Отток до оттока: churn-модели в банковском проде

В банковском оттоке проблема почти никогда не выглядит как «вчера клиент был с нами, а сегодня закрыл счет». Гораздо чаще отношения распадаются медленно: зарплата еще приходит в старый банк, но деньги почти сразу уходят наружу; карта остается открытой, но перестает быть основной; приложение клиент по-прежнему открывает, но все реже. Формально он еще с вами. Экономически — уже почти нет. Для аналитика это важное различие: объектом моделирования становится не только юридическое событие ухода, а деградация primary relationship — снижение остатков, миграция регулярных платежей, выпадение из цифрового контура и ослабление продуктовой связки. Этот контекст не абстрактный: BAI в обзоре на 2024 год выделял рост депозитов как один из главных приоритетов банков, а это автоматически повышает ценность раннего обнаружения деградации клиентских отношений.

В этой статье — не очередной обзор уровня «ML помогает удерживать клиентов», а разбор того, как модели оттока реально выглядят в банковском пайплайне: какие признаки обычно работают, где бинарная классификация ломается, зачем нужен uplift, почему survival-анализ часто полезнее обычной метки оттока и какие регуляторно-этические ограничения становятся нетривиальными, когда модель используется не только для скоринга, но и для принятия решений.

Почему банк хочет поймать ваш уход до того, как вы его оформите

Для банка клиентский отток — это не просто потеря одной карты или одного счета. Это почти всегда потеря будущих денежных потоков: остатков, interchange, процентного дохода, кросс-продаж, продуктового расширения и, главное, статуса «основного банка». Во многих retail-контекстах удержание existing relationship действительно экономически предпочтительнее холодного привлечения нового клиента, но это не универсальная аксиома: все зависит от сегмента, продукта, горизонта LTV и стоимости стимулирования. Поэтому зрелые команды не просто пытаются измерить отток, а стараются понять, какие именно отношения деградируют и когда окно вмешательства еще открыто.

Отсюда и важный сдвиг в постановке задачи. Наивная формулировка звучит так:
«Предсказать, закроет ли клиент счет».

Зрелая формулировка звучит иначе:
«Обнаружить, что клиент перестает считать нас своим основным банком, пока это еще обратимо».

Во втором случае счет может оставаться открытым еще месяцы. Но если payroll, bill pay, ежедневные платежи и свободный остаток уже ушли, то юридическое закрытие становится просто запоздалым административным хвостом.

Анатомия прощания: как отток выглядит в данных

Один из базовых языков описания клиентского поведения — RFM-анализ:

где:

• R_i — как давно клиент проявлял активность

• F_i — как часто он совершает операции;

• M_i — сколько денег он проводит через банк за период.

Для маркетинга этого иногда хватает. Для банковского оттока — обычно нет.

Причина проста: сильные модели почти никогда не живут на абсолютных значениях. Банку важно не то, что у клиента на счете 70 000 рублей, а то, что это означает относительно его собственной исторической нормы. Один и тот же баланс для одного клиента — обычная мелочь, для другого — резкое «высыхание» отношений.

Поэтому реальные признаки оттока часто строятся как отклонения от персонального baseline:

или как относительные коэффициенты:

Если текущий остаток клиента упал до 35–40% от его типичного уровня, а параллельно сократились покупки по карте и исчезли регулярные платежи, для модели это уже не «вариация», а смена режима поведения.

Именно поэтому в банковском оттоке поведенческие признаки часто оказываются информативнее статичных анкетных полей. В статье 2025 года в Scientific Reports авторы показывают, что качество прогнозирования банковского оттока заметно зависит от отбора и сокращения признаков: feature reduction через генетический алгоритм улучшал точность ряда алгоритмов на высокоразмерных данных, то есть проблема упирается не только в выбор модели, но и в качество feature space.

Что банк обычно видит на практике

Типичный feature space оттока состоит из нескольких слоев.

Три узнаваемых сценария

1. Зарплата больше не живет здесь
Клиент остается зарплатным, но банк видит: в день зачисления почти вся сумма уходит внешним переводом в другой банк. Через месяц туда же мигрируют коммунальные платежи, подписки и p2p-активность. Сам счет жив, но центр тяжести уже переместился. То, что Mastercard отдельно инвестирует в Deposit Switch и Bill Pay Switch, лишь подтверждает: перенос зарплатных зачислений и регулярных платежей — это не периферия, а сам нерв primary banking relationship.

2. Кредит закончился — отношения начали распадаться
Пока есть ипотека или автокредит, клиент привязан к банку графиком платежей, страховкой, приложением, поддержкой и привычкой. После погашения этот якорь исчезает. Если банк не успевает предложить следующий релевантный продукт, риск ухода нередко возрастает именно в этот момент. Это один из типичных кейсов, где важна не просто вероятность оттока, а временная структура риска.

3. Клиент не скандалит — он просто перестает приходить
Для digital-first банка снижение числа логинов и глубины сессии может быть почти таким же сильным сигналом, как падение транзакций. Здесь риск в том, что отток выглядит «тихо»: нет жалоб, нет формального закрытия, нет одного драматичного события. Есть просто постепенное снижение роли банка в повседневной финансовой жизни клиента.

Где обычная метка оттока начинает врать

Самая недооцененная проблема модели оттока — что именно считать уходом.

Если взять слишком поздний label, например закрытие счета, модель будет предсказывать событие, когда экономическая ценность клиента уже почти утекла. Если взять слишком мягкий label, например «снижение активности», легко спутать настоящий отток с сезонностью, отпуском, временной сменой паттерна или даже с обычной зарплатной волатильностью.

На практике банку почти всегда приходится выбирать между несколькими operational labels:

• закрытие продукта;

• 90/180 дней неактивности;

• падение доли кошелька ниже порога;

• вывод зарплаты/снижение уровня регулярных платежей;

• комбинированный отток.

Именно здесь часто решается половина судьбы модели. Ошибка в label definition может стоить больше, чем выбор между XGBoost и LightGBM.

Не просто предсказать, а повлиять: зачем нужен uplift

Классическая модель оттока отвечает на вопрос: кто, вероятно, уйдет? Но для “бизнеса” этого мало.

Если начать раздавать бонусы, повышенный кэшбэк или персональные ставки всем клиентам с высоким churn-score, банк быстро сожжет деньги на трех категориях:

• тех, кто уйдет в любом случае;

• тех, кто и так бы остался;

• тех, кого лишнее касание только раздражает.

Поэтому в зрелом retention-мышлении появляются четыре группы:

1. Lost causes — не спасти.

2. Sure things — и так останутся.

3. Sleeping dogs — лишнее касание может даже ухудшить результат.

4. Persuadables — именно на них кампания меняет исход.

Именно ради последней группы и нужен uplift modeling.

Формально uplift можно записать так:

где:

• Y=1 — клиент сохранил взаимоотношение с банком;

• X — его характеристики;

• T=1 — клиент получил воздействие;

• T=0 — не получил.

Для бизнеса удобнее мыслить через ожидаемую ценность:

где:

• u_i — uplift для клиента;

• V — ценность удержания;

• C — стоимость кампании.

Именно поэтому uplift — это уже не просто prediction, а переход к принятию решения. Модель больше не отвечает только на вопрос «что случится», а начинает отвечать на вопрос «на кого вообще стоит тратить бюджет».

Что здесь важно на практике

Uplift нельзя честно оценить без контрольной логики. Если у вас нет A/B-экспериментов, holdout-групп или качественно размеченной истории интервенций, то большая часть «uplift-моделей» по факту будет лишь скрытым моделированием отклика клиента. Это важная граница: предсказывать вероятность отклика и предсказывать причинный эффект — не одно и то же.

Почему бинарной классификации часто недостаточно: survival analysis

Обычная модель оттока смотрит на мир грубо: ушел / не ушел в заданном окне.

Но для банка есть огромная разница между клиентом, который уйдет через 5 дней, и клиентом, который уйдет через 5 месяцев. Первый почти потерян, второй еще управляем. С точки зрения бизнеса это разные клиенты, даже если формально они оба попадают в класс оттока.

Здесь и нужен survival analysis.

Функция выживаемости задается так:

То есть это вероятность, что клиент еще не ушел к моменту t.

Функция риска:

А в модели Кокса:

Преимущество survival-подхода в том, что он:

• учитывает время до события;

• корректно работает с цензурированными наблюдениями, то есть с клиентами, которые на момент анализа еще не ушли;

• позволяет видеть опасные окна, когда риск оттока резко возрастает.

И это не статистическая эстетика, а операционная фича. Удержание почти всегда ограничено окном вмешательства. Если клиент уже начал выводить зарплату и регулярные платежи, то кампания через 60 дней бесполезна, даже если бинарная модель оттока формально была права. Survival-подход помогает ранжировать клиентов не только по риску, но и по срочности. Это уже другой, более дорогой для бизнеса вопрос: кого нужно трогать сейчас, а кого можно вести в более дешевом канале позже.

Какие модели реально оказываются полезными

На практике вопрос редко звучит как «какой алгоритм самый умный». Обычно он звучит иначе: какой класс моделей дает достаточное качество при приемлемой объяснимости, скорости переобучения и устойчивости к сдвигу данных.

Логистическая регрессия полезна там, где важны интерпретируемость, прозрачная калибровка и объяснимость для бизнеса, риск модели и комплаенса. Во многих банковских задачах она остается сильной базовой моделью не потому, что “простая”, а потому, что ее ошибки легче понять и исправить.

Градиентный бустинг чаще выигрывает в табличных задачах оттока за счет нелинейностей и взаимодействий признаков. На практике именно здесь начинается компромисс: рост качества обычно покупается ценой более сложной объяснимости, более чувствительной калибровки и менее прозрачного поведения при дрейфе.

Survival-модели полезны не как “еще один алгоритм”, а там, где удержание зависит от окна вмешательства. Если бизнесу важно различать клиента, который уйдет из банка через неделю, и клиента, у которого окно еще есть три месяца, time-to-event подход часто полезнее бинарного churn-label.

Uplift-слой нужен не для красоты каузальной-терминологии, а чтобы не сжигать бюджет на lost causes и sure things. Как только удержание становится дорогим, обычной склонности к оттоку уже недостаточно.

Где модели оттока реально ломаются

1. Утечка в модели (Leakage)

В задачах оттока leakage особенно коварен. Если в фичи попадают признаки, слишком близкие к дате события — почти нулевая активность в окне непосредственно перед churn-date, служебные статусы account closure in progress, post-event поля из CRM, — модель будет выглядеть блестяще офлайн и бесполезно в проде.

2. Дисбаланс классов

Доля реально уходящих клиентов часто невысока. Без балансировки классов модель может казаться «точной» просто потому, что почти всем предсказывает “не-отток”. Поэтому в прикладных системах оттока постоянно всплывают веса классов, undersampling, oversampling и cost-sensitive learning.

3. Калибровка вероятности

Для банка мало просто ранжировать клиентов. Нужно понимать, насколько вероятности пригодны для экономических решений. Некалиброванная модель может хорошо сортировать клиентов и при этом систематически завышать риск оттока, заставляя банк переплачивать за ненужные кампании по удержанию клиентов.

4. Отклонение от концепции

То, что было сильным сигналом ухода в прошлом году, может перестать работать после изменения ставок, интерфейсов, комиссий, продуктовой линейки или макросреды. Особенно быстро это происходит в периоды турбулентности депозитного рынка.

5. Петли обратной связи

Как только модель начинает участвовать в удержании, она перестает просто измерять мир и начинает его менять. Если клиентам с высоким риском меняют тарифы, офферы или назначают дополнительную поддержку в колл-центре, то распределение данных после внедрения уже не совпадает с тем, на чем модель училась. Это ломает и калибровку, и причинную интерпретацию uplift.

6. Самоисполняющееся пророчество

Если банк начинает хуже относиться к клиенту, которого модель считает рискованным, банк может сам ускорить уход клиента. Тогда система перестает просто предсказывать отток и начинает его производить.

Грань между удержанием и манипуляцией

Как только модель оттока начинает использоваться не для аналитики, а для принятия решения, вопрос перестает быть только техническим.

Если система знает, что клиент:

• перестал держать деньги на счете;

• выводит зарплату в другой банк;

• стал хуже реагировать на стандартные коммуникации;

• особенно чувствителен к сервисным сбоям,

то банк получает не просто прогноз, а рычаг для поведенческого воздействия в уязвимый момент. Именно здесь начинается регуляторная территория.

В ЕС это упирается в GDPR. Статья 22 закрепляет право человека не быть объектом решения, основанного исключительно на автоматизированной обработке, включая профайлинг, если такое решение производит юридический эффект или сопоставимым образом существенно влияет на человека; там же перечислены исключения и требования к “safeguards” вокруг таких решений. Для банков это важно не только в кредитном скоринге: как только модель оттока начинает существенно влиять на доступные офферы, маршрут клиента или “порог выхода”, вопрос перестает быть чисто маркетинговым.

В США регуляторная логика иная, но направление схожее. CFPB в Policy Statement on Abusiveness отдельно акцентирует практики, которые мешают потребителю понять существенные условия продукта или необоснованно используют его слабую переговорную позицию, информационные пробелы или зависимость от финансовой организации. Для решений по оттокам и удержанию это важно не потому, что CFPB пишет именно про ML, а потому, что этот язык хорошо описывает границу между допустимым принятием решения и поведенческой эксплуатацией.

FTC в официальном отчете Bringing Dark Patterns to Light прямо разбирает дизайн-практики, которые обманом или манипуляцией подталкивают потребителя к выбору, которого он иначе не сделал бы, и которые могут причинять вред. В сочетании с хорошей моделью оттока это превращается в уже довольно мощный инструмент: система знает, когда клиент особенно уязвим, а интерфейс знает, как подтолкнуть его в нужную сторону.

Для банка отсюда следует неприятный, но важный вывод: одна и та же модель оттока может быть как инструментом сервиса, так и инструментом манипуляции — разница определяется не алгоритмом, а слоем управления поверх него.

Если модель используется, чтобы:

• предложить действительно более подходящий тариф;

• снизить трение там, где клиент объективно теряет ценность от текущего продукта,

это оправданное использование.

Если же ее используют, чтобы:

• затруднить выход клиента из банка;

• скрыть альтернативы;

• подсунуть оффер в момент слабой переговорной позиции;

• таргетировать клиента там, где он хуже понимает риски и условия,

то это уже не «умная персонализация», а гораздо ближе к профилируемой эксплуатации.

Заключение

Прогнозирование оттока в банке — это давно не одна табличка с вероятностью ухода. Это слой из поведенческих признаков, логики временных рядом, survival-анализа, uplift-моделей, A/B-тестов и постоянной борьбы с утечкой данных и фидбэк-эффектами.

Но практический вывод из всей этой конструкции довольно приземленный: если вы строите такую систему, начните не с выбора алгоритма, а с определения события, окна наблюдения и границы между прогнозированием и вмешательством. В задачах оттока именно эти решения чаще всего отделяют полезную систему от красивой, но операционно слабой модели.

И только после этого имеет смысл спорить, что лучше — логрег, бустинг, survival или uplift-слой. Причина, по которой в банке допущена ошибка в определении метки, утечке или разработке политики, обычно обходится дороже, чем недобор пары пунктов AUC.