Зачем предсказывать отток, если можно просто звонить ушедшим
Классический подход к оттоку в языковой школе — реактивный: ученик перестал ходить две недели подряд, администратор замечает это в отчёте, звонит и пытается вернуть. Это работает — но плохо. К моменту, когда пропуски видны в цифрах, решение об уходе уже принято: внутренняя мотивация разрушена, альтернатива найдена, разговор с семьёй проведён. Администратор звонит не в «зону решения», а в «зону оформления». Возвращается в лучшем случае один из десяти.
ML-прогнозирование меняет саму точку реакции. Модель смотрит на поведение ученика за 30-60 дней до первых явных сигналов и говорит: «этот — в зоне риска, внутренняя связь остывает, сделай что-нибудь сейчас». Ученик ещё ходит, ещё платит, ещё отвечает «всё нормально» — но математика уже видит паттерн ухода. Реакция в этот момент эффективнее реакции на факт ухода в 3 раза (данные 400+ школ BigBen CRM).
Реактивный vs проактивный подход: две разных школы
Чтобы понять, зачем вообще тратить ресурсы на ML, полезно сравнить две школы с одинаковой базой, одинаковым качеством преподавания и одинаковым администратором — но разными подходами к оттоку. Через год у них будет радикально разная выручка, хотя ни одна из них не делает ничего «плохого». Разница — в том, когда именно они узнают о проблеме.
| Момент | Реактивная школа | Проактивная (ML) школа |
|---|---|---|
| Неделя 1-4 | Ученик ходит, всё «нормально». Никто не смотрит | Модель видит первые сигналы: замедление прогресса, снижение активности в ЛК. Вероятность ухода: 32% |
| Неделя 5-8 | Ученик всё ещё ходит, но пропускает 1-2 занятия в месяц. Администратор не замечает | Вероятность 58% — «жёлтая зона». CRM создаёт задачу: «поговорить с учеником». Администратор звонит с «хорошим поводом» |
| Неделя 9-12 | Пропуски растут до 40%. Появляется в отчёте как «проблемный» | Ученик сохранён — либо сменил формат, либо перешёл к другому преподавателю, либо получил новый план прогресса |
| Неделя 13-16 | Администратор звонит. «Спасибо, мы решили уйти». Выписка. Потеря | Ученик в зелёной зоне, посещаемость 85%, NPS вырос с 6 до 8 |
| Итог через год (на 200 уч.) | Отток 4%/мес = минус 39% базы. Постоянная «дыра», затыкаемая рекламой | Отток 2%/мес = минус 21% базы. +36 сохранённых учеников × 30 тыс. ₽ ≈ +1,08 млн ₽ выручки |
Ключевая разница: реактивная школа узнаёт о проблеме тогда, когда её уже невозможно решить. Проактивная — пока проблема ещё на стадии тенденции. Это не «технология против человеческого подхода». Это про то, на каком этапе процесса включается человеческий подход: когда он может помочь или когда он может только проводить.
30+ признаков: что смотрит модель
Человеку сложно держать в голове одновременно больше 5-7 показателей по одному ученику — тем более по всей базе. Администратор смотрит на посещаемость и просрочку оплаты, директор — на NPS. Остальные сигналы теряются. Модель машинного обучения смотрит на все 30+ признаков одновременно и видит паттерны, которые человеческий глаз физически не может уловить. Ниже — 5 категорий признаков, из которых собирается прогноз оттока.
5 категорий признаков модели оттока
Кликните на категорию — увидите конкретные метрики
ML-модель BigBen CRM: как устроена и что обещает
В BigBen CRM встроена модель прогнозирования оттока, построенная на алгоритме XGBoost — это промышленный стандарт для задач классификации на табличных данных. Обучалась модель на истории более 400 школ: сравнивались ученики, которые ушли, с теми, кто остался, и модель находила паттерны, которые разделяют эти две группы. Дальше на каждого нового ученика модель применяет эти паттерны и даёт вероятность ухода в ближайшие 30-60 дней.
| Параметр | Значение | Что это значит на практике |
|---|---|---|
| Алгоритм | XGBoost (градиентный бустинг) | Работает с табличными данными лучше нейросетей, быстро считает, объясняет важность каждого признака |
| Количество признаков | 30+ | 5 категорий: посещаемость, учёба, финансы, коммуникация, NPS/история |
| Горизонт прогноза | 30-60 дней | Окно, в котором вероятность можно изменить вмешательством. Дальше прогноз теряет точность |
| Точность (accuracy) | 78-82% | Из 100 учеников, помеченных «уйдёт», действительно уходят ~80. Не идеально — но в 8 раз выше случайного угадывания |
| Recall по «уходящим» | 71-75% | Модель ловит около 3 из 4 реальных уходящих. Остальные 25% уходят «тихо» — без заметных поведенческих маркеров |
| Частота пересчёта | Каждую ночь | Утром администратор видит обновлённый список риска — с учётом вчерашних занятий и сообщений |
| Обучение | Еженедельно на новых данных | Модель «учится» на реальных результатах: кто из помеченных ушёл, кого удалось сохранить |
Важный нюанс: точность 78-82% — это не «модель почти идеальна». Это значит, что ~20% прогнозов ошибочны (ложно-положительные или ложно-отрицательные). Модель — это не «оракул», это умный фильтр, который вместо 200 учеников в базе показывает администратору 15-25 в зоне риска. Остальное — задача человека: позвонить, поговорить, понять, что происходит на самом деле. ML экономит внимание, но не заменяет работу.
Три зоны вероятности: как интерпретировать прогноз
Сырая вероятность «72%» ничего не говорит администратору — непонятно, что с ней делать. Поэтому в BigBen CRM прогноз разбит на три светофорные зоны, каждая со своим уровнем реакции. Это упрощает работу: не надо думать «72 это много или нет», надо просто посмотреть цвет и выполнить протокол для этого цвета.
| Зона | Вероятность ухода | Что значит | Протокол реакции |
|---|---|---|---|
| Зелёная | 0-30% | Норма. Ученик стабилен, поведение в рамках обычного | Ничего не делать. Поддерживать обычную работу. Проверять раз в месяц, не сдвинулся ли в жёлтую |
| Жёлтая | 30-60% | Внимание. Появились сигналы, но необязательно уход | Проактивный контакт с «хорошим поводом» (не «почему пропускаешь»). Короткий разговор о прогрессе. Отметка в карточке. Повторная оценка через 2 недели |
| Красная | 60%+ | Тревога. Внутренняя связь со школой остывает, высокая вероятность ухода в ближайшие 4-6 недель | Задача директору или старшему администратору. Личный звонок в течение 24 часов. Разбор ситуации. Персональное предложение (не скидка). План удержания с конкретными датами |
Early warning dashboard: что видит администратор утром
Прогноз модели бесполезен, если он лежит в базе данных и никто его не открывает. Чтобы ML работал, нужен dashboard раннего предупреждения — рабочий экран администратора, который он открывает первым делом утром. В BigBen CRM это отдельная вкладка «Риск оттока», и в ней каждый день собирается рабочий список учеников в жёлтой и красной зонах — с контекстом и готовыми действиями.
| Элемент dashboard | Что показывает | Действие |
|---|---|---|
| Топ-10 «красных» | Ученики с вероятностью 60%+, отсортированные по LTV (от большего) | Личный звонок в течение дня, приоритет на дорогих клиентах |
| Новые в жёлтой зоне | Ученики, которые за последние 7 дней сдвинулись из зелёной в жёлтую | Короткий проактивный контакт: «как дела?», без давления |
| Сдвиг в красную | Ученики, которые за последние 7 дней перешли из жёлтой в красную зону | Срочная эскалация. Разбор на планёрке. Задача директору |
| Топ-признаки ученика | 3-5 самых «весомых» сигналов для конкретного ученика (посещаемость, д/з, NPS...) | Контекст для разговора: знать, о чём спрашивать |
| История прогноза | Динамика вероятности за последние 90 дней: когда начала расти, что было триггером | Анализ паттернов: «после смены преподавателя выросло с 20% до 55%» → понятно, что делать |
| Итог за месяц | Сколько учеников попало в риск, сколько удалось сохранить, % успеха | Обратная связь для администратора и команды. KPI retention |
5 шагов работы с «риск»-учеником
Когда модель подсвечивает ученика в красной зоне, администратор не должен каждый раз придумывать, что делать. Процесс должен быть стандартизирован: 5 шагов от сигнала до контроля. Без протокола работа превращается в «позвонил — попробовал — забыл», а это не retention, это видимость retention.
5 шагов работы с учеником в зоне риска
Кликните на шаг — увидите детали и что говоритьМетрики работы с retention: что считать успехом
Как любая системная работа, retention нужно измерять. Иначе через 3 месяца возникнет вопрос «а эта программа вообще работает?», и без цифр на него не ответить. Ниже — рабочий набор метрик, который позволяет оценить эффективность работы с прогнозами оттока и увидеть, окупается ли программа retention.
| Метрика | Формула | Норма |
|---|---|---|
| % сохранённых из «красной зоны» | (Сохранены / Всего попало в красную зону) × 100% | 30-40% — хорошо, 50%+ — отлично |
| % сохранённых из «жёлтой зоны» | (Не перешли в красную или зелёную / Всего жёлтых) × 100% | 75-85% — норма, 90%+ — отлично |
| Среднее время реакции | От момента попадания в зону риска до первого звонка | Красные — ≤ 24 часов, жёлтые — ≤ 3 дня |
| Precision модели | (Реально ушедшие из предсказанных / Всего предсказанных) × 100% | 70%+ — модель работает. Ниже — переучивать или чинить данные |
| Экономика программы | (Сохранённые × средний LTV) − (Часы работы × почасовая ставка) | ROI ≥ 5× — программа окупается и приносит прибыль |
| Падение общего churn rate | Churn_после − Churn_до за 3-6 месяцев работы программы | Снижение на 1-1,5 пп/мес — ожидаемый эффект первого года |
Ключевой принцип: не путать «звонки» с «успехом». Количество звонков — это активность, а не результат. Результат — это ученик, который не ушёл. Если администратор делает 20 звонков в неделю, но сохраняет только 2 учеников в месяц — значит, что-то не так в разговорах, предложениях или своевременности. Хорошая программа retention даёт соотношение звонки → сохранения примерно 1 к 5 в жёлтой зоне и 1 к 3 в красной.
Как внедрить систему предсказания без ML-команды
Школы часто думают: «ML — это сложно, у нас нет data scientist». Правда в том, что 85% эффекта от предсказания оттока дают простые правила, которые настраиваются в любой CRM за 2-3 дня. Реальная ML-модель добавляет оставшиеся 15% — те самые «тихие» уходы, которые не ловятся правилами. Начинать надо с правил, а не с модели.
Чеклист: рабочая система предсказания оттока
Отметьте, что у вас уже настроеноПлан запуска «с нуля до ML» выглядит так: месяц 1 — настроить 4 правила (пропуски, просрочка, NPS, смена преподавателя) и дашборд. Месяц 2-3 — команда учится реагировать: еженедельные разборы, протокол 5 шагов, первые сохранённые ученики. Месяц 4 — подключить ML-модель. К этому моменту у команды уже есть привычка работать с сигналами, и модель усиливает то, что уже работает, а не пытается построить процесс с нуля.
Сценарий: ML показывает 75% у лучшего ученика
Выберите вариант — увидите последствияИтоги урока
- Реактивный подход к оттоку («перестал ходить — звоним») ловит ученика в «зоне оформления решения» — сохранность 10-15%. Проактивный подход (ML-прогноз за 30-60 дней) ловит в «зоне ещё меняемого решения» — сохранность 45-55%
- Модель BigBen CRM: XGBoost, 30+ признаков в 5 категориях (посещаемость, учёба, финансы, коммуникация, NPS/история), точность 78-82%, горизонт прогноза 30-60 дней
- Три зоны вероятности: 0-30% зелёная (норма), 30-60% жёлтая (внимание), 60%+ красная (действовать). Жёлтая важнее красной — именно там сохраняется 75-85% против 30-40% в красной
- Самый ранний сигнал — падение активности в учебной работе (д/з, ЛК, коммуникация с преподавателем). Опережает падение посещаемости на 2-3 недели
- Early warning dashboard: рабочий экран администратора с топ-10 «красных», новыми в жёлтой, историей прогнозов, топ-признаками — открывается каждое утро
- Протокол работы с риск-учеником — 5 шагов: сигнал → анализ контекста → разговор с хорошим поводом → план на 2 недели → контроль через 2 и 4 недели
- Метрики программы retention: % сохранённых из красной/жёлтой зон, время реакции, precision модели, экономика (ROI ≥ 5×), падение общего churn rate
- Начинать надо не с ML, а с 4 простых правил (пропуски, просрочка, NPS, смена преподавателя). Они дают 85% эффекта. ML подключается через 2-3 месяца, когда команда научилась реагировать
- Главный антипаттерн: «ML вместо разговора». Модель — это фильтр внимания, а не замена человеческой работе. Без искреннего разговора прогноз бесполезен
Следующий урок: D8.3 «Загрузка и эффективность преподавателей» — как аналитика помогает увидеть, кто из команды перегружен, а у кого провалы в расписании, и что с этим делать на уровне системы. Или прямо сейчас откройте калькулятор оттока и посчитайте, сколько ваша школа потенциально сохранит, запустив программу retention с простых правил, без ML. Обычно цифра окупает внедрение в 10 раз за первый год.