Churn Prediction и Scoring

Реальные кейсы: Forte Bank + Билайн

7.2%Beeline

Снижение оттока

$4.2MForte

Годовой эффект

0.91production

ROC AUC

5.2%from 12.4%

Отток после ML

AI Insight

Churn-модель для Билайн: CatBoost + RFM-фичи + поведенческие паттерны. ROC AUC = 0.91. Результат: отток снизился с 12.4% до 5.2% среди таргетированных клиентов. Экономия: миллионы долларов в год.

Ключевые темы

Churn prediction: определяем клиентов, которые уйдут, до того как они уйдут

RFM-анализ: Recency, Frequency, Monetary — сегментация клиентов

Кредитный скоринг: вероятность дефолта, PD-модель, scorecard

A/B тестирование ML: champion vs challenger, uplift моделирование

Кейс: churn-модель для Билайн снизила отток на 7.2%, scoring в Forte Bank — $4.2M

Аналитика и графики

Старый подход vs AI-подход

🪦Старый век

🚀Новый век

Борьба с оттоком

Скидки всем подряд — дорого и неэффективно

10x ROI

ML-таргетинг: промо только тем, кто уйдёт

Инструменты урока

CatBoostscikit-learnSHAPpandaslifetimes

Домашнее задание

Практическое задание

Постройте churn prediction модель на Telco Customer Churn датасете. RFM-сегментация + CatBoost + SHAP. Посчитайте бизнес-эффект: сколько $ сэкономит модель при retention campaign.

Урок 48 из 59

Интерпретация моделей: SHAP

Demand Forecasting и LTV