Как мы научились видеть отток за неделю до ухода клиента и снизили черн на 39%

Клиент B2B SaaS редко уходит за один день. За несколько недель до ухода он перестаёт запускать рассылки, отключает автоматизации, экспортирует базу контактов. Сигналы разбросаны по разным системам, поэтому менеджер узнаёт об уходе, когда решение уже принято. Мы построили дашборд, который собирает эти сигналы в одном месте и каждую неделю показывает, кто из клиентов движется к оттоку.

Черн выглядел внезапным, потому что сигналы никто не собирал

До появления системы предикта менеджеры узнавали о проблеме только через интервью с клиентом. Этот способ требует инициативы менеджера и не масштабируется — невозможно вручную мониторить десятки аккаунтов каждую неделю.

Поэтому черн выглядел внезапным. Клиент уходил, команда разбирала причины и обнаруживала: за три недели до ухода он отключил чат, за две — перестал запускать триггерные цепочки, за одну — экспортировал базу.

Команда поставила задачу: собрать поведенческие сигналы в одном дашборде и автоматически подсвечивать клиентов, чьё поведение похоже на поведение тех, кто уже ушёл.

Девять критериев здоровья клиента

У каждого клиента B2B SaaS есть нормальный уровень использования продукта: сколько диалогов проходит через чат за неделю, сколько лидов приходит, сколько автоматизаций запущено. Когда один показатель падает, причин может быть много: сезонность, отпуск маркетолога, технические работы на сайте. Когда падают несколько показателей одновременно — это паттерн, и он требует внимания.

Предикт в Carrot quest — дашборд в Power BI, который каждую неделю сравнивает показатели клиента с его же показателями за прошлую неделю. По каждому из 9 критериев клиент получает 0 или 1 балл. 1 балл означает: зафиксировано отклонение от нормы. Это частный случай того, как предиктивная аналитика применяется не к продажам, а к удержанию.

Пять критериев отслеживают снижение активности на 50% и больше от недели к неделе:

• Диалоги в чате. У клиента было 2,6 млн диалогов за неделю, на следующей — 800 тысяч. Падение на 70%, система фиксирует 1 балл.
• Ответы — и ручные ответы операторов, и автоматические при рассылках.
• События — действия пользователей на сайте, которые клиент отслеживает через Carrot quest.
• Лиды — количество новых контактов в базе.
• Трафик — количество пользователей на сайте клиента.

Четыре критерия фиксируют конкретные действия, которые сами по себе тревожные:

• Экспорт базы пользователей. Если менеджер видит, что клиент начал выгружать контакты, велика вероятность, что он переносит данные в другой сервис.
• Отключение всех триггерных сообщений и цепочек разом.
• Изменение видимости чата. Клиент скрывает виджет чата с отдельных страниц или со всего сайта.
• Снижение количества запущенных триггерных цепочек. Было 10, стало 3: клиент сворачивает автоматизацию.

Если клиент набрал три балла — это жёлтая зона: менеджер обращает внимание. Пять и больше — красная, клиент подсвечен в дашборде.

Как менеджер работает с дашбордом

Данные о текущем MRR подтягиваются и обновляются каждый день. Предикт сравнивает показатели от недели к неделе. По понедельникам менеджер открывает дашборд, фильтрует по своей когорте и сегменту, смотрит, кто набрал баллы.

По каждому клиенту видно три среза:

• Баллы — сколько критериев сработало.
• Количество — абсолютные цифры: сколько диалогов было, сколько триггерных цепочек запущено, сколько лидов пришло.
• Дельта — на сколько процентов упал каждый показатель от недели к неделе.

Что происходит после того, как клиент попал в красную зону

Дашборд подсвечивает проблему, но дальше работает команда. Процесс устроен так: клиенты из красной зоны попадают в спринт Customer Success. Менеджер, за которым закреплён клиент, валидирует сигнал — подтверждает или опровергает, что клиенту действительно плохо. Часто подтверждение приходит сразу: да, они стали реже выходить на связь, начали смотреть на рынок.

После валидации менеджер проводит интервью, заходит в аккаунт, выясняет причину и проводит работу по удержанию. Жёсткого регламента нет: причины падения у ecom-компании с трафиком в миллионы и у edtech-стартапа с 500 лидами в месяц разные. Предикт даёт повод зайти к клиенту вовремя, а что делать дальше, решает менеджер — здесь работа предикта сочетается с тем, как в целом у нас устроены команды support, success и роста.

Параллельно команда видит прогноз черна в деньгах: предикт позволяет на начало месяца оценить, сколько MRR находится под угрозой, и соотнести эту цифру с финансовой моделью и OKR. Это меняет характер работы с оттоком: команда управляет черном как процессом с прогнозируемым пайплайном, а не тушит пожары по мере их появления.

Как система развивалась: от 50% покрытия к 62%

Первая версия предикта отслеживала ограниченный набор событий и покрывала около 50% случаев потенциального оттока. Если из продукта ушли 20 клиентов, предикт заранее определял только 10. Остальные 10 система пропускала.

Подобные системы в индустрии оцениваются по метрике Recall — доле ушедших клиентов, которых модель определила заранее. Рыночный бенчмарк среди западных SaaS-компаний, например, Salesforce, IBM, Oracle, — 70–80%.

Во второй итерации наша команда добавила три события:

• Отключение или скрытие чата — фиксируется дата, когда клиент меняет настройки видимости.
• Снижение количества триггерных цепочек — отдельный сигнал, если было, скажем, 10 цепочек, а стало 3.
• Отключение чата целиком — клиент убирает скрипт с сайта.

Кроме новых событий появились срезы «количество» и «дельта». До этого менеджер видел только баллы, теперь мог провалиться в абсолютные цифры и процент падения. Пересмотрели и пороги: максимум вырос до 9 баллов, красная зона сдвинулась на 5.

По итогу Recall вырос с 50% до 62%. Ещё не рыночный бенчмарк, но рост на 12 процентных пунктов за одну итерацию — хороший темп.

Вторая метрика — ложные срабатывания. Она нулевая: модель не отправляла в красную зону клиентов, у которых нет сигналов оттока.

Модель не пугает нас зря — она не засовывает в предикт тех клиентов, которым хорошо. Мы не тревожимся напрасно и не тратим ресурс на то, чтобы к ним заходить.

Сергей Чернов, Customer Success Manager (Enterprise)

Три паттерна оттока, которые проявились за два квартала

После полугода работы предикта команда провела ретроспективу всех ушедших клиентов. Нашли три основных паттерна оттока.

• Ниша eCom B2C. Сегмент чувствителен к сезонности, у таких компаний часто меняются маркетологи, и порог переключения между сервисами низкий.
• Компания с небольшим MRR. В таких компаниях часто нет отдельного человека, который бы системно работал с инструментом. Когда маркетолог увольняется, использование сервиса падает, и компания уходит.
• Клиент не видит результат. Компании уходят с формулировкой «не смогли посчитать окупаемость сервиса». Важно настраивать аналитику клиенту так, чтобы связь между инструментом и результатом была видна — то есть выстроить передачу данных о клиенте между командами так же прозрачно, как команда поддержки передаёт данные о клиентах маркетингу.

Результаты на старте проекта

Проект был запущен в июле 2025-го. На начало августа предикт показал прогнозный черн, сопоставимый с июльским. Команда взяла клиентов из красной зоны в спринт, провела с ними работу — и фактический черн августа оказался на 39% ниже июльского.

Как команда убедилась, что это заслуга предикта, а не совпадение

У каждого клиента в пайплайне были конкретные метки — снижение событий, отключение чата, определённое количество баллов. Менеджеры валидировали эти сигналы в личном общении и подтверждали: да, клиенту действительно было плохо. Прогнозная цифра на начало месяца совпадала с реальной картиной, а фактический черн оказался ниже именно по тем клиентам, с которыми команда успела поработать.

Коротко: из чего складывается система

1. Техническая часть — дашборд в Power BI, который получает данные из продуктовой аналитики Carrot quest. Собрать аналогичную систему может любая B2B SaaS-команда, у которой есть биллинг с API и продуктовые события. Разработчик для этого не нужен — достаточно аналитика, умеющего работать с Power BI или аналогом.
2. Логика — балльная система из 9 критериев с порогами жёлтой (3 балла) и красной (5 баллов) зоны. Критерии двух типов: снижение активности от недели к неделе и конкретные тревожные действия: экспорт базы, отключение чата.
3. Процесс — еженедельный: менеджер в понедельник смотрит дашборд по своей когорте, видит, кто в зоне риска и по каким критериям. Клиенты из красной зоны попадают в спринт команды, менеджер валидирует сигнал и заходит к клиенту. На этом автоматизация заканчивается — дальше работает человек, потому что причины оттока у каждого клиента свои.
4. И ещё одна вещь, без которой предикт бесполезен: ретроспектива ушедших клиентов. Именно она показывает, какие сегменты требуют дополнительного внимания и какие причины оттока можно предотвратить системно — изменением онбординга или правил назначения менеджеров.

Часто задаваемые вопросы

Как предсказать отток клиентов в B2B SaaS?

Отслеживать поведенческие сигналы: снижение активности в продукте, отключение автоматизаций, экспорт базы данных. По отдельности каждый сигнал может быть случайностью, но когда у клиента срабатывают 5 из 9 критериев одновременно — это паттерн, который предшествует уходу.

Что такое churn rate и как его снижать?

Churn rate — доля клиентов, которые прекратили использовать продукт за определённый период. Снижать его можно реактивно, то есть разбирать причины после ухода, или проактивно, то есть обнаруживать проблему до того, как клиент принял решение уйти. Проактивный подход требует системы раннего обнаружения: собирать сигналы использования продукта, выявлять паттерны оттока по ретроспективе ушедших клиентов и передавать клиентов из зоны риска менеджерам.

Какие метрики отслеживать для предсказания оттока?

Два типа метрик. Первый — снижение активности: в случае Carrot quest это количество диалогов, лидов, событий, ответов операторов, трафик на сайте. Порог — падение на 50% от недели к неделе. Второй — конкретные тревожные действия: экспорт базы пользователей, отключение всех триггерных сообщений, изменение видимости чата, сокращение числа запущенных автоматизаций. Совокупность сигналов важнее каждого по отдельности.

Как команда Customer Success работает с клиентами в зоне риска?

Клиенты из красной зоны попадают в спринт команды. Менеджер валидирует сигнал, подтверждает, что клиенту действительно плохо, после чего проводит интервью и выясняет причину. Жёсткого регламента нет: причины оттока у eCom-компании и Edtech-стартапа разные. Система даёт повод зайти к клиенту вовремя, но решение принимает менеджер — подробнее о том, как в Carrot quest вообще устроена работа с клиентским сервисом на стыке с AI, можно почитать в интервью с Сергеем Глуховым.

Как онбординг пользователей влияет на отток?

Один из паттернов оттока, выявленных в ретроспективе: клиенты уходят с формулировкой «не смогли посчитать окупаемость сервиса». Причина — на этапе онбординга они не смогли настроить аналитику так, чтобы связь между инструментом и результатом была видна. Это системная проблема, и она решается изменением процесса онбординга.

Как оценить качество модели предсказания оттока?

Две ключевые метрики. Recall — доля ушедших клиентов, которых модель определила заранее. Рыночный бенчмарк среди западных SaaS-компаний — 70–80%. В Carrot quest Recall вырос с 50% до 62% за одну итерацию изменений в системе предикта. Вторая метрика — ложные срабатывания: доля клиентов, которых модель пометила как рисковых, хотя у них всё хорошо. В Carrot quest этот показатель составил 0%.