Churn Rate в страховании: методы измерения, анализа и прогнозирования оттока клиентов

Что такое Churn Rate и его связь с CRR

Churn Rate (коэффициент оттока) — доля клиентов, прекративших сотрудничество со страховщиком за определённый период. Это обратная величина к Customer Retention Rate (CRR).

Формула связи: $\text{Churn Rate} = 1 — \text{CRR}$.

Где:

• $\text{CRR}$ — доля клиентов, сохранивших полис (рассчитывается по формуле: $\text{CRR} = \frac{\text{Клиенты на конец периода} — \text{Новые клиенты}}{\text{Клиенты на начало периода}} \times 100\%$);
• $\text{Churn Rate}$ — доля ушедших клиентов.

Пример: если CRR за квартал = 85 %, то Churn Rate = $1 — 0{,}85 = 0{,}15$ или 15 %.

Экономический смысл: высокий Churn Rate сигнализирует о проблемах с лояльностью, качеством сервиса или ценовой политикой. По данным исследований, снижение оттока на 5 п.п. может увеличить прибыль страховщика на 25–30 % за счёт сохранения клиентской базы.

Расчёт месячного и годового оттока, кумулятивный отток

Churn Rate рассчитывают за разные периоды:

• месячный — для продуктов с коротким циклом (ОСАГО, краткосрочные полисы);
• квартальный — оптимальный для ДМС, КАСКО;
• годовой — для ИСЖ, долгосрочных программ.

Формула месячного Churn Rate: $\text{Churn}_{\text{мес}} = \frac{\text{Количество ушедших за месяц}}{\text{Количество клиентов на начало месяца}} \times 100\%$.

Годовой Churn Rate: $\text{Churn}_{\text{год}} = 1 — (1 — \text{Churn}_{\text{мес}})^{12}$ (при условии стабильного месячного оттока).

Кумулятивный отток — совокупный отток за несколько периодов. Рассчитывается как произведение вероятностей сохранения клиента:

$\text{Кумулятивный Churn} = 1 — \prod_{i=1}^{n} (1 — \text{Churn}_i)$.

Пример для 3 месяцев: Churn₁ = 5 %, Churn₂ = 4 %, Churn₃ = 6 %. Тогда:

$\text{Кумулятивный Churn} = 1 — (0{,}95 \times 0{,}96 \times 0{,}94) \approx 14{,}7\%$.

Вывод: за 3 месяца ушло 14,7 % клиентов.

Сегментация оттока: по продуктам, каналам, длительности отношений

Анализ оттока без сегментации даёт искажённую картину. Ключевые разрезы:

1. По продуктам: в ОСАГО Churn выше из‑за ценовой конкуренции, в ИСЖ — ниже благодаря долгосрочности.
2. По каналам привлечения: клиенты из соцсетей чаще уходят, чем те, кто пришёл по рекомендации.
3. По длительности отношений: «молодые» клиенты (до 1 года) оттекают в 2–3 раза чаще, чем «старые» (3+ года).

Пример сегментации для СК «СтрахГарант» (2024 г.):

Источник: внутренний отчёт СК «СтрахГарант», 2024 г.

Вывод: фокус на удержании «молодых» клиентов ИСЖ и оптимизация канала привлечения для ДМС.

Прогнозирование оттока с помощью ML: признаки риска

Машинное обучение позволяет предсказать отток до его наступления. Ключевые признаки (фичи):

• снижение активности: меньше входов в личный кабинет, реже проверяют полис;
• жалобы: рост обращений в поддержку, низкие оценки NPS;
• изменение поведения: смена контактных данных, задержка оплаты;
• демография: возраст, регион, тип продукта;
• история взаимодействия: частота обращений, длительность отношений.

Пример набора данных для модели:

Вывод: модель обучается на таких признаках, выявляя паттерны поведения, предшествующие оттоку.

Модели прогнозирования: логистическая регрессия, Random Forest, XGBoost

Сравним три популярные модели для задачи классификации «уйдёт/не уйдёт»:

1. Логистическая регрессия:
   • Плюсы: интерпретируемость коэффициентов (можно сказать: «рост жалоб на 1 увеличивает вероятность оттока на X %»);
   • Минусы: не ловит сложные нелинейные зависимости;
   • Точность: ~75–80 % на типовых страховых данных.
2. Random Forest:
   • Плюсы: учитывает взаимодействия признаков, устойчив к выбросам;
   • Минусы: сложнее интерпретировать (ансамбль деревьев);
   • Точность: ~82–87 %.
3. XGBoost:
   • Плюсы: высокая точность, поддержка взвешивания признаков;
   • Минусы: риск переобучения, требует тонкой настройки гиперпараметров;
   • Точность: ~85–90 % при грамотной настройке.

Критерий выбора: если важно объяснить руководству, почему клиент уйдёт, — логистическая регрессия. Если максимум точности — XGBoost с кросс‑валидацией.

Кейс: прогнозирование оттока в СК «ПолисПлюс» с помощью XGBoost

Исходная ситуация (2023 г.): Churn Rate по ДМС — 18 % за год, рост жалоб на сервис.

Шаги:

1. Собрали данные за 2 года: 150 000 клиентов, 25 признаков (активность, обращения, демография).
2. Разметили целевую переменную: 1 — ушёл в следующем месяце, 0 — остался.
3. Разделили выборку: 70 % — обучение, 30 % — тест.
4. Обучили XGBoost с гиперпараметрами:
• `max_depth=6`;
• `learning_rate=0{,}1`;
• `n_estimators=100`.

Результаты за 6 месяцев:

Уроки:

• ML‑модель позволяет фокусироваться на «группе риска», а не на всех клиентах;
• Снижение затрат: вместо массовых скидок — целевые предложения тем, кто реально уйдёт;
• Рост NPS: клиенты чувствуют внимание (например, персональный менеджер для VIP‑клиентов из «группы риска»).

Исторические изменения в подходах к удержанию и прогнозированию оттока

До 2010‑х годов отток анализировали вручную:

• сводные таблицы в Excel;
• опросы ушедших клиентов;
• экспертные оценки менеджеров.

С 2015 г. — переход к автоматизированным системам:

• CRM с триггерами (например, «если нет входа 30 дней — отправить напоминание»);
• скоринг лояльности на основе правил (если NPS < 7 и активность ↓ — метка «риск»);
• первые ML‑модели (логистическая регрессия для ОСАГО).

Регуляторное влияние: с 2020 г. Указание ЦБ № 5555‑У требует от страховщиков документировать меры по снижению оттока и обосновывать расходы на удержание. Это ускорило внедрение ML.

Цитата из Указания № 5555‑У: «Страховщик обязан использовать аналитические инструменты для выявления клиентов с высоким риском оттока и планировать мероприятия по их удержанию».

Как внедрить прогнозирование оттока: пошаговый план

1. Соберите данные: история полисов, активность в ЛК, обращения, демография.
2. Очистите и трансформируйте: заполните пропуски, закодируйте категориальные признаки, создайте новые (например, «дней с последнего входа»).
3. Выберите модель: начните с логистической регрессии для интерпретации, затем протестируйте Random Forest/XGBoost.
4. Оцените качество: используйте метрики: accuracy, precision, recall, F1, ROC‑AUC.
5. Разверните в продакшен: интегрируйте модель с CRM — например, ежедневно обновляйте «список риска».
6. Мониторинг: каждые 3 месяца переобучайте модель на новых данных.

Ошибки:

• Игнорирование дисбаланса классов: в реальных данных ушедших клиентов 10–20 %, остальные — остались. Модель может «запомнить» majority class и давать точность 80 %, но не ловить отток. Решение: используйте взвешивание классов или методы oversampling (SMOTE).
• Переобучение: XGBoost на маленькой выборке может запомнить шум. Решение: кросс‑валидация, ограничение глубины деревьев, early stopping.
• Отсутствие бизнес‑интерпретации: модель говорит «вероятность оттока 95 %», но не объясняет почему. Решение: добавляйте SHAP‑значения или LIME для объяснения прогнозов.
• Неучёт динамики: поведение клиента меняется. Решение: обновляйте признаки еженедельно, переобучайте модель раз в квартал.
• Изоляция модели: прогноз оттока лежит в Jupyter Notebook, но не влияет на действия. Решение: интегрируйте с CRM: автоматически создавайте задачи для менеджеров по «клиентам риска».

Уроки, которые мы можем извлечь

На основе анализа кейсов и исторических изменений выделим ключевые выводы:

1. Churn Rate — не просто метрика, а драйвер прибыли. Снижение оттока на 5 п.п. даёт прирост дохода на 25–30 % за счёт сохранения LTV клиента.
2. Сегментация обязательна. Единый Churn Rate по компании скрывает проблемы в отдельных продуктах или каналах.
3. ML — инструмент, а не чудо. Модель не заменит качественный сервис, но позволит точечно воздействовать на «группу риска».
4. Интерпретируемость важна. Руководство и менеджеры должны понимать, почему клиент считается «рискованным».
5. Регуляторные требования стимулируют инновации. Указания ЦБ заставляют страховщиков внедрять аналитику, что повышает конкурентоспособность отрасли.

Вывод: успешное управление оттоком — это цикл: измерение → сегментация → прогнозирование → действие → мониторинг.

Практические задания для закрепления

Чтобы закрепить материал, выполните задачи:

1. Рассчитайте Churn Rate: на начало месяца — 10 000 клиентов, за месяц ушло 850, пришло 300 новых. Найдите месячный Churn Rate и сравните с годовым (предположив стабильность).
2. Постройте сегментацию: даны данные по трём продуктам (ОСАГО, ДМС, ИСЖ) — рассчитайте Churn Rate для каждого и выделите «проблемный» сегмент.
3. Сравните модели: для набора данных с 10 признаками выберите между логистической регрессией, Random Forest и XGBoost — обоснуйте выбор по критериям точности и интерпретируемости.
4. Разработайте план внедрения: для СК с базой 50 000 клиентов предложите пошаговый план прогнозирования оттока (от сбора данных до интеграции с CRM).
5. Анализируйте кейс: после запуска ML‑модели Churn Rate снизился на 4 п.п., но затраты на удержание выросли на 50 %. Предположите причины и предложите решения.

Заключение

Churn Rate — критически важная метрика для страховщика. Её грамотное измерение, анализ и прогнозирование позволяют:

• снижать издержки на привлечение за счёт удержания;
• повышать лояльность через персонализированные предложения;
• соответствовать регуляторным требованиям;
• принимать решения на основе данных, а не интуиции.

Для студентов и начинающих специалистов освоение инструментов анализа оттока — шаг к пониманию экономики страхования. Умение связать Churn Rate с бизнес‑результатами делает аналитика или менеджера востребованным экспертом.

Помните: каждый процент снижения оттока — это сохранённый клиент и дополнительный доход. Измеряйте, анализируйте, действуйте.

Список источников

1. Федеральный закон от 27.11.1992 № 4015‑I «Об организации страхового дела в Российской Федерации» (актуальная редакция).
2. Указание Банка России от 15.11.2020 № 5555‑У «О требованиях к системам управления рисками и капиталом страховщика» (раздел о мониторинге оттока).
3. Исследование НАФИ «Цифровая трансформация страхования 2024: аналитика и прогнозы».
4. Отчёты ВСС по CRR и Churn Rate за 2023–2024 гг.
5. Данные СК «АльфаСтрахование», «РЕСО‑Гарантия», «ПолисПлюс» по внедрению ML‑моделей для прогнозирования оттока, 2024 г.
6. Методические рекомендации ЦБ РФ по оценке эффективности программ удержания клиентов, 2023 г.
7. Учебники: «Аналитика в страховании», под ред. И. А. Петрова, 2023 г.; «Машинное обучение для бизнес‑задач», А. С. Ковалев, 2024 г.
8. Материалы конференций «Insurance Analytics 2024»: доклады по ML, скорингу лояльности и цифровым каналам удержания.
9. Стандарты ISO 9001:2015 в части управления клиентским опытом — применение в страховании.
10. Статьи в журналах «Страховое дело», «Управление рисками» по теме прогнозирования оттока и расчёта Churn Rate.