Предиктивная аналитика

Проблема

Маркетинг, основанный на реакции, всегда опаздывает. Когда клиент уже ушёл — возвращать его в 5 раз дороже, чем удержать. Когда бюджет рекламы распределяется одинаково на всех клиентов — большая часть уходит на привлечение тех, кто и так бы купил, или на тех, кто никогда не вернётся. Без предиктивной аналитики маркетолог не знает, кто из клиентов вот-вот уйдёт, кто принесёт максимальную выручку в долгосрочной перспективе, и когда именно клиент готов к следующей покупке. RFM-анализ показывает прошлое, но не будущее. Маркетологу нужна «машина времени» — способ заглянуть в будущее и действовать проактивно. Без ML-моделей приходится опираться на субъективные оценки и усреднённые метрики, которые не учитывают индивидуальное поведение каждого клиента.

Как работает Предиктивная аналитика в Trigly

Trigly использует три ML-модели на основе Gradient Boosting (scikit-learn), обученных на реальных данных вашего бизнеса из CDP и ClickHouse. Модели работают с 12 фичами: 5 базовых из PostgreSQL и 7 поведенческих из ClickHouse-событий, обеспечивая обратную совместимость — система работает даже без ClickHouse-данных, хотя с ними точность значительно выше.

Churn Prediction (прогноз оттока). GradientBoostingClassifier предсказывает вероятность оттока каждого клиента. Target: отсутствие активности в течение 60 дней. Модель анализирует частоту покупок, давность последней активности, динамику визитов, взаимодействие с рассылками (opens/clicks из ClickHouse), разнообразие просматриваемых категорий. Результат — вероятность оттока от 0 до 1 для каждого контакта. Клиенты с вероятностью > 0.7 автоматически попадают в at-risk сегмент для реактивации.

LTV Prediction (прогноз пожизненной ценности). GradientBoostingRegressor предсказывает total_revenue, которую клиент принесёт за всё время взаимодействия. Модель учитывает текущие покупки, частоту заказов, средний чек, время с первой покупки, поведенческие паттерны из ClickHouse. Прогноз LTV позволяет определить, сколько можно потратить на удержание или привлечение конкретного клиента, и приоритизировать маркетинговые усилия.

Next Purchase Prediction (прогноз следующей покупки). GradientBoostingRegressor предсказывает средний интервал между покупками для каждого клиента. Модель учитывает историю заказов, сезонность, реакцию на маркетинговые кампании. Результат: «клиент с высокой вероятностью совершит покупку в ближайшие 7 дней» — идеальный момент для персонализированного предложения.

12 ML-фич. 5 базовых фич (PostgreSQL): total_orders, total_revenue, days_since_last_purchase, account_age_days, avg_order_value. 7 ClickHouse-фич: total_events, unique_event_types, days_with_events, avg_events_per_day, last_event_days_ago, page_view_count, purchase_event_count. Модели работают и без ClickHouse (5 фич), но полный набор из 12 фич повышает точность на 15-25%.

Автоматическое обучение. Модели обучаются автоматически через Celery-задачи: train_churn_model, train_ltv_model, train_next_purchase_model. Первое обучение происходит при первом запросе предсказания. Модели кэшируются в памяти и переобучаются по расписанию. Минимальный датасет — 100 контактов с историей покупок.

Преимущества

Проактивный маркетинг. Вместо реакции на уход клиента — предотвращение оттока до того, как он произойдёт. Триггерные цепочки автоматически активируются при высокой вероятности churn, отправляя персонализированные предложения.

Оптимизация бюджета. LTV-прогноз определяет, на каких клиентов стоит тратить маркетинговый бюджет. Клиенты с высоким прогнозируемым LTV получают больше внимания, а клиенты с низким — более экономные каналы коммуникации.

Точный таймирование. Next Purchase Prediction позволяет отправить предложение именно тогда, когда клиент готов к покупке. Не слишком рано (нерелевантно), не слишком поздно (уже купил у конкурента).

Обучение на ваших данных. Модели обучаются на реальных данных вашего бизнеса, а не на усреднённой статистике отрасли. Это обеспечивает высокую точность для ваших конкретных клиентов и продуктов.

Backward compatibility. Система работает при любом объёме данных: 5 базовых фич из PostgreSQL достаточно для старта. По мере накопления событий в ClickHouse модели автоматически используют полный набор из 12 фич.

Сравнение с конкурентами

Большинство маркетинговых платформ не предлагают предиктивную аналитику вообще или ограничиваются простым churn-скором на основе правил (нет активности 30 дней = at risk). Платформы с ML (Exponea, Emarsys) стоят от $2000/месяц и требуют подключения data scientist. Trigly интегрирует Gradient Boosting прямо в платформу: 3 модели обучаются автоматически на ваших данных, используют 12 фич из PostgreSQL и ClickHouse, и доступны через API и сегменты CDP. Результаты предсказаний автоматически используются в триггерных цепочках и персонализации — не нужно экспортировать данные в отдельную ML-платформу и импортировать обратно.

Примеры использования по нишам

E-commerce. Интернет-магазин с 50 000 клиентов запускает Churn Prediction. Модель выявляет 3 000 клиентов с вероятностью оттока > 0.7. Автоматическая реактивационная цепочка: email с персональной скидкой (на основе последних покупок) → через 3 дня push с напоминанием → через 7 дней SMS с финальным оффером. LTV Prediction определяет, что 500 из этих клиентов имеют прогнозируемый LTV > 50 000 рублей — для них маркетолог выделяет дополнительный бюджет на ретаргетинг.

EdTech. Онлайн-школа использует Churn Prediction для выявления учеников, которые бросят курс: снижение частоты просмотров уроков, отсутствие домашних заданий, уменьшение времени на платформе. Next Purchase Prediction подсказывает оптимальный момент для предложения следующего курса: модель анализирует историю покупок курсов и рекомендует время cross-sell предложения.

SaaS. B2B-сервис предсказывает churn подписчиков: снижение активности использования, отсутствие логинов, невзаимодействие с feature updates. LTV-прогноз помогает приоритизировать работу аккаунт-менеджеров: клиенты с высоким прогнозируемым LTV получают персонализированный onboarding, а клиенты с низким — автоматические серии. Next Purchase Prediction для дополнительных продуктов: когда предложить upgrade плана или дополнительный модуль.

Интеграции

Предиктивная аналитика интегрирована с CDP (результаты хранятся в профиле клиента: ai_score), сегментацией (создавайте сегменты «churn probability > 0.7» или «predicted LTV > 100K»), Flow Builder (триггеры на основе предсказаний), AI Engine (скоринг учитывает предиктивные метрики), email и омниканальными кампаниями. ClickHouse предоставляет поведенческие фичи для моделей. Celery обеспечивает автоматическое переобучение моделей по расписанию.

Частые вопросы

Сколько данных нужно для обучения моделей?

Минимум — 100 контактов с историей покупок для базовых предсказаний. Для высокой точности рекомендуется 1 000+ контактов и 3+ месяца истории событий в ClickHouse. Модели автоматически используют все доступные данные.

Как часто переобучаются модели?

Модели обучаются при первом запросе и затем переобучаются через Celery-задачи по настроенному расписанию (по умолчанию — еженедельно). Модели кэшируются в памяти для мгновенного ответа. При рестарте сервера модель переобучается автоматически при первом запросе.

Можно ли использовать предсказания в триггерных цепочках?

Да. Создайте динамический сегмент с условием «churn probability > 0.7» и используйте его как триггер Flow Builder. Когда клиент попадает в этот сегмент (пересчёт каждые 30 минут), автоматически запускается реактивационная цепочка.

Лучшие практики

Начинайте с Churn Prediction. Из трёх моделей предсказание оттока приносит наибольший ROI на старте: удержание одного клиента обходится в 5-7 раз дешевле привлечения нового. Настройте автоматическую реактивационную цепочку для клиентов с churn probability > 0.7.

Накапливайте данные в ClickHouse. 7 дополнительных поведенческих фич из ClickHouse повышают точность моделей на 15-25%. Интегрируйте SDK track на сайт как можно раньше, чтобы к моменту запуска ML-моделей уже были накоплены данные.

Комбинируйте предсказания с сегментацией. Создайте динамические сегменты на основе предсказаний: «высокий LTV + высокий churn» — приоритет для персональных менеджеров, «низкий LTV + низкий churn» — автоматические коммуникации. Сегменты обновляются каждые 30 минут.

Следите за качеством моделей. Периодически сравнивайте предсказания с реальными результатами: сколько из клиентов с churn > 0.7 действительно ушли? Если точность падает, убедитесь, что Celery-задачи переобучения работают корректно.

Типичные ошибки

Запуск моделей на маленьких базах. При базе менее 100 клиентов с историей покупок модели не имеют достаточно данных для обучения. Дождитесь накопления данных и используйте RFM-сегментацию как временную альтернативу.

Реакция только на высокий churn. Не игнорируйте клиентов со средней вероятностью оттока (0.4-0.7). Превентивное предложение для этого сегмента (персональная скидка, эксклюзивный контент) обходится дешевле полноценной реактивации.

Одинаковый подход ко всем at-risk клиентам. Клиент с высоким LTV и высоким churn заслуживает звонка менеджера и щедрого оффера. Клиент с низким LTV — автоматического email. Используйте LTV-прогноз для приоритизации усилий.

Связанные материалы

• Как ML помогает предотвращать отток клиентов
• Предиктивная аналитика — термин в глоссарии
• Кейс: снижение оттока на 30% для SaaS