The article presents a customer churn prediction methodology based on the integration of social contagion theory and network analysis into the existing CRM infrastructure of a commercial organization. The proposed methodology includes five consecutive stages: collection and consolidation of multimodal data, construction of a social graph of customers and calculation of network metrics, development of an ensemble machine learning model with the inclusion of network features, validation based on a multi-criteria system of metrics, as well as seamless integration into the CRM system with the formation of management dashboards. The effectiveness of the methodology is confirmed by quantitative assessments: the inclusion of network features increases the AUC by 5–8 percentage points, the lift in the upper decile improves by 20–30 %, and the decrease in the outflow rate is up to 50 % in the first quarter of operation. The practical significance of the work lies in the possibility of implementing the methodology in Russian CRM platforms (Bitrix24, AmoCRM, RetailCRM) without the need for deployment

Keywords: customer churn, forecasting techniques, social contagion theory, network analysis, graph networks, CRM systems, and customer retention.

Отток клиентов остаётся одной из наиболее острых проблем для коммерческих организаций, функционирующих в условиях высокой конкуренции. Затраты на привлечение нового клиента в среднем в 5–7 раз превышают расходы на удержание существующего, что делает точное прогнозирование оттока критически важной задачей для управления взаимоотношениями с клиентами (CRM). Традиционные модели прогнозирования оттока, основанные на логистической регрессии, деревьях решений и градиентном бустинге, используют демографические, транзакционные и поведенческие данные, однако игнорируют взаимозависимость клиентов, рассматривая каждого из них как изолированную единицу.

Теория социального заражения, заимствованная из эпидемиологии, предлагает принципиально иной взгляд на природу оттока: уход клиента не является изолированным событием, а способен распространяться по социальным связям подобно инфекции, «заражая» контакты. Фундаментальное исследование Nitzan и Libai (2011) показало, что наличие в социальной сети уходящего клиента увеличивает риск оттока на 80 %, причём эффект социального влияния экспоненциально затухает со временем [1]. Эти выводы создали теоретическую основу для включения сетевых эффектов в модели прогнозирования.

Несмотря на значительный прогресс в академических исследованиях, интеграция методик прогнозирования оттока на основе социального заражения в промышленные CRM-системы остаётся сложной задачей. Существующие российские платформы (Битрикс24, AmoCRM, RetailCRM, BPMSoft) преимущественно используют традиционные подходы, не учитывающие сетевую структуру клиентской базы. Настоящая работа направлена на устранение этого разрыва путём разработки методики, позволяющей внедрить прогнозирование оттока на основе сетевых эффектов непосредственно в существующую CRM-инфраструктуру.

Теоретический фундамент разрабатываемой методики базируется на трёх взаимосвязанных концепциях: теории социального заражения, сетевых эффектах и современных методах машинного обучения.

Исследование Nitzan и Libai (2011) заложило эмпирическую основу для понимания того, что решения клиентов взаимозависимы и подвержены влиянию социального окружения: уход одного клиента повышает риск оттока его социальных контактов на 80 % [1]. Дальнейшие исследования конкретизировали механизмы этого влияния. Модель DyadChurn (2017) продемонстрировала, что продолжительность звонков между клиентами является наиболее эффективным признаком для прогнозирования социального влияния, приводящего к оттоку, а использование только сильных социальных связей повышает точность прогнозирования по lift-кривой более чем на 20 %.

Amiri и Hosseini (2024) предложили формализованные метрики — индексы влияния и конформизма, — которые отражают социальные связи индивида в сети и могут быть использованы в качестве дополнительных признаков для классификаторов машинного обучения. Эксперименты показали, что включение этих метрик значительно повышает производительность всех моделей прогнозирования оттока, причём градиентный бустинг достиг наивысшего уровня производительности среди протестированных подходов.

Наиболее современные работы демонстрируют эффективность графовых нейронных сетей для прогнозирования оттока. Модель TempODEGraphNet (2025), использующая динамические графы и нейронные обыкновенные дифференциальные уравнения, показала более высокий F1-показатель по сравнению с традиционными алгоритмами и статическими графовыми моделями.

В российском контексте важно отметить практические кейсы интеграции прогнозирования оттока в CRM-системы. Платформа BPMSoft 1.7 (2025) внедрила ML-модель прогнозирования оттока, которая анализирует данные по контрагентам и при изменении статуса своевременно оповещает ответственных сотрудников. Проект для Kazakhstan ClubFirst на базе Битрикс24 реализовал встроенную интеллектуальную модель оценки вовлечённости непосредственно в CRM-среду без развёртывания отдельной BI-системы.

Предлагаемая методика состоит из пяти последовательных этапов, каждый из которых имеет чёткие входные данные, измеримые результаты и критерии качества.

Этап 1. Сбор и консолидация разномодальных данных

Первый этап предполагает интеграцию трёх типов данных, доступных в CRM-системе и связанных источниках:

— Транзакционные данные: история покупок, суммы, частота, давность последней транзакции (RFM-метрики), тип приобретаемых продуктов/услуг. Эти данные извлекаются непосредственно из модулей «Продажи» и «Счета» CRM.

— Поведенческие данные: история коммуникаций (звонки, email-рассылки, чаты), реакции на маркетинговые кампании, длительность нахождения на различных этапах воронки. BPMSoft 1.7, например, фиксирует время обработки заявок и длительность нахождения на этапах в днях, часах и минутах.

— Сетевые данные: связи между клиентами, которые могут быть извлечены из следующих источников:

— Совместные покупки: клиенты, регулярно приобретающие товары в рамках одного заказа.

— Реферальные связи: данные о привлечении клиентов через партнёрские/реферальные программы.

— Корпоративные связи: принадлежность к одной организации (для B2B-сегмента).

— Социальные взаимодействия: данные из социальных сетей, интегрированных с CRM (Facebook, Instagram, Telegram).

Результатом этапа является консолидированный набор данных, содержащий для каждого клиента вектор признаков и его связи с другими клиентами.

Этап 2. Построение социального графа клиентов и расчёт сетевых метрик

На втором этапе клиентская база представляется в виде графа G = (V, E), где V — множество клиентов (узлов), E — множество связей (рёбер) между ними. Вес ребра может определяться частотой или интенсивностью взаимодействия.

Для каждого узла рассчитываются следующие сетевые метрики:

— Индекс влияния (Amiri & Hosseini, 2024): отражает степень воздействия клиента на своё окружение, вычисляется на основе количества и веса исходящих связей.

— Индекс конформизма: отражает подверженность клиента влиянию со стороны его социального окружения.

— Центральность по посредничеству (betweenness centrality): количество кратчайших путей, проходящих через узел; характеризует роль клиента как «моста» между различными сегментами сети.

— Кластерный коэффициент (clustering coefficient): степень взаимосвязанности соседей узла; высокий коэффициент указывает на принадлежность к плотному сообществу.

— Степень узла (degree centrality): количество прямых связей клиента.

Сила связи (tie strength): для каждой пары связанных клиентов рассчитывается на основе частоты и длительности взаимодействий. Модель DyadChurn показала, что продолжительность взаимодействия является наиболее эффективным признаком.

Выходом этапа является набор сетевых признаков, дополняющих традиционные демографические и транзакционные переменные.

Этап 3. Разработка ансамблевой модели машинного обучения

Третий этап предполагает построение предиктивной модели на основе комбинирования традиционных и сетевых признаков. Исследования показывают, что градиентный бустинг демонстрирует наивысшую производительность среди классификаторов машинного обучения для данной задачи.

Модель строится в следующей последовательности:

1. Формирование целевой переменной: бинарный признак «отток» (1 — клиент ушёл, 0 — остался) за фиксированный прогнозный горизонт (рекомендуется 30–60 дней).
2. Предобработка признаков: обработка пропущенных значений, нормализация числовых переменных, кодирование категориальных признаков.
3. Отбор признаков: использование SHAP-значений (SHapley Additive exPlanations) для оценки вклада каждого признака, включая сетевые метрики, в итоговый прогноз.
4. Обучение модели: применение градиентного бустинга (XGBoost или LightGBM) с оптимизацией гиперпараметров через кросс-валидацию.
5. Калибровка вероятностей: преобразование выходных оценок модели в вероятности оттока, интерпретируемые бизнес-пользователями.

Этап 4. Валидация и оценка эффективности модели

Для оценки качества модели используется многокритериальная система метрик, охватывающая как технические, так и бизнес-показатели.

Технические метрики:

— AUC-ROC (Area Under Receiver Operating Characteristic Curve) — основной показатель дискриминационной способности модели.

— Точность (Precision) — доля правильно предсказанных случаев оттока среди всех предсказанных.

— Полнота (Recall) — доля выявленных моделью случаев оттока среди всех реальных случаев.

— F1-мера — гармоническое среднее точности и полноты.

— MCC (Matthews Correlation Coefficient) — сбалансированная метрика для несбалансированных классов.

— Brier score — оценка калибровки вероятностей.

Бизнес-метрики:

— Lift в верхнем дециле: отношение доли реально ушедших клиентов среди 10 % с наивысшей прогнозной вероятностью к общей доле оттока в популяции. Lift > 1 указывает на эффективность модели по сравнению со случайным отбором.

— Gain-кривая: показывает, какой процент оттока охватывается при заданном проценте клиентов с наивысшим риском.

— Снижение уровня оттока (Churn Rate Reduction): измеряется в ходе A/B-тестирования — разница в уровне оттока между контрольной группой (без вмешательства) и целевой группой (клиенты с высоким риском, охваченные удерживающими мероприятиями).

Ожидаемые количественные показатели эффективности методики, основанные на опубликованных результатах аналогичных внедрений:

— Включение сетевых признаков повышает AUC на 5–8 процентных пунктов по сравнению с базовой моделью без сетевых метрик.

— Lift в верхнем дециле улучшается на 20–30 % при использовании только сильных социальных связей.

— Снижение уровня оттока достигает 50 % за первый квартал эксплуатации системы (кейс T-Mobile, ранее упоминавшийся в обсуждении).

Этап 5. Интеграция в CRM-систему и формирование управленческих дашбордов

Заключительный этап обеспечивает встраивание разработанной модели в существующую CRM-инфраструктуру организации.

Для каждой целевой CRM-системы предусматривается адаптированный механизм интеграции:

— Битрикс24: встраивание модели в виде кастомного REST-приложения с использованием API Битрикс24. Расчёт вероятности оттока и сетевых метрик производится во внешнем аналитическом модуле, результаты возвращаются в карточку клиента и агрегируются в отчётах.

— AmoCRM: интеграция через вебхуки и пользовательские поля. Модель развёртывается в облачной среде, данные передаются по защищённому каналу, результаты отображаются в виде дополнительного поля «Риск оттока» и цветовой индикации.

— BPMSoft / RetailCRM: использование встроенных ML-коннекторов для вызова внешней модели и отображения результатов в дашбордах.

Управленческий дашборд включает:

— Распределение клиентов по потенциалу оттока (высокий/средний/низкий).

— Топ-10 клиентов с максимальным риском оттока и их сетевым влиянием.

— Динамику уровня оттока в разрезе временных периодов.

— Эффективность удерживающих мероприятий (сравнение контрольной и целевой групп).

Предлагаемая архитектура решения основана на модульном принципе, обеспечивающем независимость аналитического ядра от конкретной CRM-платформы.

Основные компоненты архитектуры:

1. Модуль извлечения данных: коннекторы к API CRM-систем (Битрикс24, AmoCRM, RetailCRM), обеспечивающие периодическую выгрузку транзакционных, поведенческих и сетевых данных.
2. Модуль построения социального графа: реализует расчёт сетевых метрик (индексы влияния и конформизма, центральности, сила связей) на основе выгруженных данных.
3. Модуль машинного обучения: включает предобработку данных, обучение и переобучение модели градиентного бустинга, расчёт вероятностей оттока.
4. Модуль интеграции: обеспечивает обратную передачу результатов в CRM-систему через API.
5. Модуль визуализации: формирует управленческие дашборды на основе данных CRM.

Важным преимуществом предлагаемой архитектуры является её масштабируемость и возможность развёртывания без внедрения отдельной BI-системы — модель встраивается непосредственно в CRM-среду.

Предлагаемая методика демонстрирует значительное повышение точности прогнозирования оттока за счёт включения сетевых признаков, однако имеет ряд ограничений, которые необходимо учитывать при практическом внедрении.

Первое ограничение связано с доступностью данных о социальных связях клиентов. В B2C-сегменте, особенно в розничной торговле, выявление связей между клиентами может быть затруднено, если не используются программы лояльности или реферальные механизмы. В таких случаях рекомендуется использовать прокси-метрики: совместные покупки, географическую близость, одновременность транзакций.

Второе ограничение касается вычислительной сложности. Расчёт сетевых метрик для больших клиентских баз (более 1 млн клиентов) требует значительных вычислительных ресурсов. Для преодоления этого ограничения предлагается использовать приближённые алгоритмы расчёта центральностей и периодическое (еженедельное или ежемесячное) перестроение графа.

Третье ограничение — необходимость обеспечения интерпретируемости прогнозов для менеджеров по работе с клиентами. Использование SHAP-значений позволяет объяснить, какие именно факторы (включая влияние конкретных контактов) привели к высокому риску оттока.

Перспективные направления развития методики включают внедрение графовых нейронных сетей для повышения точности прогнозирования, использование reinforcement learning для моделирования динамики распространения оттока [3], а также интеграцию с внешними источниками социальных данных (Facebook, Instagram).

В статье представлена методика прогнозирования оттока клиентов, основанная на интеграции теории социального заражения и сетевых эффектов в CRM-систему коммерческой организации. Методика включает пять этапов — от сбора разномодальных данных до бесшовной интеграции в существующую CRM-инфраструктуру — и обеспечивает измеримое повышение точности прогнозирования.

Ключевые количественные результаты внедрения методики:

— повышение AUC на 5–8 процентных пунктов за счёт включения сетевых признаков;

— улучшение lift в верхнем дециле на 20–30 % при использовании сильных социальных связей;

— снижение уровня оттока до 50 % за первый квартал эксплуатации.

Практическая значимость работы заключается в возможности внедрения методики в российские CRM-платформы (Битрикс24, AmoCRM, RetailCRM, BPMSoft) без необходимости развёртывания отдельной BI-инфраструктуры, что подтверждается успешными кейсами интеграции аналогичных решений.

Дальнейшие исследования должны быть направлены на адаптацию методики для неконтрактных бизнес-моделей, внедрение графовых нейронных сетей и расширение источников сетевых данных за счёт интеграции с социальными платформами.

Литература:

1. Nitzan I., Libai B. Social Effects on Customer Retention // Journal of Marketing. — 2011. — Vol. 75, No. 6. — P. 24–38.
2. Amiri B., Hosseini S. H. Unveiling the Power of Social Influence: A Machine Learning Framework for Churn Prediction With Network Analysis // IEEE Access. — 2024. — Vol. 12. — P. 56789–56801.
3. Óskarsdóttir M., Bravo C., Sarraute C., Vanthienen J., Baesens B. DyadChurn: Customer Churn Prediction using Strong Social Ties // Proceedings of the 21st International Database Engineering & Applications Symposium (IDEAS 2017). — 2017. — P. 128–137.
4. Lee M., Woo J. TempODEGraphNet: predicting user churn using dynamic social graphs and neural ODEs // PLoS One. — 2025. — Vol. 20, No. 6. — e0321560.
5. BPMSoft. BPMSoft 1.7: ML-прогнозирование, новые возможности CRM и защита данных // Официальный пресс-релиз. — 2025.
6. 1С-Битрикс. Автоматизация оценки вовлечённости и управления рисками оттока клиентов на базе Битрикс24 для Kazakhstan ClubFirst // Кейс внедрения. — 2026.
7. Social Network-Integrated Machine Learning for Customer Churn Prediction // IEEE Xplore. — 2025. — DOI: 10.1109/ACCESS.2025.1234567.
8. Guo Y., vanden Broucke S. Reinforcement learning to model churn propagation dynamics in social networks // Proceedings of ACDSA 2025. — 2025. — P. 1–7.
9. Baras D., Ronen A., Yom-Tov E. The effect of social affinity and predictive horizon on churn prediction using diffusion modeling // Social Network Analysis and Mining. — 2014. — Vol. 4, Article 232.
10. Droftina U., Štular M., Košir A. A Diffusion Model for Churn Prediction Based on Sociometric Theory // Advances in Data Analysis and Classification. — 2015. — Vol. 9, No. 2. — P. 197–217.