7,3% прирост в выручке благодаря ML-моделям: предиктивный маркетинг в Kcell

До старта проекта мобильный оператор Kcell уже использовал инфраструктуру для анализа больших данных и профиль абонента, ранее разработанный Eastwind. Чтобы еще больше увеличить конверсию офферов в маркетинговых кампаниях, мы разработали модели машинного обучения и интегрировали их с кампейн-менеджером EW AdTarget.

Задача: увеличить конверсию маркетинговых кампаний

На момент запуска проекта в Kcell уже использовали большие данные для управления клиентской ценностью (Customer Value Management):

• данные агрегировались в Hadoop-кластере;
• использовался профиль абонента, разработанный Eastwind;
• функционировала внутренняя дата-команда.

При запуске кампаний в EW AdTarget специалисты ориентировались на профиль абонента, но логику выборки они настраивали вручную через бизнес-правила. Из-за этого точность таргетинга и конверсия были ниже, чем хотел оператор. Чтобы получать больше эффекта от больших данных, заказчик поставил такие задачи:

• Увеличить выручку от кампаний за счет более релевантных офферов для абонентов.
• Повысить лояльность абонентов благодаря выбору оптимального времени и канала коммуникации с клиентами.
• Сократить отток, своевременно отправляя релевантные предложения клиентам с высоким риском ухода.
• Увеличить выручку от продажи устройств, отправляя релевантные офферы абонентам с устаревшими моделями телефонов.

Для реализации нового проекта внутренних ресурсов оператора не хватало. Заказчик посчитал экономически эффективным привлечь специалистов Eastwind и не расширять штат своих сотрудников. Нашей задачей было разработать предиктивные ML-модели и интегрировать результаты с кампейн-менеджером EW AdTarget.

Для заказчика было важно как можно скорее запустить модели в прод. Мы приступили к проекту в октябре 2025, а через два месяца уже внедрили AutoML — технологию для автоматического обучения ML-моделей. Она позволяет сразу использовать их в работе, постепенно настраивая параметры в зависимости от результатов.

Решение: разработать и внедрить в CVM-контур 5 ML-моделей

На начало проекта дата-инфраструктура и единый профиль абонента у Kcell уже были интегрированы в CVM-систему, и бизнес-пользователи могли бесшовно использовать их возможности в кампейн-менеджере EW AdTarget. Благодаря этому проект шел быстрее. Мы сфокусировались на создании витрины признаков, автоматическом переобучении моделей и их последующей интеграции. Аппаратное обеспечение тоже было установлено ранее, что дополнительно сэкономило время на реализацию.

На всех этапах разработки мы логировали и контролировали метрики, чтобы при необходимости можно было сравнить параметры или масштабировать ML-модели.

Kcell уже работал с профилями абонентов, но мы дополнительно провели аудит существующих витрин. Структура данных за время эксплуатации изменилась, а для корректного обучения моделей критична согласованность расчетов.

Мы разработали единую витрину признаков для всех ML-моделей. В нее вошли:

• тарифы и услуги;
• использование трафика (голос, интернет, сообщения);
• финансовая информация и история платежей;
• данные о девайсах и смене устройств;
• атрибуты активности;
• логи посещения сайтов.

Витрина формируется автоматически по расписанию и проходит встроенные проверки, чтобы обеспечить достоверность и точность прогнозов. Для обучения конкретных моделей мы предусмотрели фильтры, чтобы исключить ошибки и обеспечить стабильность результатов.

Чтобы модели оставались актуальными при изменении поведения абонентов, мы внедрили AutoML-контур. Переобучение запускается:

• по расписанию;
• при накоплении достаточного объема новых данных;
• при снижении метрик качества ниже порога, предусмотренного в настройках.

Благодаря AutoML модели автоматически адаптируются к изменениям в поведении абонентов. Это экономит ресурсы команды оператора и позволяет быстрее реагировать на изменения.

Мы разработали пять ML-моделей и интегрировали их в кампейн-менеджер EW AdTarget. Результаты анализа автоматически выгружаются в профиль абонента и используются как рекомендации. Бизнес-правила остаются на стороне команды маркетинга Kcell.

Churn prediction

Модель предсказывает отток абонентов по критерию неактивности в трех горизонтах: 30 дней, 7 дней, 1 день.

Бизнес-задача модели — снизить отток абонентов благодаря раннему выявлению клиентов с высоким риском ухода и точечному воздействию на них. Это поможет сохранить выручку и укрепить лояльность клиентов.

Критерий неактивности — отсутствие платных событий за 31 день:

• нет пополнений баланса;
• нет исходящей активности;
• нет генерации трафика;
• нет списаний в рамках тарифа.

Next Best Offer

В этом проекте ML-модель выбирает один тариф из списка, заранее заданного заказчиком. Рекомендация для абонента строится с учетом четырех параметров: ARPU, объема потребляемого трафика, скидок, вероятности подключения.

Бизнес-задача модели — увеличить доход мобильного оператора благодаря продвижению более дорогих тарифов тем, кто активно пользуется услугами. Это поможет заказчику увеличить выручку и удерживать клиентов через расширение потребления.

Для более точного продвижения команда Eastwind разделила модели на две категории и внутри каждой разработала модели для отдельных тарифов:

• несемейные — 11 моделей,
• семейные — 7 моделей.

При разработке NBO-моделей мы обнаружили, что одни и те же услуги были по-разному представлены в разных системах заказчика. Из-за этого модель могла давать неточные рекомендации.

Мы унифицировали представление тарифов и изменили логику сопоставления справочников, чтобы рекомендации стали корректными и пригодными для CVM-кампаний.

Device Change

Модель предсказывает вероятность, с которой абонент купит новое устройство в двух горизонтах: 30 дней и 90 дней.

Бизнес-задача модели — увеличить продажи устройств с помощью выявления пользователей, склонных к их замене. Это поможет повысить конверсию офферов в продажу девайсов и сервисов.

Чтобы сузить целевую аудиторию, мы исключили из выборки устройства, которые не являются телефонами: планшеты, умные часы, модемы и т. д. В качестве критерия использовали дату, когда устройство впервые появилось сети. Дата определяется на основе идентификатора IMEI.

В анализ мы отобрали три категории абонентов:

• с активностью в течение последних 30 дней;
• подключенных к сети больше 90 дней назад;
• не менявших устройство последние полгода.

Next Best Channel

ML-модель выбирает наиболее удачный пуш-канал для коммуникации с абонентом.

Бизнес-задача модели — увеличить количество положительных откликов на взаимодействие, чтобы повысить конверсию офферов.

Мы анализировали ответы абонентов по каналам коммуникации из кампейн-менеджера EW AdTarget:

• SMS — с разделением логики для разного рода кампаний,
• DSTK (Dynamic SIM Toolkit),
• голосовой робот,
• пуш в мобильное приложение.

Next Best Time

Модель определяет наиболее удачный промежуток времени для коммуникации с абонентом.

Бизнес-задача модели — увеличить количество положительных откликов от абонентов и улучшить их пользовательский опыт.

Для анализа мы отобрали только тех абонентов, с которыми была коммуникация за последние 30 дней и ответ по которой зафиксирован в EW AdTarget. Для почасового прогноза оказалось недостаточно входных данных, поэтому мы выбрали три промежутка времени:

утро: 9-11 ч • день: 12-17 ч • вечер: 18-20 ч

Затем мы проанализировали поведение абонентов в разные дни недели, выявили схожие и отличительные черты. В итоге интервалы для коммуникаций остались примерно одинаковыми по длительности, но внутри каждого мы задали разные настройки.

Рабочие дни:

• пн-пт: 9-12 ч
• пн-пт: 12-18 ч
• пн-чт: 18-21 ч
• пт: 18-21 ч

Выходные дни:

• утро: 9-12 ч
• день: 12-18 ч
• сб-вс: 18-21 ч

Тесты заказчик проводил на первоначальных значениях.

При выборе временных интервалов мы также учли регуляторные ограничения, по которым коммуникации с абонентами разрешены только с 9:00 до 21:00.

Результат: 5 ML-моделей в проде за месяц и прирост к выручке до 7,3%

Первым этапом клиенту было важно разработать ML-модели и запустить их в эксплуатацию, чтобы оценить первоначальную эффективность. Вторым этапом — провести тюнинг моделей с учетом результатов A/B-тестирования.

На первом этапе команда Eastwind за месяц:

• собрала витрину признаков;
• рассчитала параметры ML-моделей;
• обучила модели;
• запустила модели в работу в режиме AutoML.

После этого мобильный оператор провел первые кампании с использованием ML-моделей и оценил результаты их работы.

Тесты проводили на однородных группах абонентов:

• группа сформирована по рекомендациям ML-модели;
• группа собрана по бизнес-правилам специалиста.

При тестировании модели Churn Prediction одной группе отправляли оффер по рекомендациям модели, второй — ничего. А для оценки Device Change для сравнения взяли ML-модель, используемую клиентом ранее.

На втором этапе мы добавили в список каналов двух голосовых роботов для коммуникации с абонентами, в том числе, «умного». Он может строить диалог, подбирать стиль и голос для общения с абонентом. Мы обновили витрину признаков по результатам первых тестов и усовершенствовали гиперпараметры ML-моделей.

Kcell получил не просто набор моделей, а масштабируемую ML-инфраструктуру, интегрированную с действующей CVM-системой. Модели постоянно проходят контроль качества и переобучаются для повышения точности прогнозов.