Коротко: Прогнозировать уход клиентов по данным 1С можно ML-моделью, обученной на собственной истории продаж. Она отслеживает, как меняются интервалы между заказами, средний чек, ассортимент и скорость оплат. У оптового поставщика упаковки на 1С:УТ модель замечает «остывание» клиента в среднем за 2,5 месяца до полной остановки заказов, и годовой отток постоянных клиентов снизился с 9% до 4%.

Кейс: оптовый поставщик упаковки на 1С:УТ

Компания оптом поставляет упаковку и расходные материалы: гофрокартон, плёнку, скотч, пакеты. У неё около 1200 активных клиентов: пищевые производства, интернет-магазины, кондитерские. На постоянных клиентов приходится 85% выручки.

К нам компания обратилась после того, как подсчитала потери: за год ушли 9% постоянных клиентов, и почти ни в одном случае менеджеры не заметили момента ухода. Как сказали в компании: «Узнаём, что клиент ушёл, когда звоним через полгода — а он уже год берёт у других».

В чём была проблема

B2B-клиент уходит без предупреждения

Оптовый клиент обычно не жалуется и не объявляет, что уходит. Сначала он заказывает реже, потом меньше, а потом перестаёт заказывать совсем. По отдельности каждый заказ выглядит нормально. Тренд видно только на истории заказов, а историю никто не анализировал.

Менеджер не успевает следить за всеми клиентами

На одного менеджера приходится больше 200 клиентов. Он внимательно ведёт примерно двадцать крупных, а остальные заказывают без его участия. Отток шёл именно среди этих остальных: примерно один небольшой клиент в неделю. По отдельности потери были незаметны, а за год складывались в миллионы.

Отчёты показывали только прошлое

Стандартная аналитика показывала, сколько продано. Ни один отчёт не отвечал на вопрос, кто из клиентов перестанет покупать в следующем квартале.

Что сделали

К 1С:УТ подключили ML-модель прогноза оттока. Внешние сервисы не используются: модель обучена на истории продаж компании за 4 года и работает на её сервере.

Оценка риска по каждому клиенту

Для каждого клиента модель строит его привычную модель поведения по нескольким параметрам:

  • интервалы между заказами;
  • динамика среднего чека;
  • ширина ассортимента;
  • сезонность;
  • доля возвратов;
  • скорость оплат.

Когда поведение клиента отклоняется от его собственной нормы, риск растёт. Оценка пересчитывается каждую неделю, и клиенты делятся на три группы: зелёную, жёлтую и красную.

Причина риска, а не только сам риск

По каждому клиенту из красной зоны модель показывает, что изменилось. Например:

  • «интервал между заказами вырос с 12 до 31 дня»;
  • «выпал ассортимент: перестал брать плёнку»;
  • «средний чек упал на 40% за квартал».

Перед звонком менеджер уже знает, что изменилось у клиента.

Список клиентов на неделю в 1С

Каждый понедельник менеджер получает в 1С короткий список из 5–7 клиентов, у которых растёт риск. По каждому указаны причины, история и контакты. Обзвонить столько клиентов за неделю реально, поэтому списки действительно отрабатывают.

Контроль результата

По каждому звонку из списка фиксируется:

  • удалось ли дозвониться;
  • почему клиент стал покупать меньше: цена, сроки, ушёл к конкуренту, сезонная остановка;
  • что ему предложили.

Руководитель отдела продаж видит, какая доля таких звонков удерживает клиента, и знает реальные причины оттока. Эти данные отдельно полезны для управления компанией.

Результат

  • Модель замечает «остывание» клиента в среднем за 2,5 месяца до полной остановки заказов.
  • Удалось вернуть 64% клиентов из красной зоны, до которых дозвонились на раннем этапе.
  • Годовой отток постоянных клиентов снизился с 9% до 4%.
  • Сохранённая выручка за первый год составила десятки миллионов, проект окупился меньше чем за 2 месяца.
  • У компании появилась карта реальных причин ухода. Выяснилось, что половина клиентов, которые числились «ушедшими к конкуренту», на самом деле уходили из-за сроков доставки. Эту проблему компания устранила.

Частые вопросы

По каким данным 1С модель определяет риск ухода клиента?

Модель анализирует интервалы между заказами, динамику среднего чека, ширину ассортимента, сезонность, долю возвратов и скорость оплат. Риск растёт, когда поведение клиента отклоняется от его собственной нормы.

Нужны ли внешние сервисы для прогноза оттока в 1С:УТ?

Нет. Модель обучили на истории продаж компании за 4 года, и она работает на её сервере.

Какой результат дал прогноз оттока?

Годовой отток постоянных клиентов снизился с 9% до 4%. Удалось вернуть 64% клиентов из красной зоны, до которых дозвонились на раннем этапе. Сохранённая выручка за первый год составила десятки миллионов, проект окупился меньше чем за 2 месяца.