Когда клиент нажимает «Отменить подписку», закрывает счёт, переносит номер к другому оператору или просто перестаёт покупать, компания почти всегда хочет знать одно: почему?
Самый очевидный способ — спросить самого клиента. Поэтому появляются exit-опросы с вариантами «слишком дорого», «нашёл лучшее предложение», «не устраивает качество», «больше не пользуюсь». Через месяц аналитик сводит ответы, и руководство получает аккуратную диаграмму: например, главным фактором ухода оказалась цена.
На этом месте и возникает проблема. Ответ клиента при расторжении отношений и реальная причина оттока — не обязательно одно и то же.
Человек вполне может искренне выбрать вариант «дорого». Но почему цена внезапно стала слишком высокой после двух лет использования? Возможно, продукт стал использоваться реже. Возможно, месяц назад произошёл неприятный сбой. Возможно, конкурент предложил более удобный сервис за сопоставимые деньги. А может быть, клиент давно был недоволен, но именно очередное повышение цены стало последним поводом уйти.
Для бизнеса это совершенно разные ситуации. В первой может понадобиться изменить продукт, во второй — клиентский сервис, в третьей — конкурентное предложение, а в четвёртой скидка вообще ничего не исправит.
Поэтому нормальное исследование churn начинается не с вопроса «какую причину назвал клиент?», а с попытки восстановить весь путь к уходу.
Уход удобно представлять как конкретную дату. До 14 августа человек был клиентом, 15 августа перестал им быть. В данных появляется понятная точка churn.
В реальной жизни решение обычно созревает дольше.
Абонент несколько месяцев сталкивается с нестабильным интернетом. Пользователь банковского приложения пару раз не может провести нужную операцию. Покупателю маркетплейса задерживают доставку, затем поддержка долго решает вопрос с возвратом. Сам по себе каждый эпизод недостаточен, чтобы уйти. Потом появляется предложение конкурента или компания повышает тариф — и клиент принимает решение.
Если спросить его сразу после ухода, наиболее доступным объяснением может оказаться именно последнее событие: «стало дорого». Но это ещё не доказывает, что снижение цены вернуло бы его лояльность.
Исследования switching behavior подтверждают, что переход между поставщиками услуг обычно связан не с одним фактором. В исследовании мобильных финансовых сервисов, опубликованном в 2025 году, с переключением клиентов были связаны цена, качество сервиса, репутация, неудобство, технологические проблемы, неудовлетворённость и снижение лояльности. Причём авторы описывают switching как процесс, состоящий из нескольких стадий, а не как мгновенную реакцию на один раздражитель.
Это важный сдвиг для исследования. Нужно искать не одну «причину ухода», а комбинацию обстоятельств, после которой отношения с компанией перестали казаться клиенту достаточно ценными.
Цена почти неизбежно оказывается среди причин churn в банках, телекоме, подписках и цифровых сервисах. И игнорировать её было бы ошибкой.
Но сама фраза «дорого» мало что объясняет.
Цена существует только относительно воспринимаемой ценности. Клиент может спокойно платить 100 тысяч сумов в месяц, пока регулярно пользуется сервисом, а через полгода считать те же 100 тысяч чрезмерными, потому что продукт потерял для него актуальность. Или конкурент мог предложить больше за те же деньги. Формально причина ухода — цена, но снижение тарифа не решает проблему ценности продукта.
Поэтому исследование оттока должно отличать абсолютную ценовую чувствительность от изменения value for money.
Хороший пример даёт банковский сектор. В исследовании J.D. Power 2024 года среди американских клиентов, намеревавшихся сменить банк, 29% упоминали высокие или многочисленные комиссии, а 26% — плохой опыт обслуживания. При этом само исследование связывало риск ухода не только с ценой, но и с доверием и качеством взаимодействий с банком.
Это не данные по Узбекистану, и переносить сами проценты на местный рынок нельзя. Но механизм полезен: финансовые условия, сервис и доверие работают одновременно.
Для банка или финтех-компании в Узбекистане вопрос поэтому лучше формулировать не «уходят ли клиенты из-за комиссии?», а «при каком опыте эта комиссия начинает восприниматься как несправедливая и что клиент получает у альтернативного поставщика?».
Опрос ушедших клиентов полезен. Отказываться от него не нужно. Просто его нельзя превращать в единственный источник правды.
Есть несколько причин.
Часть клиентов вообще не отвечает на такие опросы. Причём отвечающие могут систематически отличаться от молча ушедших. Кто-то уже не помнит последовательность событий, кто-то выбирает самый близкий вариант из списка, а кто-то сознательно сокращает сложное решение до одного понятного объяснения.
Кроме того, многое зависит от того, что компания решила спросить. Если в списке причин есть «высокая цена», но нет «продукт стал мне не нужен», респондент выбирает из предложенной реальности.
Интересный пример даёт исследование причин банковского churn на основе сообщений в социальных сетях. Авторы сравнили полученную картину с результатами более ранних исследований и обнаружили заметные различия. В их данных главными темами рядом с угрозой ухода были скорость решения вопросов, обвинения в неэтичном поведении и проблемы с биллингом и платежами, тогда как цена составляла менее 10% причин. В классических исследованиях переключения цена часто занимала гораздо более высокое место.
Это не означает, что социальные сети «правильнее» опроса. Они тоже представляют специфическую аудиторию. Зато пример хорошо показывает другое: разные источники позволяют увидеть разные слои одной проблемы.
Именно поэтому наиболее полезная картина появляется, когда слова клиента сопоставляются с его поведением.
У телеком-оператора могут быть данные о качестве сети, обращениях в контакт-центр, изменении потребления трафика, оплатах, подключённых услугах и истории тарифов. У банка — транзакции, использование приложения, обращения, продукты, остатки и активность. У e-commerce — частота покупок, средний чек, возвраты, доставка, промокоды и посещения сайта.
По отдельности каждый показатель говорит немного. Вместе они могут показать характерный сценарий, предшествующий уходу.
McKinsey описывала телеком-оператора, который обнаружил более 50 переменных, связанных с churn. Среди них оказались комбинации типа устройства, объёма использования услуг и истории взаимодействий с call-центром. Анализ позволил перейти от общей категории «недовольный клиент» к конкретным проблемам — например, качеству работы отдельных call-центров или обрывам связи.
В другом кейсе анализ качества сети позволял выявлять клиентов с существенно повышенным риском ухода. Клиенты с худшим опытом уходили примерно в три раза чаще среднего, а объединение сетевых данных с churn-моделью помогало различать коммерческие и технические причины риска. Это принципиально важно: человеку с плохим качеством сети бессмысленно давать скидку, если его реальная проблема — сама связь.
Именно здесь начинается полезная аналитика churn. Модель должна не только ответить, кто уйдёт, но по возможности приблизиться к ответу, почему именно этот клиент находится в группе риска.
Иначе компания получает дорогой список людей, которым начинает массово раздавать скидки.
Эти задачи часто смешивают.
Machine learning модель может очень хорошо прогнозировать вероятность ухода на основе сотен признаков. Например, снижение активности, уменьшение среднего чека, рост числа обращений или определённая история платежей могут создать очень сильный predictive signal.
Но прогноз ещё не означает причинность.
Если люди перед уходом начинают реже открывать приложение, из этого не следует, что увеличение числа push-уведомлений их удержит. Снижение активности может быть следствием того, что клиент уже внутренне переключился на конкурента.
То же касается программ лояльности. Если участники программы уходят реже, нельзя автоматически заключить, что сама программа создаёт удержание. Возможно, в неё чаще вступают самые активные покупатели.
Исследования цифровых подписок хорошо показывают ценность поведенческих данных. Работа 2024 года анализировала историю более 20 тысяч платных пользователей freemium-платформы. Вероятность прекращения подписки была связана, в частности, с длительностью выбранного тарифа, предыдущими отменами и уровнем вовлечённости в использование сервиса. Такие признаки позволяют замечать риск ещё до того, как клиент нажал Cancel.
Но следующий управленческий вопрос всё равно остаётся открытым: какое вмешательство действительно изменит это поведение?
Ответ обычно требует эксперимента. Если компания считает, что churn связан с onboarding, можно изменить onboarding у одной части новых клиентов и сравнить результат с контрольной группой. Если предполагается ценовая причина — протестировать разные retention offers. Если проблема в сервисе — проверить, изменяет ли проактивное устранение проблемы вероятность ухода.
Так исследование постепенно переходит от корреляции к решению.
Допустим, ежемесячный отток вырос с 3% до 4%. Это плохая новость, но для бизнеса пока почти бесполезная.
Кто именно стал уходить чаще?
Новые клиенты через месяц после подключения или люди, пользовавшиеся продуктом пять лет? Клиенты определённого тарифа? Пользователи из одного региона? Клиенты, привлечённые конкретной рекламной кампанией? Те, кто недавно обращался в поддержку? Или люди, чья промо-цена закончилась?
У каждого такого churn своя экономика и своё решение.
Особенно полезно смотреть на когорты. Например, может оказаться, что общая клиентская база выглядит стабильной, но клиенты, привлечённые последние три месяца, уходят значительно быстрее предыдущих когорт. Тогда проблема находится не в удержании существующей базы вообще, а, возможно, в качестве привлечения или первых неделях использования продукта.
Или наоборот: acquisition работает нормально, но через 12–18 месяцев резко растёт уход после окончания определённых льготных условий.
Средний churn rate этого почти не объясняет.
Поэтому вместо одной группы «ушедшие клиенты» обычно полезнее исследовать несколько сценариев ухода. Чем точнее определён сценарий, тем легче проверить его причины.
Многие компании ищут причину в последнем событии. Клиент пожаловался в поддержку, а через неделю закрыл счёт — значит, виновата поддержка.
Это возможное объяснение. Но не единственное.
Возможно, клиент обратился в поддержку именно потому, что его отношения с компанией уже достигли критической точки. То есть обращение стало не причиной, а симптомом накопившейся проблемы.
Правильнее смотреть на последовательность событий.
Как менялась активность за три или шесть месяцев? Были ли повторные обращения? Изменилось ли потребление продукта? Возникали ли проблемы с оплатой? Было ли повышение цены? Что происходило у конкурентов? Когда впервые появились признаки снижения вовлечённости?
Так возникает не статичная фотография клиента в момент ухода, а своего рода фильм.
Именно он обычно гораздо лучше объясняет churn.
Есть ещё одна ошибка, которая выглядит совершенно логично: если мы изучаем уход, давайте поговорим с ушедшими.
Но без контрольной группы трудно понять, какие проблемы действительно отличают churners от остальных.
Допустим, 40% ушедших клиентов жалуются на работу приложения. Звучит серьёзно. Но если среди оставшихся клиентов на приложение жалуются 45%, эта проблема вряд ли хорошо объясняет именно churn.
Поэтому полезно сравнивать ушедших с похожими клиентами, которые остались. Желательно контролировать срок отношений, продукт, регион, уровень потребления и другие важные характеристики.
Тогда исследование начинает отвечать не только на вопрос «что не нравится ушедшим?», а на гораздо более сильный вопрос: что отличает человека, который ушёл, от похожего человека, который при тех же обстоятельствах остался?
Разница между этими вопросами огромна.
Churn-исследование полезно не только для предотвращения будущих уходов. Оно помогает понять, кого имеет смысл возвращать.
Harvard Business Review описывала исследование более 53 тысяч бывших клиентов телеком-компании. Авторы анализировали не только вероятность возвращения, но и то, сколько клиент после возврата сможет приносить компании, как долго останется и какой win-back offer будет экономически оправдан.
Это более зрелый подход, чем массовая рассылка «Вернитесь — дадим скидку 20%».
Не каждый ушедший клиент одинаково ценен. Не каждый вернётся. И не каждого вообще стоит возвращать за любую цену.
Для части клиентов уход может быть естественным окончанием отношений: продукт больше не нужен, бизнес закрылся, человек переехал или изменились жизненные обстоятельства. Попытка удерживать таких клиентов только портит экономику retention-программы.
А вот клиент, ушедший после конкретного неудачного взаимодействия, может иметь высокую вероятность возвращения, если проблема устранена.
Поэтому churn и win-back логично исследовать вместе.
Для банка, оператора связи, маркетплейса или цифрового сервиса самая полезная формулировка исследования звучит не «почему от нас уходят клиенты?». Она слишком широкая.
Полезнее выяснить, какие типы ухода существуют, у каких клиентов они происходят, какие сигналы появляются заранее и какие из обнаруженных причин компания способна изменить.
Такой проект обычно соединяет несколько источников: историю использования продукта, транзакционные данные, обращения в поддержку, результаты exit-опросов, качественные интервью и данные о конкурентной среде. Где возможно, гипотезы затем проверяются экспериментально.
Это позволяет отделить повод от причины.
Клиент может нажать «слишком дорого». Но за этой кнопкой иногда скрывается падение использования, неудачный сервисный опыт, более привлекательный конкурент или несколько месяцев накопленного раздражения.
Если компания видит только последний ответ, она начинает лечить churn скидками.
Если видит весь путь клиента, появляется шанс исправить именно то, из-за чего отношения действительно разрушились.
И в этом состоит практическая ценность исследования оттока: не составить рейтинг жалоб ушедших клиентов, а понять, какие изменения способны сохранить тех клиентов, которых бизнес действительно хочет сохранить.
