За один MVP-цикл команда strategai построила для DDX Fitness предиктивную модель оттока: она ранжирует всю клиентскую базу по риску ухода и выделяет небольшую высокорисковую группу, на которую приходится непропорционально большая часть оттока. Это позволяет удерживать адресно — не «ковром» на всю базу. Эффект проверяется на пилоте против контрольной группы; целевой порог — снижение оттока не менее чем на 10% (MVP) и 20% (полный масштаб).
В фитнесе отток — не событие, а процесс
У сети из сотен тысяч клиентов отток виден в отчётности постфактум — когда человек уже не продлил абонемент. К этому моменту работать с ним поздно. Удерживать нужно до ухода. При этом запускать удержание на всю базу — дорого и бессмысленно: большинство клиентов и так не собираются уходить. Нужен инструмент, который заранее показывает, кто именно на грани, и направляет бюджет туда, где он вернётся доходом.
Отток фиксируется постфактум; удержание — «ковровое», на всю базу, неокупаемо.
Небольшая высокорисковая группа даёт непропорционально большую часть оттока — адресная зона для удержания.
Модель ранжирует базу по вероятности оттока
Модель (градиентный бустинг — XGBoost / LightGBM / CatBoost) присваивает каждому клиенту вероятность ухода и ранжирует базу от самых рисковых к самым лояльным. Ключевая идея: отток концентрируется в верхней части рейтинга — охватив меньшую долю базы с наибольшим риском, мы покрываем непропорционально большую долю всех будущих уходов. Именно это делает удержание адресным и окупаемым.
- Качество ранжирования измеряем через recall (какую долю реальных отточников ловим в верхних N% базы) и AUC ROC.
- Целевой порог MVP — AUC ≥ 0.75; модель проверяется на согласованной тестовой выборке против контрольной группы.
- Прогноз пересобирается ежемесячно — рейтинг риска актуален к началу каждого цикла удержания.
Конкретные значения метрик и объёмы по базе DDX — под NDA и в кейсе не раскрываются. Здесь — методика и целевые пороги; фактические результаты подтверждаются на пилоте.
Три зоны риска: адресная аудитория удержания
По вероятности оттока база делится на три зоны. Фактический уровень оттока между ними расходится в разы — это и есть основа для адресности.
Смысл сегментации — не тратить бюджет на тех, кто и так останется, а сфокусировать удержание на небольшой высокорисковой группе, где каждый удержанный клиент возвращается доходом.
Почему клиенты уходят: вклад факторов
Модель объясняет почему клиент в зоне риска — понятные рычаги, а не «чёрный ящик». Длина полосы — сила влияния фактора.
Как модель превращается в доход на удержании
Механика простая и воспроизводимая: раз в месяц модель пересобирает прогноз на цикл вперёд, ранжирует базу по риску, и на высокорисковых клиентов автоматически формируются адресные удерживающие офферы — с учётом риска, истории активности и сегмента. Доход считается по единой формуле:
- Эффект = удержанные клиенты × средний чек × срок удержания, где удержанные — это снижение оттока в высокорисковой группе против контрольной.
- Финмодель считается на реальных параметрах клиента до старта — чтобы решение о масштабировании принималось по деньгам, а не по точности модели.
- Критерий перехода к полному масштабу — снижение оттока на тестовой группе не менее 10% (MVP) и 20% (полный масштаб) против контроля.
Абсолютные значения (объём базы, средний чек, денежный потенциал) рассчитаны на данных DDX и под NDA не раскрываются. В кейсе — методика расчёта и целевые пороги; конкретные цифры фиксируются в финмодели проекта.
Удержать всю базу невозможно и не нужно. Ценность модели — найти небольшую группу клиентов, которая даёт непропорционально большую часть оттока.Команда /strategai, по итогам MVP
Не «чёрный ящик», а воспроизводимый продукт
Модель передаётся клиенту целиком: код, Jupyter-ноутбуки, зависимости и Dockerfile. Запуск — в три шага (Docker → распаковка → docker build/run). Подключение к данным DDX — на выбор: коннекторы к БД или выгрузка CSV в ожидаемой структуре. Код документирован; проводим звонок по модели и файлам. Никакого vendor-lock — команда клиента владеет решением.
