# Прогноз оттока клиентов в 1С:УТ с помощью ML: кейс оптового поставщика

Статья

[Валентин](/#team-gallery) · Управляющий партнёр, куратор проектов · 22 июля 2026

**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.

![Валентин](/static/img/team/valentin-v3.jpg) **Валентин**
Управляющий партнёр, куратор проектов

В 1С с 2004 года, в «Бест Бизнес Софт» — с 2009 года. Внедрял и сопровождал 1С:ERP, Комплексную автоматизацию, Управление торговлей и ЗУП в производстве, строительстве, дистрибуции и рознице. Окончил МГУ им. М. В. Ломоносова.

## Читайте также

Управленческий учёт

### [Как выбрать 1С для управленческого учёта](/blog/1s-dlya-upravlencheskogo-ucheta.md)

Сопровождение

### [Как выбрать 1С:ИТС и подключить 1С-Отчётность](/blog/1s-its-i-elektronnaya-otchetnost.md)

Розница

### [Как подключить торговое оборудование к 1С:Рознице](/blog/1s-roznitsa-i-torgovoe-oborudovanie.md)

## Хотите видеть уходящих клиентов до того, как они ушли? Настроим прогноз оттока на вашей 1С

Опишите задачу — ответим и предложим решение.

[Оставить заявку](/kontakty.html?source_page=%2Fblog%2Ftg-ai-13-prognoz-ottoka.html&source_block=%D0%97%D0%B0%D1%8F%D0%B2%D0%BA%D0%B0+%D0%B2+%D0%BA%D0%BE%D0%BD%D1%86%D0%B5+%D1%81%D1%82%D0%B0%D1%82%D1%8C%D0%B8#lead-form)

[Исходная страница](https://best-bs.ru/blog/tg-ai-13-prognoz-ottoka.html)
