Предиктивные модели LTV: считаем, кто из лидов станет клиентом

Q: Сколько данных нужно для модели LTV?

Минимум двенадцать месяцев истории и от трёхсот клиентов с повторной покупкой.

Q: Какая точность считается хорошей?

Важен прирост: верхние 20% должны давать больше половины будущей выручки. Меньше полутора раз — не окупается.

Q: Можно ли обойтись без машинного обучения?

Да: правило по давности, частоте и сумме даёт основную часть эффекта.

Q: Как часто пересчитывать скор?

Раз в месяц. Чаще при коротком цикле покупки, реже при длинном.

Q: Что делать с клиентами с низким скором?

Не тратить на них бюджет удержания: стандартные коммуникации без персональных скидок.

Q: Сколько занимает внедрение?

От трёх до шести недель, из которых одна-три на встраивание в процесс.

Коротко: минимум год истории и 300 клиентов с повторной покупкой. Модель ранжирует по вероятности, действие планируется до обучения.

Что модель делает на самом деле

Предиктивная модель LTV не предсказывает будущее. Она ранжирует клиентов по вероятности на основе того, что уже произошло: как давно покупали, как часто, на какую сумму, как реагировали на письма.

Для бизнеса этого достаточно. Решение «кому звонить первым» и «на кого не тратить бюджет» принимается не по абсолютной цифре, а по порядку. Модель, которая ошибается в абсолютных значениях на треть, остаётся полезной, если порядок верный.

Путь предиктивной модели LTV: данные, признаки, модель, сегмент, действие по сегменту — Модель ранжирует, а не предсказывает. Для решения достаточно правильного порядка.

Что нужно для старта

Минимальные требования к данным
Требование	Минимум	Почему	Что делать, если нет
История заказов	12 месяцев	Нужны сезонность и повторность	Считать по имеющемуся периоду, признать погрешность
Клиентов с повторной покупкой	от 300	Меньше — модель не выучит закономерность	Начать с простых правил, не с модели
Идентификатор клиента	Обязательно	Без него нет связи заказов	Сначала навести порядок в идентификации
Маржа, а не выручка	Желательно	Выручка скрывает убыточных клиентов	Хотя бы переменные расходы по заказу
Данные о возвратах	Желательно	Возвраты меняют ценность клиента	Учитывать как отдельный признак позже

Главное требование — идентификатор клиента. Без него вся работа превращается в гадание.

Что модель даёт

Прирост выручки от модели: топ-10%, топ-20%, топ-30%, топ-50% клиентов по скору против случайного отбора — Топ-20% по скору дают 61% будущей выручки вместо 20% при случайном выборе.

Ценность считается просто: берётся группа, которой вы обычно звоните или на которую тратите бюджет, и сравнивается отдача. Если модель не даёт прироста хотя бы в полтора раза против случайного отбора, она не нужна.

Модель, которая не обгоняет простое правило «все, кто покупал за последние 90 дней», внедрять не стоит. Начните с правила.

Где применять

Пять применений и эффект
Применение	Как используется	Эффект	Сложность
Приоритет обзвона	Сначала верхние по скору	Плюс 20–40% к конверсии	Низкая
Бюджет на удержание	Тратим на верхние сегменты	Плюс 15–30% к отдаче	Низкая
Отказ от убыточных	Нижние сегменты не субсидируем	Экономия до 10% бюджета	Средняя
План закупки	Прогноз спроса по сегментам	Меньше замороженных денег	Высокая
Персональные предложения	Разное предложение по сегменту	Плюс 5–15% к повторным	Средняя

Начинать с приоритета обзвона: эффект большой, а сложность минимальная.

Начните с правила

Покупал за последние 90 дней — звоним первым. Если модель не обгоняет это правило, она не нужна.

Проверяйте на отложенной выборке

Обучите на прошлом году, проверьте на последнем квартале. Проверка на тех же данных ничего не доказывает.

Обновляйте раз в месяц

Скор устаревает: клиент, который купил вчера, уже другой. Раз в месяц — рабочая частота.

Держите модель простой

Три-пять признаков объясняют почти всё. Сложная модель хуже объясняется и не даёт ощутимого прироста.

Внедряйте действие, а не отчёт

Скор без изменения обзвона и бюджета не приносит ничего. Действие планируется до обучения модели.

Ошибки

Пять ошибок и цена
Ошибка	Как выглядит	Чем кончается	Как делать
Мало данных	Сто клиентов и три месяца истории	Модель запоминает шум	От 300 клиентов и года истории
Проверка на обучающих данных	Точность 95% на своей же выборке	Ложная уверенность	Отложенная выборка из другого периода
Выручка вместо маржи	Модель ищет клиентов с большими чеками	Находит убыточных	Считать по марже
Скор без действия	Отчёт со скорами лежит без дела	Ноль эффекта	Действие планируется до обучения
Сложная модель сразу	Градиентный бустинг на старте	Не объясняется и не внедряется	Начать с трёх признаков

Отчёт со скорами без запланированного действия — самый частый результат внедрения. Действие придумывают заранее.

FAQ: предиктивные модели LTV

Сколько данных нужно для модели LTV?

Минимум: двенадцать месяцев истории и от трёхсот клиентов с повторной покупкой. На меньшем объёме модель запоминает случайный шум и не обгоняет простое правило вида «покупал за последние 90 дней».

Какая точность считается хорошей?

Не точность важна, а прирост против случайного отбора. Рабочий ориентир: верхние 20% по скору дают более половины будущей выручки. Если прирост меньше полутора раз, модель не окупает внедрение.

Можно ли обойтись без машинного обучения?

Да, и часто нужно. Простое правило по давности, частоте и сумме покупки даёт основную часть эффекта. Машинное обучение оправдано, когда простых правил становится много и они начинают противоречить друг другу.

Как часто пересчитывать скор?

Раз в месяц для большинства e-commerce. Чаще имеет смысл при коротком цикле покупки, реже — при длинном, когда поведение меняется медленно.

Что делать с клиентами с низким скором?

Не тратить на них бюджет удержания. Это не значит их бросать: они получают стандартные коммуникации, но не персональные предложения и не скидки за счёт маржи.

Сколько занимает внедрение?

От трёх до шести недель: две недели на данные, одна на модель и проверку, одна-три на встраивание в процесс обзвона или распределение бюджета. Без последнего шага всё остальное не имеет смысла.

Вывод. Модель ранжирует, а не предсказывает, и в этом её ценность: топ-20% по скору дают 61% будущей выручки вместо 20% при случайном отборе. Начинать стоит с простого правила и проверять модель на отложенной выборке. Скор без запланированного действия не приносит ничего.

Предиктивные модели LTV: считаем, кто станет клиентом