку на похожий проект

Оставить заявку

Оставить заявку на похожий проект

Оставить заявку

Страна:
Украина

Бизнес:
Телекоммуникации, интернет-провайдер

Продукт
Услуги широкополосного доступа к интернету

Используемые продукты и сервисы Colobridge:

AI-аналитика на базе машинного обучения

Заказ услуги

Заказ звонка

Заказ услуги

Спасибо за Ваш выбор!

В ближайшее время с Вами свяжутся по указанному номеру.

Передыстория

Vega Telecom — национальный телекоммуникационный оператор Украины с клиентской базой более 70 000 абонентов. Компания работает в нескольких регионах страны, обслуживает как частных пользователей, так и бизнес-клиентов, и входит в число лидеров рынка широкополосного доступа к интернету.
Несмотря на стабильные позиции на рынке, в 2024 году компания столкнулась с проблемой, которая годами оставалась нерешенной: показатель оттока абонентов (churn rate) достиг 15% в год. Это означало ежегодные потери в десятки миллионов гривен — и ни одного системного инструмента, который бы позволил остановить этот процесс.

«В компании понимали масштабы проблемы, но не знали, как действовать на опережение. Отток замечали тогда, когда клиенты звонили с просьбой расторгнуть договор, но в телеком-сегменте на этом этапе вернуть человека практически невозможно»

Мария Цвид
Product owner Colobridge GmbH

Проблема

Телекоммуникационная отрасль — одна из самых уязвимых к оттоку. Конкуренты предлагают схожие условия, пороги перехода для абонента минимальны, а клиент, ушедший к другому оператору, в подавляющем большинстве случаев не возвращается. Именно поэтому в телекоме реактивная модель работы с оттоком — практически всегда проигрышная стратегия.
До начала сотрудничества с Colobridge AI процесс управления оттоком в Vega Telecom выглядел так: абонент обращался в компанию с заявкой на расторжение договора, после чего подключалась служба удержания — менеджер пытался выяснить причину и предложить альтернативу. Эта схема имела фундаментальный недостаток: на момент такого звонка решение клиентом, как правило, уже было принято. Компания включалась в игру тогда, когда шансы на успех стремились к нулю.
Проблема усложнялась тем, что даже когда удавалось удержать клиента, это происходило ценой скидок и уступок, что негативно влияло на маржинальность. Системного понимания того, кто из абонентов следующий в очереди на уход и почему, — не существовало.

Задачи

Перед Colobridge AI стояло несколько конкретных задач:



Построить систему, которая выявляет абонентов с риском оттока за 1–3 месяца до предполагаемого расторжения договора.



Помочь понять причины риска оттока для каждого абонента. Так команда Vega Telecom сможет действовать точечно и эффективно вместо того, чтобы пользоваться типовыми скриптами разговоров.



Интегрировать решение в операционный процесс Vega Telecom так, чтобы команда удержания получала актуальные данные в удобном формате на регулярной основе.



Перевести логику работы с клиентской базой с реактивной на проактивную. Для этого нужно было сосредоточить ресурсы там, где они дают реальный результат.

Реализация

Команда Colobridge AI разработала и внедрила систему предиктивной аналитики оттока на базе машинного обучения, адаптированную под данные и операционную специфику деятельности Vega Telecom.
В основу решения легла модель, которая обучается на исторических данных о поведении абонентов и выявляет паттерны, предшествующие уходу. Система анализирует широкий спектр сигналов: динамику активности и интенсивности потребления услуг, платежное поведение (задержки, отказ от опций, переход на более дешевые тарифы), частоту и тематику обращений в службу поддержки, количество оборудования, которое находилось в аренде, и другие факторы. Все эти сигналы в совокупности формируют индивидуальный «профиль риска» для каждого абонента.
Ключевое отличие решения от стандартных аналитических инструментов — наличие объясняющего компонента. Система не просто присваивает клиенту статус «рискованный», а «подсвечивает» факторы, указывающие на это (потенциальный разрыв договора). Такой подход принципиально важен для практического применения, ведь в зависимости от причины вероятного оттока — клиент недоволен качеством соединения, негативно реагирует на изменение тарифов или имеет серию неурегулированных обращений в поддержку — команда выбирает соответствующий сценарий коммуникации.
При интеграции этого решения менеджеры получают актуальный список абонентов с наивысшим риском оттока, сегментированный по уровню срочности и типу причины. И затем на его основе запускают целевые проактивные кампании — еще до того, как клиент сам инициирует разрыв.

«Реактивная модель удержания не работала, но других инструментов у компании не было. Мы с помощью ML-модели не просто сформировали список потенциально склонных к оттоку клиентов, а получили объяснение: почему каждый из них оказался в этом списке»

Мария Цвид
Product owner Colobridge GmbH

Справка

Predicting Churn (прогнозирование оттока) — направление предиктивной аналитики, использующее алгоритмы машинного обучения для определения вероятности того, что конкретный клиент прекратит пользоваться услугой в заданном временном горизонте. В отличие от ретроспективных отчетов, предиктивная модель работает на опережение: она анализирует текущее поведение клиентов и присваивает каждому из них вероятностный «скор риска» на основе сотен параметров. Для бизнеса это означает возможность действовать проактивно — вмешиваться тогда, когда клиент еще не принял окончательного решения и открыт к коммуникации.
Explainable AI (XAI, объяснимый искусственный интеллект) — подход к построению AI-систем, при котором модель не только выдает результат, но и объясняет, на основе каких факторов он был получен. Для бизнес-приложений это критически важно: менеджер должен понимать, почему система пометила конкретного клиента как рискованного, чтобы принять правильное решение касательно коммуникации. Без объяснений AI-рекомендации остаются «черным ящиком» и плохо приживаются в операционной практике команды.

Результаты

Внедрение системы Colobridge AI изменило операционную логику работы с клиентской базой Vega Telecom.



80% клиентов, которые хотят уйти, выявляют заблаговременно. Система предсказывает четырех из пяти абонентов, планирующих расторгнуть договор, еще до того, как они сами обращаются в компанию. Окно для проактивного действия — от одного до трех месяцев. Это кардинально меняет условия работы службы удержания: вместо нескольких часов на «спасение» отношений команда получает несколько недель для продуманной, персонализированной коммуникации.



Фокус сместился с реакции на предупреждение. Раньше значительная часть ресурсов тратилась на работу с клиентами, которые уже подали заявку на отключение — наименее перспективный сегмент для удержания. Теперь можно сосредоточиться на абонентах в зоне риска, то есть тех, кого еще реально удержать без существенных уступок.



Каждое обращение к клиенту основывается на реальных данных. Компания может внедрить персонализированные коммуникации на основе конкретной причины недовольства — вместо общих скриптов. Это мощный инструмент для повышения эффективности кампаний удержания и формирования качественно нового уровня доверия: когда абонент видит, что оператор реагирует на его ситуацию, а не отправляет шаблонные предложения всем подряд.

«Компания получила инструменты, с помощью которых может реально влиять на удержание клиентов. Когда человек получает предложение, соответствующее его реальной ситуации, — это совершенно другой разговор»