AI для удержания клиентов: как находить риск оттока и запускать повторные продажи

Коротко

• Риск оттока видно по поведению клиента: интервал между покупками растёт, средний чек падает, появляются жалобы, клиент молчит после касаний, меняется контактное лицо.
• Начинай не с ML-модели, а с 5–7 понятных правил по данным CRM. Модель имеет смысл, когда накопится история с отметками «ушёл / остался».
• AI нужен в трёх местах: собрать сигналы из разных источников, прочитать переписку и объяснить причину риска, подготовить черновик следующего шага.
• Сообщения, скидки и любые обещания клиенту согласует менеджер. Каждое решение записывается в лог.
• Эффект считай по выручке, которую удалось сохранить: сравнивай тех, с кем работали, с контрольной группой. Число отправленных писем ничего не говорит.
• Если заказы и контакты уже лежат в CRM или таблице, первый рабочий вариант собирается за 3–4 недели.

Почему удержание не работает без системы

В малом и среднем бизнесе удержание чаще всего выглядит так: раз в квартал выгрузить «неактивных» и разослать им промокод. У такого подхода четыре проблемы.

Первая: это поздно. Через три месяца без заказов клиент обычно уже нашёл другого поставщика.

Вторая: всем уходит одно и то же сообщение. Клиент, которому дважды сорвали отгрузку, получает «скидку 10% на следующий заказ» и злится ещё больше. Его проблема не в цене.

Третья: нет ответственного. Непонятно, кто должен позвонить, когда и что сказать. В итоге задача висит в CRM, пока не устареет.

Четвёртая: результат никто не измеряет. Кто-то из получателей рассылки вернулся, но неизвестно, вернулся бы он и без неё.

Повторная продажа обходится дешевле новой: не нужна реклама, не нужна квалификация, клиент уже знает продукт. Но для этого нужен регулярный процесс, а не разовая акция.

Какие сигналы риска уже есть в твоих данных

Главное здесь — сравнивать клиента с его собственной нормой, а не со средним по базе. Если клиент заказывает раз в 10 дней и пропал на 25, это тревожный сигнал. Если он заказывает раз в квартал, 25 дней без заказа — обычное дело.

Отдельно про селлеров WB и Ozon. Покупатель на маркетплейсе тебе не принадлежит: контактов нет, написать ему напрямую нельзя. Описанная ниже схема работает там, где клиент твой: оптовые покупатели, свой интернет-магазин, B2B-поставки, услуги, подписка.

Как устроен процесс: от сигнала до повторной продажи

1. Собрать данные в одно место

Минимальный набор: ID клиента, даты и суммы заказов, состав заказов, контакты, последние касания, обращения в поддержку. Источники обычно такие: amoCRM или Bitrix24, 1С или МойСклад, helpdesk и рабочий Telegram.

Без единого ID ничего не заработает. «ООО Ромашка» в CRM и «Ромашка ООО» в 1С превратятся в двух разных клиентов, и система решит, что один из них пропал. Почему данные должны жить вместе и как это влияет на автоматизацию, разобрано в статье про AI-агентов для бизнеса.

2. Посчитать риск правилами, а причину найти с помощью AI

Цифры считают обычные правила. Например:

Риск = 0
+40, если с последнего заказа прошло больше 1,7 × обычного интервала клиента
+20, если выручка за 90 дней упала больше чем на 30% к предыдущим 90 дням
+20, если за 30 дней было негативное обращение или повторная жалоба
+10, если клиент не ответил на два последних касания
+10, если сменилось контактное лицо
Высокий риск: 60+, средний: 30–59

LLM нужна для того, что правилами не посчитать: прочитать переписку и тикеты и определить причину. Например: «жалоба на сроки отгрузки», «спрашивал, почему у конкурента дешевле», «новый закупщик, с нами не знаком». Раньше для этого кому-то приходилось вручную читать сотни сообщений, поэтому этого не делал никто.

3. Делить клиентов по причине, а не только по уровню риска

Высокий риск может означать что угодно. Полезнее делить клиентов по причинам: цена, сервис или качество, пропала потребность, сменился контакт, сезонная пауза. Каждой причине нужен свой ответ, и одна общая рассылка на всех не годится.

4. Предложить следующий шаг (next-best-action)

По каждому клиенту из группы риска агент предлагает один конкретный шаг и объясняет, почему именно его. Карточка для менеджера может выглядеть так:

Клиент: оптовый покупатель упаковки. Риск: высокий, 72. Почему: обычно заказывает раз в 14 дней, последний заказ был 31 день назад. В сентябре две жалобы на задержку отгрузки. Закупщик не ответил на письмо от 3 октября. Предлагаемый шаг: звонок менеджера, без рассылки. Признать задержки, рассказать, что изменили в логистике, предложить закрепить график поставок. Не предлагать: скидку, потому что дело не в цене.

Набор возможных шагов лучше задать заранее: звонок, персональное сообщение, напоминание о пополнении, предложение сопутствующего товара, передача руководителю. И отдельный вариант — «ничего не делать». Клиента на сезонной паузе лучше не трогать.

5. Согласовать сообщение с менеджером

Карточка приходит менеджеру в CRM или Telegram с тремя кнопками: «отправить», «отредактировать», «отклонить с причиной». Ограничения прописываются явно. Скидку выше заданного порога одобряет только руководитель. Одному клиенту не больше одного касания в неделю. Есть стоп-лист: клиенты с открытой претензией, в споре или в суде.

Первые месяцы агент сам ничего клиентам не отправляет: только готовит черновики и ставит задачи.

6. Записывать решения и смотреть на результат

В лог попадает всё: сигналы, оценка, предложенный шаг, решение менеджера, отправленный текст и что стало с клиентом через 30 и 60 дней. Причины отклонений — самый ценный материал. Если менеджеры раз за разом пишут «у клиента отпуск», значит, правилам не хватает учёта сезонности.

Повторные продажи: не только спасать, но и допродавать

Те же данные показывают не только угрозы, но и возможности. Подходит срок пополнения расходников. Клиент купил товар А, а заметная часть таких покупателей через месяц берёт товар Б. У B2B-клиента вырос объём, и ему пора предложить другие условия.

Пример: интернет-магазин кормов знает, что пачки хватает примерно на 5–6 недель. На пятой неделе покупателю приходит сообщение в Telegram с кнопкой «повторить заказ». Риск у такой коммуникации низкий, поэтому её можно отправлять автоматически по проверенному шаблону. Нужно только ограничить частоту и дать возможность отписаться.

Простое правило: чем дешевле ошибка, тем больше можно автоматизировать. Напоминание о пополнении можно отправлять само. Разговор с недовольным крупным клиентом должен вести человек.

Как посчитать эффект

Условный пример. В B2B-базе 800 активных клиентов, средняя выручка с клиента — 60 000 ₽ в квартал. За квартал система относит к высокому риску 90 клиентов. Допустим, без работы с ними уходит половина, то есть 45. Если персональные касания удерживают хотя бы 10 из них, это 600 000 ₽ сохранённой выручки за квартал. В окупаемости считай маржу, а не выручку.

Плюс экономия времени: руководителю отдела продаж больше не нужно выгружать базу и вручную искать «пропавших». Обычно это несколько часов в неделю.

Чтобы цифрам можно было верить, нужна контрольная группа. Оставь 15–20% клиентов из группы риска без вмешательства и сравни, сколько ушло там и среди тех, с кем работали. Без этого ты припишешь системе клиентов, которые вернулись бы и сами.

Какие метрики смотреть: доля удержанных в группе риска по сравнению с контрольной, повторная выручка, доля рекомендаций, которые принял менеджер, время от сигнала до касания. Как в целом прикинуть окупаемость автоматизации, разобрано в статье как понять, что процесс пора автоматизировать.

Риски и что нельзя отдавать AI без проверки

Ложные срабатывания. Отпуск, сезонность или плановая пауза выглядят как отток. Учитывай сезонность в правилах и дай менеджеру отметку «пауза до такого-то числа».

Привычка к скидкам. Если на каждый риск отвечать скидкой, клиенты быстро поймут, что «уйти» выгодно. Скидка — последний инструмент, с лимитом и согласованием.

Ошибки в фактах и тоне. LLM может пообещать бесплатную доставку, которой нет, или выбрать слишком фамильярный тон. Решение — список допустимых обещаний в инструкции и проверка человеком перед отправкой.

Персональные данные. Соблюдай 152-ФЗ и проверяй согласие на рассылки. Агенту выдаются минимальные права: читать нужные поля, писать только в черновики и задачи. Не отправляй всю базу во внешние сервисы, если без этого можно обойтись. ФИО и телефоны можно маскировать.

Грязные данные. Дубли, пустые даты, заказы не на том клиенте — и оценка риска будет врать. Начни с проверки данных, а не с текстов сообщений.

С чего начать: план на 3–4 недели

Неделя 1. Выгрузи историю заказов за 12–24 месяца. Найди клиентов, которые ушли в прошлом году, и посмотри, какие сигналы были у них за 1–2 месяца до ухода. Так ты проверишь гипотезы на своих данных, а не на чужих статьях.

Неделя 2. Заведи 5–7 правил и ежедневный отчёт в Telegram или CRM для одного менеджера. Пусть он две недели отмечает, где система права, а где нет.

Неделя 3. Подключи классификацию переписки через LLM, черновики следующих шагов и кнопки согласования.

Неделя 4 и дальше. Выдели контрольную группу, замеряй результат, корректируй правила по причинам отклонений.

Чек-лист перед запуском:

• [ ] у каждого клиента единый ID и полная история заказов;
• [ ] «норма» интервала посчитана для клиента или сегмента;
• [ ] есть стоп-лист и лимит касаний;
• [ ] назначено, кто согласует сообщения, а кто скидки;
• [ ] решения и результаты пишутся в лог;
• [ ] выделена контрольная группа;
• [ ] у агента минимальные права доступа.

FAQ

Нужна ли ML-модель прогнозирования оттока?

На старте нет. Правила по интервалу, выручке и обращениям дают понятный результат, и менеджер видит, почему клиент попал в список. Модель имеет смысл, когда накопится хотя бы год истории с отметками «ушёл / остался» и несколько сотен случаев оттока. Даже тогда правила стоит оставить как объяснение.

Какие данные нужны как минимум?

ID клиента, даты и суммы заказов, контакты и история касаний. Обращения в поддержку и переписка заметно улучшают качество, потому что из них AI понимает причину риска. Но первый вариант можно запустить и на одной истории заказов.

Можно ли разрешить AI отправлять сообщения клиентам самостоятельно?

Можно, но только для дешёвых по последствиям сценариев: напоминание о пополнении, статус заказа, сообщение по проверенному шаблону. Всё, что касается недовольства, скидок, условий договора и крупных клиентов, сначала проверяет человек. Расширяй самостоятельность постепенно, когда по логам видно, что менеджер почти не правит черновики.

Подходит ли это селлерам WB и Ozon?

Для покупателей на маркетплейсе почти нет: их контакты недоступны, а удерживают их рейтинг, отзывы и качество карточки. Если у селлера есть оптовые клиенты, свой сайт или B2B-продажи, схема работает там в полном объёме.

Как не надоесть клиентам?

Задай лимит касаний на клиента за неделю и за месяц, веди стоп-лист и общую очередь коммуникаций. Тогда рассылка, менеджер и агент не напишут одному и тому же человеку в один день. И помни про вариант «ничего не делать»: иногда это лучший следующий шаг.

Чем это отличается от обычной триггерной рассылки?

Триггер срабатывает на одно событие: «30 дней без заказа — отправить письмо». Здесь система смотрит на несколько сигналов сразу, учитывает норму конкретного клиента, определяет причину по переписке и предлагает подходящий шаг: от звонка до решения не беспокоить. Триггерные рассылки при этом остаются частью процесса для простых сценариев.

Сработает ли это на маленькой базе?

Если активных клиентов 50–100 и каждый приносит заметную выручку, это работает даже лучше: потеря одного клиента ощутима, а персональный подход реален. Контрольную группу на маленькой базе собрать сложнее, поэтому сравнивай с прошлыми периодами и смотри на отдельные случаи.

Что делать дальше

Удержание клиентов работает как ежедневный процесс: собрать сигналы, понять причину, выбрать шаг, согласовать его с человеком и проверить результат. AI берёт на себя ту часть, которую раньше никто не успевал делать: регулярно просматривать всю базу и переписку. Решения остаются за менеджером.

Самый полезный первый шаг можно сделать уже на этой неделе. Выгрузи клиентов, которые ушли за последний год, и посмотри, что происходило с ними за месяц до ухода. Скорее всего, сигналы там были.

Если хочешь понять, что автоматизировать у себя, напиши Дмитрию в Telegram @dmkosik или опиши процесс для диагностики Paramiko.