Контекст

«Раніше ми помічали відтік надто пізно. Тепер ми діємо превентивно» - за допомогою нейромереж на Vertex AI одна з найбільших програм лояльності в Україні навчилася аналізувати індивідуальну поведінку 1,5 млн клієнтів і автоматично виявляти ризики відтоку ще до того, як людина піде.

виклик

До початку проекту команда визначала відтік за простим правилом: якщо клієнт не відвідував ресторани 3 місяці – він «втрачений». Такий підхід давав сигнал надто пізно – коли людина вже фактично пішла, і будь-яка реакція перетворювалася на реанімацію, а не утримання. На процесному рівні складність полягала у фрагментованості даних: поведінка клієнтів розпорошена між різними джерелами, і зібрати з них цілісну картину вручну – нереально в масштабі понад мільйон профілів. Автоматизованої реакції не існувало: навіть якби аналітика виявляла тривожний сигнал, він не потрапляв у CRM-систему вчасно.

Чому зараз?

Програма LOKAL виросла до масштабу, де ручне або правилове управління відтоком перестало бути достатнім. При 1,5 млн учасників навіть кілька відсотків неконтрольованого churn – це десятки тисяч втрачених клієнтів. Потрібен був інструмент, який аналізує кожного клієнта індивідуально і передає сигнал у CRM до того, як людина прийняла рішення піти.

рішення

Ми побудували повноцикловий pipeline прогнозування відтоку на базі Google Cloud. Дані з різних джерел збираються та попередньо обробляються через Data Fusion layer у BigQuery. На їх основі навчено рекурентну нейронну мережу (RNN), яка моделює послідовність поведінки кожного клієнта в часі – відвідування, активність, транзакції. Після навчання модель розгорнута через Vertex AI Model Registry та Vertex AI Endpoint – це забезпечує стабільне промислове обслуговування без ручного втручання. Додатково ми розробили власний Python-модуль, який автоматично синхронізує результати моделі з CRM-системою LOKAL: кожен клієнт отримує актуальний показник «схильності до відтоку», на який команда може реагувати проактивно. Окремо – на базі внутрішнього представлення користувачів, яке будує ця ж модель, ми заклали фундамент для персоналізованої рекомендаційної системи.

результат

• Команда Lokal перейшла від реактивної логіки до предиктивної: замість правила «3 місяці без візиту» – індивідуальна оцінка кожного з понад 1,5 млн учасників.

• Сигнал про ризик відтоку тепер потрапляє в CRM автоматично, до того як клієнт «охолонув», що дає змогу запускати retention-кампанії в потрібний момент.

• Рівень відтоку суттєво знизився – рішення ухвалюються на основі даних, а не інтуїції чи запізнілих сигналів.