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.
- Разработать набор предиктивных ML-моделей для гиперперсонализации коммуникаций и удержания абонентов.
- Интегрировать ML-модели с кампейн-менеджером EW AdTarget.
- Подготовили данные и собрали витрину признаков.
- Настроили фильтры в витрине для обучения конкретных ML-моделей.
- Разработали 5 ML-моделей.
- Интегрировали ML-модели с кампейн-менеджером.
7,3% — прирост выручки в кампаниях с применением модели Next Best Time.
5% — прирост выручки в кампаниях с применением модели Next Best Offer.
0,14% — прирост конверсии в кампаниях с применением модели Device Change.
10,4% — снижение оттока клиентов после применения модели Churn Prediction.
Услуги по разработке и внедрению ML-моделей для увеличения продаж, сокращения оттока и гиперперсонализации коммуникаций.
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.
Узнайте о лучших практиках по предотвращению оттока от экспертов Eastwind
Получить книгуРешение: 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.
Создание витрины признаков
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.
Автоматическое переобучение ML-моделей
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.
Внедрение ML-моделей
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.
Достоверность ML-моделей мы измеряли метрикой качества — F1-score. Она представляет собой среднее между точностью (Precision) и полнотой (Recall) данных. F1-score может быть от 0 до 1, где 1 — это идеальная модель.
| ML-модель | Что предсказывает | Для чего нужна |
| Churn prediction | Отток абонентов по критерию неактивности | Превентивные офферы |
| NBO (up-sell) | Один лучший тариф | Офферы с механикой up-sell |
| Device Change | Вероятность покупки нового устройства | Офферы по обновлению устройств |
| Next Best Channel | Релевантный пуш-канал для коммуникации | Выбор пуш-канала |
| Next Best Time | Лучший временной интервал для оффера | Выбор времени для отправки сообщения |
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.
| Горизонт предсказаний | Precision (точность) | Recall (полнота) |
| 1 день | 0,843 | 0,341 |
| 7 дней | 0,707 | 0,824 |
| 30 дней | 0,726 | 0,825 |
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.
| Тариф | Precision (точность) | Recall (полнота) |
| Тариф 1 | 0,91 | 0,87 |
| Тариф 2 | 0,84 | 0,80 |
| Тариф 3 | 0,87 | 0,82 |
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.
| Горизонт предсказаний | Precision (точность) | Recall (полнота) |
| 30 дней | 0,91 | 0,87 |
| 90 дней | 0,84 | 0,80 |
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.
| Канал | Precision (точность) | Recall (полнота) |
| SMS | 0,715 | 0,815 |
| DSTK | 0,649 | 0,776 |
| Голосовой робот | 0,729 | 0,657 |
| Пуш | 0,692 | 0,674 |
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.
| Временной интервал | Precision (точность) | Recall (полнота) |
| 9-11 ч | 0,654 | 0,825 |
| 12-17 ч | 0,723 | 0,920 |
| 18-21 ч | 0,749 | 0,903 |
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.
От проекта по разработке предиктивных ML-моделей нам важно было быстро достигнуть реальных бизнес-результатов. Итоги сотрудничества с Eastwind превзошли наши ожидания: за месяц мы получили пять ML-моделей в проде, +7,3% прирост к выручке и снизили отток на 10,4%.
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.
Запишитесь на консультацию, если планируете внедрить ML-модели
