Кейс: SaaS-продукт снизил churn на 40% с помощью AI-предикции

Клиент

B2B SaaS-платформа для управления проектами, ориентированная на средний бизнес в России и СНГ. 3 000 платящих клиентов (компаний), MRR (Monthly Recurring Revenue) 2 500 000 ₽. Средний чек — 833 ₽/мес на пользователя, но с учётом командных тарифов средний ARPA (Average Revenue Per Account) — 8 300 ₽/мес. Продукт включает таск-менеджер, Kanban-доски, тайм-трекер, отчёты и интеграции с календарями.

Проблема

Продукт привлекал клиентов эффективно, но не мог их удержать:

• Monthly churn: 8% — в 2 раза выше нормы для B2B SaaS (3-5%). За год компания теряла 96% MRR (полная «смена» базы). Рост новых клиентов едва компенсировал отток
• Нет раннего предупреждения об оттоке — команда узнавала об уходе клиента, когда он уже отменил подписку. К этому моменту вернуть его практически невозможно
• Onboarding: 1 welcome email и всё — новый клиент получал «Добро пожаловать, вот ссылка на документацию». Без пошаговой помощи, без мотивации, без check-in
• Feature adoption: 30% клиентов используют менее 3 фич из 12 доступных. Они платят за продукт, но не получают ценность — и уходят, думая что «продукт не подходит», хотя просто не освоили его
• Нет сегментации по вовлечённости — активный power-user и клиент, который заходит раз в месяц, получали одинаковые коммуникации

Финансовый масштаб проблемы: 8% monthly churn = 240 клиентов/мес × 8 300 ₽ ARPA = 1 992 000 ₽ потерянного MRR ежемесячно. Стоимость привлечения нового B2B-клиента — 15 000-25 000 ₽ (CAC), то есть замещение оттока обходилось в 3 600 000 - 6 000 000 ₽/мес.

Решение с Trigly

Внедрение заняло 7 дней: 3 дня на интеграцию продуктовых событий, 2 дня на настройку AI-предикции и триггеров, 2 дня на тестирование.

1. Churn Prediction — предсказание оттока

ML-модель (GradientBoostingClassifier) из AI-движка Trigly обучена на 12 фичах. Risk score 0-100 для каждого клиента, обновляется ежедневно.

5 базовых фич (из CDP-профиля):

• days_since_last_activity — давность последнего входа
• total_orders — количество продлений подписки
• total_revenue — общая сумма платежей (LTV)
• days_since_registration — «возраст» клиента
• purchase_frequency_days — периодичность платежей

7 продуктовых фич (из ClickHouse через SDK):

• total_events_30d — общее число событий за 30 дней
• unique_event_types — разнообразие действий (использует ли разные фичи)
• email_opens_30d — открытия писем (вовлечённость в коммуникацию)
• email_clicks_30d — клики в письмах
• page_views_30d — просмотры страниц продукта
• sessions_30d — количество сессий
• avg_events_per_session — глубина сессии

Модель обучается автоматически через Celery task и переобучается еженедельно на свежих данных. Точность (accuracy) на тестовой выборке — 84%, что позволяет выявлять 4 из 5 клиентов, склонных к оттоку, за 2-4 недели до отмены подписки. Подробнее о методологии — в статье «Как предсказать отток клиентов с помощью ML».

2. Автоматическая реактивация at-risk клиентов

Для клиентов с Risk score > 70 автоматически запускается реактивационная цепочка через Flow Builder:

Шаг 1 (День 0): Email — персонализированный на основе неиспользуемых фич:

• «Мы заметили, что вы давно не использовали отчёты по времени. Вот как 3 компании вашего размера экономят 10 часов/неделю с этой функцией»
• AI генерирует текст, подставляя конкретные фичи, которые клиент не пробовал

Шаг 2 (День 3): Telegram — если у клиента подключён бот:

• «[Имя], у нас появилась новая интеграция с [инструмент, который клиент использует]. Настроить за 5 минут — [ссылка]»

Шаг 3 (День 5): Персональный onboarding call от Customer Success Manager:

• Trigly автоматически создаёт задачу в CRM для CSM с полным профилем клиента: какие фичи использует, когда последний раз заходил, risk score, история коммуникаций

Шаг 4 (День 7): Email — эксклюзивное предложение:

• Для клиентов на месячной подписке: скидка 20% при переходе на годовую
• Для клиентов на годовой: бесплатный месяц premium-фич

Шаг 5 (День 14): Финальный check-in от CEO/фаундера (персональное письмо):

• «Я лично заинтересован в вашем успехе с нашим продуктом. Есть 15 минут для звонка?»

Цепочка останавливается, как только клиент совершает целевое действие (вход в продукт + использование фичи). Это реализовано через goal tracking в Flow Builder.

3. Onboarding flow — 5 шагов за 14 дней

Вместо одного welcome email — структурированная серия с A/B тестированием каждого шага:

• День 0: Welcome + быстрый старт (создание первого проекта за 3 минуты). Видео-гайд + inline-кнопка «Создать проект»
• День 1: «Пригласите команду» — инструкция + шаблон приглашения. Компании, где 3+ пользователей, чурнят на 60% реже
• День 3: «Ваша первая Kanban-доска» — обучение ключевой фиче с примером
• День 7: «3 функции, которые экономят 5 часов/неделю» — на основе поведения клиента AI рекомендует следующие шаги
• День 14: Check-in + опрос NPS. Если NPS < 7 → эскалация на CSM

Каждый шаг — условный: если клиент уже выполнил действие (создал проект, пригласил команду), шаг пропускается. Это избавляет от ощущения «банальных» подсказок.

4. Feature adoption триггеры

Для каждой из 12 ключевых фич продукта настроен триггер:

• Если клиент не использовал фичу за 30 дней после регистрации → образовательное сообщение о пользе этой фичи
• Если клиент использовал фичу впервые → поздравление + продвинутые советы

AI-скоринг (0-100) учитывает feature adoption: чем больше фич использует клиент, тем выше score и ниже риск оттока.

5. Сегментация по вовлечённости

Через RFM-анализ и lifecycle stages клиенты автоматически распределяются по сегментам:

• Power Users (score 80-100): регулярные пользователи, используют 8+ фич → кандидаты на upsell enterprise-тарифа, реферальная программа
• Regular Users (score 50-79): стабильные, но не раскрыли потенциал → образовательные серии, feature adoption триггеры
• At Risk (score 30-49): снижение активности → мягкая реактивация, check-in
• Critical (score 0-29): на грани ухода → агрессивная реактивация, персональный CSM-контакт

Результаты (4 месяца)

Метрика	До	После	Изменение
Monthly churn	8%	4.8%	-40%
Feature adoption (3+ фич)	30%	55%	+83%
Trial → Paid конверсия	18%	27%	+50%
Saved MRR	—	800 000 ₽/мес	Новый
Onboarding completion	15%	62%	+313%
NPS	28	44	+16 points
Средний LTV клиента	100 000 ₽	156 000 ₽	+56%

Разбор по компонентам

Churn prediction: модель выявила 82% клиентов, которые ушли бы без вмешательства. Из выявленных at-risk клиентов 38% были успешно реактивированы (сохранили подписку 3+ месяца).

Onboarding flow: completion rate onboarding вырос с 15% до 62%. Клиенты, прошедшие все 5 шагов, показывают churn rate 2.1% — в 4 раза ниже среднего.

Feature adoption триггеры: среднее количество используемых фич выросло с 2.8 до 5.4. Каждая дополнительная фича снижает вероятность оттока на 12%.

Trial → Paid: улучшенный onboarding конвертирует больше триалов. Это добавило 270 новых платящих клиентов за 4 месяца.

Детализация saved MRR

Снижение churn с 8% до 4.8% = спасение 96 клиентов/мес × 8 300 ₽ ARPA = 796 800 ₽/мес ≈ 800 000 ₽/мес saved MRR.

За 4 месяца сэкономлено 3 200 000 ₽ MRR. За год — 9 600 000 ₽.

ROI

Trigly Pro: 59 900 ₽/мес. Saved MRR: 800 000 ₽/мес. Дополнительный доход от улучшенной Trial → Paid конверсии: ~224 000 ₽/мес (270 клиентов / 4 мес × 8 300 ₽ × конверсия).

ROI: (800 000 + 224 000 - 59 900) / 59 900 = 1 609%

Ключевые выводы

1. Предикция > реакция: знать об оттоке за 2 недели — значит иметь время на спасение клиента. Реагировать после отмены подписки — уже поздно
2. Onboarding — самая недооценённая точка воздействия: 5 писем за 14 дней вместо 1 welcome email дали +50% к Trial → Paid
3. Feature adoption = retention: каждая дополнительная фича снижает churn на 12%. Инвестируйте в обучение, а не в скидки
4. AI-скоринг объективнее интуиции: CSM-менеджеры раньше «чувствовали» risk, теперь видят числовой score с конкретными факторами риска
5. Омниканальность в B2B тоже работает: Telegram показал read rate 65% для B2B-аудитории — выше email

FAQ

Сколько данных нужно для обучения churn-модели? Минимум — 500 клиентов с историей 3+ месяца (чтобы были примеры и ушедших, и оставшихся). Оптимально — 2 000+ клиентов. Модель в Trigly переобучается автоматически по мере накопления данных. Подробнее о методологии — «Как предсказать отток».

Как интегрировать продуктовые события с Trigly? Через JavaScript SDK или серверный API. Ваш продукт отправляет HTTP POST с событиями (login, feature_used, project_created) в Trigly. Интеграция занимает 2-4 часа для разработчика. SDK поддерживает batch-отправку для высоких нагрузок (до 1 000 событий/запрос).

Не надоест ли клиентам реактивационная цепочка? Цепочка останавливается, как только клиент совершает целевое действие (goal tracking). Frequency capping ограничивает до 1 сообщения в день. Тон — помогающий, а не навязчивый: «Мы заметили, что вы не используете [фичу], которая может сэкономить вам 3 часа/неделю», а не «Не забудьте продлить подписку».

---

Хотите снизить отток и увеличить LTV вашего SaaS? Начните с Trigly — churn prediction на ML, onboarding flows, feature adoption триггеры и омниканальная реактивация в одной платформе. Окупается за первый месяц.