Предиктивная аналитика для предупреждения оттока клиентов

Проблема “оттока” клиентов стоит остро перед различными поставщиками регулярных услуг, так как привлечение нового клиента, как правило, стоит дороже, чем удержание существующего. Чтобы предсказать потенциальную проблему и предпринять меры по удержанию клиентов можно использовать методы машинного обучения и анализа больших данных.

Основная проблема, с которой столкнулась команда в процессе работы- наличие большого количества разрозненных таблиц с данными о клиентах, которые необходимо было привести к общему знаменателю, чтобы создать единую базу для последующей аналитики. Далее необходимо было преобразовать исходные “сырые” данные в значимые интегральные показатели, влияющие на вероятность “оттока” абонентов в следующем месяце. Это позволило систематизировать имеющуюся информацию и создать математическую модель, которая будет самостоятельно выявлять появление рисков.

Для выбора наиболее перспективного решения задачи и настройки параметров классификатора проводились обучение и характеризация различных моделей классификатора (KNN, Decision Tree, SVM, Random Forest Classifier, Naive Bayes, Logistic Regression).

Для последующих обучения и валидации ML-модели был подготовлен и сбалансирован специальный набор данных, позволяющий добиться максимальной точности предсказания.

Достигнутая точность классификатора — 75% точность (precision) выявления абонентов склонных к оттоку в следующем месяце.

Дальнейшее развитие разработанной системы предсказания оттока будет состоять в добавлении новых значимых данных об абоненте и переобучении системы с учетом новых данных. В данный момент используются только данные из базы платежной системы, но не учитываются данные по обращениям клиентов в службу поддержки, наличие аварий на линии абонента и др.