Дмитрий Коплович, 25 июня 2026
Отток абонентов ШПД: как превратить удержание в управляемую экономику
Практичная экономика удержания для регионального провайдера. 2026 год.
Практичная экономика удержания для регионального провайдера. 2026 год.
Короткий вывод
Российский рынок фиксированного ШПД уже давно не растет за счет массового первого подключения квартир к интернету. В 2026 году эта тема стала ещё важнее, чем несколько лет назад. Рынок домашнего интернета зрелый, конкуренция в многоквартирных домах плотная, стоимость подключения и обслуживания растет, а тарифы приходится индексировать осторожно.
Это делает отток особенно дорогим. Потерянный абонент редко “просто исчезает”, чаще он усиливает конкурента на вашем же адресе, снижает плотность базы в доме и ухудшает окупаемость уже построенной сети. В зрелой базе удержание становится таким же источником финансового результата, как новые продажи.
Для регионального провайдера фиксированного ШПД управление оттоком — это не отдельный IT-проект и не разовая кампания со скидками. Это регулярный управленческий контур между биллингом, поддержкой, технической службой и коммерцией. Его задача проста: раньше замечать абонентов, которых еще можно удержать, понимать причину риска и тратить скидки, звонки и выезды только там, где они дают экономический смысл.
Российский рынок фиксированного ШПД уже давно не растет за счет массового первого подключения квартир к интернету. В 2026 году эта тема стала ещё важнее, чем несколько лет назад. Рынок домашнего интернета зрелый, конкуренция в многоквартирных домах плотная, стоимость подключения и обслуживания растет, а тарифы приходится индексировать осторожно.
Это делает отток особенно дорогим. Потерянный абонент редко “просто исчезает”, чаще он усиливает конкурента на вашем же адресе, снижает плотность базы в доме и ухудшает окупаемость уже построенной сети. В зрелой базе удержание становится таким же источником финансового результата, как новые продажи.
Для регионального провайдера фиксированного ШПД управление оттоком — это не отдельный IT-проект и не разовая кампания со скидками. Это регулярный управленческий контур между биллингом, поддержкой, технической службой и коммерцией. Его задача проста: раньше замечать абонентов, которых еще можно удержать, понимать причину риска и тратить скидки, звонки и выезды только там, где они дают экономический смысл.
Почему общий churn мало что говорит директору
Показатель оттока в процентах нужен, но сам по себе он слишком грубый. Два оператора могут иметь одинаковые 1,2% churn в месяц, но совершенно разное качество бизнеса. У одного уходят переехавшие абоненты и дачные сезонники, у другого — платежеспособные клиенты из домов, где конкурент запустил агрессивное промо. Управленческие действия в этих случаях совершенно разные.
Поэтому первым шагом стоит договориться о классификации оттока:
Такой разрез сразу меняет разговор на планерке. Вместо абстрактного “снизить churn на 0,2 п.п.” появляется конкретный вопрос: какие причины мы реально можем изменить за месяц, квартал и год?
Показатель оттока в процентах нужен, но сам по себе он слишком грубый. Два оператора могут иметь одинаковые 1,2% churn в месяц, но совершенно разное качество бизнеса. У одного уходят переехавшие абоненты и дачные сезонники, у другого — платежеспособные клиенты из домов, где конкурент запустил агрессивное промо. Управленческие действия в этих случаях совершенно разные.
Поэтому первым шагом стоит договориться о классификации оттока:
- неуправляемый отток: переезд вне зоны покрытия, расселение дома, смерть абонента, техническая невозможность продолжать услугу;
- ценовой отток: переход к конкуренту из-за тарифа, промо или пакетного предложения;
- сервисный отток: хронические обращения, аварии, плохой Wi-Fi, некачественный монтаж, слабая коммуникация поддержки;
- финансовый отток: долг, блокировка, нерегулярные платежи, уход в длительный спящий статус;
- продуктовый отток: старый тариф, отсутствие ценности в пакете, низкая вовлеченность в дополнительные услуги.
Такой разрез сразу меняет разговор на планерке. Вместо абстрактного “снизить churn на 0,2 п.п.” появляется конкретный вопрос: какие причины мы реально можем изменить за месяц, квартал и год?
Где оператор обычно теряет управляемые деньги
На практике самая дорогая часть оттока часто прячется не в заявках на отключение, а раньше: в повторных обращениях, долгах до блокировки, аварийных домах и адресах, где конкурент начал активную продажу. Если компания реагирует только на финальную заявку “прошу расторгнуть договор”, она приходит слишком поздно и вынуждена покупать лояльность скидкой.
Важный принцип: скидка — не первый инструмент удержания. Если причина в качестве, скидка без исправления сети только покупает еще один месяц недовольства. Если причина в переезде вне зоны покрытия, скидка вообще не нужна. Если причина в цене, скидка должна быть ограниченной, измеримой и привязанной к марже.
На практике самая дорогая часть оттока часто прячется не в заявках на отключение, а раньше: в повторных обращениях, долгах до блокировки, аварийных домах и адресах, где конкурент начал активную продажу. Если компания реагирует только на финальную заявку “прошу расторгнуть договор”, она приходит слишком поздно и вынуждена покупать лояльность скидкой.
Сигнал риска | Что он означает | Первое действие |
Просрочка 3–7 дней у абонента с нормальной историей | вероятность финансового оттока или забытый платеж | мягкое напоминание, автоплатеж, обещанный платеж |
2+ обращения за 30 дней | проблема еще не стала отключением, но доверие уже падает | звонок старшего специалиста, проверка фактического решения |
Повторные аварии по адресу | риск группового оттока в доме | технический план по дому, коммуникация срока исправления |
Окончание промо или резкий рост цены | ценовой риск у чувствительного сегмента | персональный оффер с ограничением по сроку и марже |
Дом с активным конкурентом | риск перетока целого адреса | адресная кампания, контроль качества, пакетное предложение |
Важный принцип: скидка — не первый инструмент удержания. Если причина в качестве, скидка без исправления сети только покупает еще один месяц недовольства. Если причина в переезде вне зоны покрытия, скидка вообще не нужна. Если причина в цене, скидка должна быть ограниченной, измеримой и привязанной к марже.
Экономика удержания: считать надо не лозунгами, а когортами
Топ-менеджеру нужна модель, которая отвечает на простой вопрос: сколько денег приносит конкретное действие удержания после учета всех затрат. Для этого полезно разделить три величины: ARPU, маржинальный доход и стоимость замещения абонента.
ARPU показывает выручку, но не показывает прибыльность абонента.
Маржинальный доход показывает, сколько остается после переменных затрат на обслуживание.
Стоимость привлечения нового абонента важна, но это разовая величина и она зависит от канала, дома, технологии, оборудования и промо.
Корректнее считать эффект по месячным когортам. Например, оператор удержал группу абонентов в июле. Дальше нужно смотреть, сколько из них осталось через 1, 3, 6 и 12 месяцев, какую скидку им дали, сколько стоили звонки, SMS, выезды и оборудование, и пришлось ли бы компании реально привлекать новых абонентов вместо ушедших.
Если из 576 потенциально управляемых отключений компания удерживает 58 абонентов в месяц, и каждый из них остается в базе в среднем еще 6 месяцев, сохраненный маржинальный доход по одной месячной когорте составит около 92 тыс. руб.: 58 × 6 × 480 × 55%.
Если такой результат повторяется каждый месяц, годовой эффект уже становится заметным для бизнеса. Только сохраненная маржа дает около 1,1 млн руб. в год. Если по этим абонентам действительно не пришлось делать замещающие подключения, можно отдельно добавить избегаемый CAC — еще около 2,1 млн руб. в год. Итого до скидок и операционных затрат получается примерно 3,2 млн руб. годового эффекта.
Такой расчет хорош тем, что директор видит не абстрактный “эффект от удержания”, а диапазон. Его можно быстро уточнить внутренними данными: фактической маржей, стоимостью контакта, размером скидок, сроком жизни удержанных абонентов и реальным CAC по каналам продаж.
Топ-менеджеру нужна модель, которая отвечает на простой вопрос: сколько денег приносит конкретное действие удержания после учета всех затрат. Для этого полезно разделить три величины: ARPU, маржинальный доход и стоимость замещения абонента.
ARPU показывает выручку, но не показывает прибыльность абонента.
Маржинальный доход показывает, сколько остается после переменных затрат на обслуживание.
Стоимость привлечения нового абонента важна, но это разовая величина и она зависит от канала, дома, технологии, оборудования и промо.
Корректнее считать эффект по месячным когортам. Например, оператор удержал группу абонентов в июле. Дальше нужно смотреть, сколько из них осталось через 1, 3, 6 и 12 месяцев, какую скидку им дали, сколько стоили звонки, SMS, выезды и оборудование, и пришлось ли бы компании реально привлекать новых абонентов вместо ушедших.
Параметр | Пример для расчета | Зачем нужен |
База | 80 000 абонентов | масштаб оператора |
Gross churn | 1,2% в месяц | 960 отключений в месяц до детализации причин |
Управляемая часть | 60% от оттока | абоненты, где действие оператора потенциально влияет на результат |
ARPU | 480 руб./мес. | рабочее допущение для конкретного оператора, не универсальная рыночная норма |
Маржинальность | 55% | перевод выручки в вклад в покрытие |
CAC | 3 000 руб. | разовая оценка стоимости замещения, которую нужно подтвердить внутренними данными |
Если такой результат повторяется каждый месяц, годовой эффект уже становится заметным для бизнеса. Только сохраненная маржа дает около 1,1 млн руб. в год. Если по этим абонентам действительно не пришлось делать замещающие подключения, можно отдельно добавить избегаемый CAC — еще около 2,1 млн руб. в год. Итого до скидок и операционных затрат получается примерно 3,2 млн руб. годового эффекта.
Сценарий | Что считаем | Оценка эффекта |
Консервативный | только сохраненная маржа | около 92 тыс. руб. на месячную когорту / 1,1 млн руб. в год |
Базовый | маржа + часть избегаемого CAC | между 1,1 и 3,2 млн руб. в год |
Агрессивный | маржа + полный избегаемый CAC | около 266 тыс. руб. на месячную когорту / 3,2 млн руб. в год |
Такой расчет хорош тем, что директор видит не абстрактный “эффект от удержания”, а диапазон. Его можно быстро уточнить внутренними данными: фактической маржей, стоимостью контакта, размером скидок, сроком жизни удержанных абонентов и реальным CAC по каналам продаж.
Первый уровень: триггеры без покупки новой платформы
Начинать стоит не с ML, а с дисциплины реакции на понятные события. Большинство нужных сигналов уже есть в биллинге, helpdesk, мониторинге и платежной истории. Проблема обычно не в отсутствии данных, а в том, что они не превращены в регулярное действие с ответственным, сроком и результатом.
Начинать стоит не с ML, а с дисциплины реакции на понятные события. Большинство нужных сигналов уже есть в биллинге, helpdesk, мониторинге и платежной истории. Проблема обычно не в отсутствии данных, а в том, что они не превращены в регулярное действие с ответственным, сроком и результатом.
- Долг до блокировки: отдельные сценарии для забывчивого платежа, хронического должника и ценного абонента с хорошей историей.
- Повторные обращения: автоматический флаг риска после нескольких контактов и контроль закрытия проблемы.
- Заявка на отключение: быстрая классификация причины, ограниченная матрица офферов, запрет на бессистемные скидки.
- Аварийный дом: работа не с отдельной жалобой, а с адресом как с рисковой единицей.
- Старый тариф и отсутствие допуслуг: предложение не “дороже”, а “ценнее” — пакет, скорость, ТВ, видеосервис, видеонаблюдение, роутер.
Второй уровень: сегментация для ограниченного ресурса удержания
Команда удержания всегда ограничена: нельзя качественно звонить всем, нельзя всем давать скидку, нельзя отправлять мастера на каждый слабый сигнал. Поэтому нужен приоритет.
Простая RFM-сегментация может быть стартом, но для ШПД ее недостаточно. В домашнем интернете платежная регулярность не всегда равна лояльности: абонент может платить автоплатежом и одновременно быть недовольным качеством. Поэтому коммерческие признаки нужно соединять с техническими и адресными.
Хороший первый скоринг может быть очень простым: риск × ценность × управляемость причины. В приоритет попадают не все “красные” абоненты, а те, где оператор понимает, что именно может сделать и какой финансовый результат это даст.
Команда удержания всегда ограничена: нельзя качественно звонить всем, нельзя всем давать скидку, нельзя отправлять мастера на каждый слабый сигнал. Поэтому нужен приоритет.
Простая RFM-сегментация может быть стартом, но для ШПД ее недостаточно. В домашнем интернете платежная регулярность не всегда равна лояльности: абонент может платить автоплатежом и одновременно быть недовольным качеством. Поэтому коммерческие признаки нужно соединять с техническими и адресными.
Группа признаков | Что смотреть |
Платежи | просрочки, блокировки, автоплатеж, обещанный платеж, средний чек |
Сервис | обращения, повторные заявки, время решения, жалобы на Wi-Fi |
Сеть | аварии по адресу, деградация скорости, перезагрузки оборудования, повторные выезды |
Коммерция | тариф, срок после подключения, окончание промо, скидка, пакет услуг |
Адрес | конкуренты в доме, новые промо, массовые отключения, тип жилья |
Хороший первый скоринг может быть очень простым: риск × ценность × управляемость причины. В приоритет попадают не все “красные” абоненты, а те, где оператор понимает, что именно может сделать и какой финансовый результат это даст.
Третий уровень: ML как усилитель, а не замена процесса
ML-модель имеет смысл только после того, как компания научилась работать со списками риска вручную: звонить, фиксировать причину, оффер, результат, повторный статус через 30/60/90 дней. Без этого модель будет производить вероятности, которые не превращаются в управленческое действие.
На первом пилоте не нужна тяжелая “AI-платформа”. Достаточно модели, которая ранжирует абонентов по риску ухода и объясняет, какие признаки на это повлияли. CatBoost подходит для такой задачи: он хорошо работает с табличными данными из биллинга, CRM и технических систем. Но качество результата зависит не от названия библиотеки, а от качества данных и правильного определения оттока.
ML-модель имеет смысл только после того, как компания научилась работать со списками риска вручную: звонить, фиксировать причину, оффер, результат, повторный статус через 30/60/90 дней. Без этого модель будет производить вероятности, которые не превращаются в управленческое действие.
На первом пилоте не нужна тяжелая “AI-платформа”. Достаточно модели, которая ранжирует абонентов по риску ухода и объясняет, какие признаки на это повлияли. CatBoost подходит для такой задачи: он хорошо работает с табличными данными из биллинга, CRM и технических систем. Но качество результата зависит не от названия библиотеки, а от качества данных и правильного определения оттока.
- Не смешивать все причины ухода в одну корзину: долг, недовольство качеством и переход к конкуренту требуют разных действий.
- Прогнозировать на тот срок, в который компания успевает среагировать: для долга это недели, для качества и тарифа — один-два месяца.
- Проверять модель деньгами: сколько дополнительных абонентов удержали по сравнению с контрольной группой и сколько это стоило.
- Оставить AUC и другие технические метрики аналитикам; для директора главный показатель — дополнительная маржа после скидок и затрат.
Что показывают публичные кейсы ML в телекоме
Открытые кейсы по прогнозированию оттока в телекоме показывают одну и ту же закономерность: ценность дает не сама модель, а связка “сигнал риска → правильное действие → проверка результата”. Для фиксированного ШПД из этого следуют несколько практических выводов.
Самый полезный для оператора вывод — даже не “ML работает”. Полезнее другое: обычная модель риска быстро упирается в вопрос, что делать с найденным абонентом.
Следующий уровень зрелости — uplift-подход: модель ищет не тех, кто с высокой вероятностью уйдет, а тех, кого действие оператора действительно может удержать. Для регионального ШПД это особенно важно, потому что ресурс удержания ограничен, а лишний звонок или скидка могут ухудшить экономику.
Открытые кейсы по прогнозированию оттока в телекоме показывают одну и ту же закономерность: ценность дает не сама модель, а связка “сигнал риска → правильное действие → проверка результата”. Для фиксированного ШПД из этого следуют несколько практических выводов.
Кейс / подход | Что показал | Вывод для ШПД-провайдера |
Orange Belgium, uplift-моделирование | важно предсказывать не просто риск ухода, а эффект конкретного удерживающего действия | нужны контрольные группы: иначе оператор будет звонить тем, кто и так остался бы |
SyriaTel, churn prediction на больших данных | добавление социальных/сетевых признаков заметно улучшило качество модели | для ШПД аналогом могут быть признаки дома, адреса, аварийности, конкурентов и групповых отключений |
Кейсы near-future churn / win-back | среди сильных сигналов часто оказываются платежное поведение и изменение использования услуги | в биллинге и сетевой статистике уже есть ранние признаки риска; не обязательно начинать с дорогой платформы |
Explainable AI и QoE-подход | качество клиентского опыта может быть сильнее сырых технических счетчиков | важно переводить аварии, скорость, Wi-Fi и обращения в понятный показатель опыта абонента |
Самый полезный для оператора вывод — даже не “ML работает”. Полезнее другое: обычная модель риска быстро упирается в вопрос, что делать с найденным абонентом.
Следующий уровень зрелости — uplift-подход: модель ищет не тех, кто с высокой вероятностью уйдет, а тех, кого действие оператора действительно может удержать. Для регионального ШПД это особенно важно, потому что ресурс удержания ограничен, а лишний звонок или скидка могут ухудшить экономику.
Что должно попасть в управленческий план
- Единый словарь причин оттока и обязательное заполнение причины при отключении.
- Еженедельный отчет по churn в разрезе районов, домов, тарифов, технологий, причин и каналов продаж.
- Триггеры раннего риска: долг, повторные обращения, аварийные адреса, окончание промо, активность конкурента.
- Матрица действий: кому звонить, кому писать, кому давать скидку, кому отправлять техника, кого не удерживать.
- Контрольные группы для ключевых сценариев удержания.
- Финансовая модель по марже, скидкам, стоимости контакта и сроку жизни удержанной когорты.
- Пилот ML только после того, как первые шесть пунктов работают стабильно.
Итог
Удержание абонентов ШПД — это не история про искусственный интеллект. Это история про управляемость. Оператор должен видеть, где отток неизбежен, где он сам создал проблему качеством, где конкурент забирает адрес, где абонент просто забыл заплатить, а где скидка не окупится никогда.
Самый сильный проект начинается с простых вещей: чистые причины отключений, ранние триггеры, контрольная группа, расчет на марже и дисциплина исполнения. Когда это работает, сегментация и ML действительно помогают. До этого они только добавляют сложности к процессу, которого еще нет.
Источники
Допущения для примера расчета
Значения churn 1,2%, управляемой части 60%, ARPU 480 руб., маржинальности 55% и CAC 3000 руб. приведены как демонстрационный сценарий. Для конкретного оператора их лучше заменить внутренними данными.
Удержание абонентов ШПД — это не история про искусственный интеллект. Это история про управляемость. Оператор должен видеть, где отток неизбежен, где он сам создал проблему качеством, где конкурент забирает адрес, где абонент просто забыл заплатить, а где скидка не окупится никогда.
Самый сильный проект начинается с простых вещей: чистые причины отключений, ранние триггеры, контрольная группа, расчет на марже и дисциплина исполнения. Когда это работает, сегментация и ML действительно помогают. До этого они только добавляют сложности к процессу, которого еще нет.
Источники
- TMT Consulting: российский рынок телекоммуникаций. Использовано для общего контекста роста телеком-рынка и роли фиксированного ШПД.
- TMT Consulting: рост тарифов домашнего интернета. Использовано для контекста индексации тарифов и роста стоимости услуги.
- CatBoost: официальный сайт. Использовано для описания CatBoost как open-source библиотеки градиентного бустинга с поддержкой категориальных признаков.
- Orange Belgium uplift benchmark: A churn prediction dataset from the telecom sector. Использовано для вывода о важности uplift-моделирования и контрольных групп в удержании.
- SyriaTel case: Customer churn prediction in telecom using machine learning and social network analysis. Использовано как пример того, что дополнительные сетевые и поведенческие признаки могут заметно улучшать модель.
- Predicting Near-Future Churners and Win-Backs in the Telecommunications Industry. Использовано для вывода о роли платежных признаков и изменения использования услуги в прогнозировании ближайшего оттока.
- From Network Experience to Subscriber Retention: An Explainable AI Framework for Mobile Operators. Использовано для вывода о роли качества клиентского опыта и объяснимости модели.
Допущения для примера расчета
Значения churn 1,2%, управляемой части 60%, ARPU 480 руб., маржинальности 55% и CAC 3000 руб. приведены как демонстрационный сценарий. Для конкретного оператора их лучше заменить внутренними данными.