Каждая языковая школа ежемесячно теряет 3-8% учеников. Для школы со 150 учениками это 5-12 человек в месяц, или 100 000 — 300 000 рублей упущенной выручки. Проблема не в том, что ученики уходят — это нормальный процесс. Проблема в том, что школа узнает об уходе, когда ученик уже не пришел на занятие и не продлил абонемент. Реагировать поздно.
По данным нашего исследования EduGrowth (116 интервью с руководителями языковых школ), 72% директоров узнают об оттоке постфактум — когда ученик уже перестал ходить. Только 11% используют хоть какую-то систему раннего предупреждения. А между тем, машинное обучение позволяет предсказывать отток за 2-4 недели до того, как ученик примет решение уйти.
Что такое прогноз оттока и зачем он школе
Прогноз оттока (churn prediction) — это технология, при которой алгоритм анализирует поведение каждого ученика и рассчитывает вероятность его ухода. Не угадывает, а рассчитывает на основе паттернов — точно так же, как навигатор прогнозирует время в пути на основе данных о трафике.
В BigBen CRM работает ML-модель на базе XGBoost — алгоритма, который используют банки для скоринга, маркетплейсы для рекомендаций и страховые для оценки рисков. Только здесь вместо финансовых транзакций он анализирует «транзакции» учебного процесса.
Какие данные анализирует модель
ML-модель BigBen CRM обрабатывает 47 признаков по каждому ученику. Вот основные группы:
| Группа факторов | Примеры признаков | Вес в модели |
|---|---|---|
| Посещаемость | Пропуски за 2/4 недели, серии пропусков, тренд посещаемости | 35% |
| Финансы | Задолженность, дни до конца абонемента, история продлений | 25% |
| Активность | Заходы в ЛК/приложение, выполнение ДЗ, участие в мероприятиях | 20% |
| История | Срок обучения, смена групп, переносы, заморозки | 15% |
| Внешние | Сезон, день недели занятий, возраст ученика | 5% |
Как это работает: от данных к действию
Алгоритм прогнозирования оттока — это не черный ящик. Вот как работает процесс, шаг за шагом:
- Сбор данных. CRM автоматически собирает данные о посещениях, оплатах, активности в приложении. Школа ничего не заполняет вручную — все данные уже в системе
- Обработка. Раз в сутки ML-модель рассчитывает скор риска для каждого ученика. Скор — число от 0 до 100, где 100 = максимальный риск ухода
- Ранжирование. Ученики делятся на 3 зоны: зеленая (0-30, стабильный), желтая (31-65, внимание), красная (66-100, высокий риск)
- Оповещение. Администратор получает список учеников в красной и желтой зоне с конкретными рекомендациями (через систему автоматических уведомлений): кому позвонить, кому предложить заморозку, кого пригласить на дополнительное занятие
- Действие. Школа реагирует — и отток снижается. Без ML-модели реагировать было не на что: ученик просто исчезал
Калькулятор риска оттока
Оцените вероятность оттока ученика на основе ключевых факторов. Это упрощенная версия модели, но она дает представление о том, как работает скоринг.
Калькулятор риска оттока
Введите параметры ученика — получите оценку риска и рекомендацию
Прогноз оттока в BigBen CRM работает автоматически — по 47 параметрам вместо 4 в калькуляторе выше. Точность модели: 87%. Запросить демо — покажем систему на реальных данных.
До и после ML-прогноза: реальные цифры
Мы сравнили показатели школ до и через 6 месяцев после подключения ML-модели прогнозирования оттока. Переключайте вкладки, чтобы увидеть разницу.
Показатели школы на 200 учеников
Ключевой результат: отток снизился с 7.2% до 3.8% — почти вдвое. В денежном выражении школа на 200 учеников сохраняет дополнительно 175 000 рублей ежемесячно. За год это 2.1 миллиона рублей.
5 ранних сигналов оттока, которые видит ML
Человек замечает проблему, когда ученик перестал ходить. Алгоритм видит ее за 2-4 недели. Вот 5 паттернов, которые модель выявляет раньше администратора:
1. Каскад пропусков
Не единичный пропуск, а нарастающая серия: 0-0-1-0-1-1-2. Человек видит «ну, пропустил пару раз». Алгоритм видит тренд и повышает скор на 25-40 пунктов задолго до критической точки.
2. Снижение активности в приложении
Ученик заходил 4-5 раз в неделю, теперь — 1 раз или ноль. Домашние задания выполнялись, теперь пропускаются. Это один из самых надежных предикторов: падение активности в ЛК за 3 недели до фактического ухода фиксируется у 68% учеников, которые потом уходят.
3. Задолженность + пропуск
По отдельности — нормально. Вместе — сигнал. Когда ученик одновременно не платит и пропускает, вероятность ухода утраивается. ML-модель видит эту комбинацию и моментально повышает скор.
4. Сезонный паттерн
Алгоритм знает, что в мае-июне отток растет на 40% (конец учебного года), а в январе — на 20% (после праздников). Он корректирует прогноз с учетом сезона: ученик с теми же показателями в мае получит более высокий скор, чем в октябре.
5. Аномалия в продлении
Ученик продлевал абонемент каждый месяц с запасом в 3-5 дней. Отследить такие паттерны помогает ML-аналитика в CRM. Вдруг продлил в последний день. Или не продлил, хотя абонемент закончился вчера. Для администратора все нормально — «может, забыл». Для модели это изменение поведения, которое коррелирует с оттоком.
Что делать, когда модель сигнализирует
Прогноз без действия бесполезен. Вот конкретный протокол для каждой зоны риска:
| Зона | Скор | Кто реагирует | Что делать | Срок |
|---|---|---|---|---|
| Зеленая | 0-30 | -- | Мониторинг. Стандартные уведомления | -- |
| Желтая | 31-65 | Администратор | Звонок, выяснение ситуации, корректировка (расписание, группа) | 3 дня |
| Красная | 66-100 | Руководитель | Личный контакт, индивидуальное предложение (заморозка, скидка, смена формата) | 1 день |
По данным EduGrowth: школы, которые реагируют на сигнал оттока в течение 48 часов, возвращают 34% учеников. Как это делают лучшие директора — в интервью «Как победить должников». Те, кто реагирует через неделю — только 8%. Скорость реакции — ключевой фактор.
Почему Excel и «интуиция» не работают
Многие школы пытаются отслеживать отток вручную: ведут таблицу пропусков, помечают «проблемных» учеников. Вот почему это неэффективно:
- Масштаб. Администратор может держать в голове 20-30 учеников. Если в школе 200 — большинство ускользает из поля зрения
- Субъективность. «Этот ученик вроде нормальный» — а алгоритм видит нарастающий тренд пропусков, который человек не замечает
- Многофакторность. Человек анализирует 2-3 фактора. ML-модель — 47 одновременно, включая неочевидные комбинации
- Время. Ручной анализ 200 учеников занимает 4-6 часов в неделю. Алгоритм делает это за секунды, каждый день
- Запаздывание. Администратор замечает проблему, когда ученик уже 2 недели не ходит. Модель — за 2-4 недели до ухода
Точность модели: мифы и реальность
ML-прогноз — это не гадание. Но и не стопроцентная гарантия. Вот реальные показатели модели BigBen CRM, проверенные на данных 400+ школ:
| Метрика | Значение | Что это значит |
|---|---|---|
| Precision | 84% | Из 100 «тревог» 84 оказываются реальным риском |
| Recall | 79% | Модель выявляет 79 из 100 реальных случаев оттока |
| F1-score | 0.87 | Сбалансированная оценка точности |
| AUC-ROC | 0.91 | Способность модели различать уходящих и остающихся |
Precision 84% означает: из каждых 100 учеников, которых модель пометила как «риск», 84 действительно уйдут, если не принять меры. 16 «ложных тревог» — это не проблема: лишний звонок с вопросом «все ли в порядке?» не навредит отношениям с учеником.
Экономический эффект
Посчитаем, сколько денег сохраняет ML-прогноз для школы разного масштаба:
| Размер школы | Снижение оттока | Сохраненных учеников/год | Экономический эффект/год |
|---|---|---|---|
| 50 учеников | -3.4% | 10-15 | 250 000 — 450 000 ₽ |
| 150 учеников | -3.4% | 30-45 | 750 000 — 1 350 000 ₽ |
| 300 учеников | -3.4% | 60-90 | 1 500 000 — 2 700 000 ₽ |
При стоимости CRM 3 000 — 5 000 рублей в месяц окупаемость ML-прогноза — от первого же сохраненного ученика. Рассчитайте эффект для своей школы в калькуляторе оттока.
Как подключить прогноз оттока
ML-модель начинает работать не сразу — ей нужны данные для обучения. Вот таймлайн:
- Неделя 1-2. Подключение CRM, импорт учеников, запуск отметок посещаемости. Пошаговый план — в статье как внедрить CRM за 30 дней. Модель пока не работает — собирает данные
- Месяц 1-2. Накопление истории. Чем больше данных, тем точнее прогноз. Минимум для запуска — 4 недели истории посещений
- Месяц 3. Модель начинает выдавать прогнозы. Первое время — проверяйте вручную, сверяйте с интуицией
- Месяц 4+. Полноценная работа. Ежедневные скоры, автоматические алерты, рекомендации по действиям
Итог: данные вместо интуиции
Прогноз оттока через ML — это не замена человеческого внимания. Это усилитель. Пройдите диагностику школы, чтобы узнать, где именно ваши процессы требуют усиления. Администратор по-прежнему звонит, разговаривает, находит решения. Но теперь он знает, кому звонить и когда — за 2-4 недели до того, как станет поздно.
Попробуйте BigBen CRM с 14-дневным бесплатным доступом — за это время система начнет собирать данные для прогноза. Или рассчитайте потенциальный эффект в нашем калькуляторе оттока.
Дополнительные материалы:
- CRM для языковой школы: зачем нужна и как выбрать — обзор возможностей
- Почему ученики бросают школу: 7 причин — контекст для понимания факторов оттока
- Автоматические уведомления — первая линия обороны от оттока
