חיזוי נטישה מונחה בינה מלאכותית: Uplift ו-NBO לתקשורת

חיזוי נטישת מנויים עם דיוק של >85%: ניסיון יישום

מפעיל מוציא מיליונים על רכישת מנויים אך מאבד עד 30% מהבסיס בתוך ששת החודשים הראשונים. עלות הרכישה גבוהה פי 5–7 מעלות השימור — כל יחידה שאבדה היא הפסד ישיר. לפי דוחות בתעשייה, מפעילים עם מערכות AI מפחיתים נטישה בממוצע ב-20%. בפרויקט עבור מפעיל עם 5 מיליון מנויים, הפחתנו נטישה ב-18% ברבעון אחד, ושמר�ו על למעלה מ-30,000 מנויים. אנו בונים מערכות AI שמנבאות נטישה בדיוק של >85% ומציעות מה להציע למי. בקשו דוח אנליטי על הנתונים שלכם — נראה לכם אילו פלחים נמצאים בסיכון.

אילו סימנים משפיעים על נטישה?

קבוצות מאפיינים מרכזיות: שימוש בשירותים (קול, נתונים, SMS), פיננסים (ARPU, עיכובים), אינטראקציות עם תמיכה, והקשר תחרותי. מגמות חשובות במיוחד — למשל, ירידה בצריכת נתונים ב-30 הימים האחרונים בהשוואה לתקופה הקודמת. הנדסת מאפיינים ממערכות BSS/OSS כוללת:

features_usage = {
    'voice_outgoing_min_30d': sum(voice_outgoing_last_30d),
    'voice_incoming_min_30d': sum(voice_incoming_last_30d),
    'unique_called_numbers': len(unique_called_30d),
    'data_usage_gb_30d': sum(data_usage_last_30d),
    'data_usage_trend': data_30d - data_60_30d,
    'arpu': avg_monthly_revenue,
    'arpu_trend': arpu_30d - arpu_90d,
    'payment_delays': count(payment_delay > 5d),
    'last_payment_days_ago': days_since_last_payment
}

אינטראקציה עם המפעיל:

features_interaction = {
    'cs_contacts_30d': count(support_contacts_last_30d),
    'complaints_90d': count(formal_complaints_90d),
    'nps_score': last_nps_response,
    'app_logins_30d': mobile_app_logins_count
}

הקשר תחרותי: מספרים שהועברו למתחרה (MNP ברמת פלח), הפרש מחיר מול תעריף מקביל — ככל שהפער גדול יותר, כך סיכון הנטישה גבוה יותר.

למה מודל Uplift עדיף על סיווג נטישה

הגישה הנאיבית היא לתת הנחה לכל מי שעלול לעזוב. הבעיה: חלק מהמנויים יישארו בכל מקרה (בטוחים), חלק יעזבו גם עם הנחה (אבודים). ההנחה נחוצה רק ל"משתכנעים" — אלה שההצעה יכולה להטות אותם להישאר. מודל uplift (ראו Uplift modelling) מעריך את האפקט הסיבתי:

Uplift = P(נשאר | קיבל טיפול) - P(נשאר | לא קיבל טיפול)

כוונו לאלה עם uplift > 0. מטא-לומד (T-Learner) בונה שני מסווגים — לטיפול ולבקרה:

model_treatment = LightGBMClassifier().fit(X_treated, y_treated)
model_control = LightGBMClassifier().fit(X_control, y_control)
uplift = model_treatment.predict_proba(X)[:, 1] - model_control.predict_proba(X)[:, 1]

זה מניב 20% יותר מנויים שנשמרו באותו תקציב מאשר דירוג פשוט לפי הסתברות נטישה. בנוסף ל-T-Learner, אנו משתמשים ב-S-Learner (מסווג אחד עם מאפיין טיפול) וב-X-Learner (למידה צולבת). בפועל, T-Learner נותן את ה-uplift הטוב ביותר עם גודל מדגם מספק, בעוד X-Learner חזק יותר מול חוסר איזון. הבחירה תלויה בהיקף קמפיין השימור ובחלק יחסי הטיפול.

איך להתאים אישית הצעות שימור?

חיזוי מי יעזוב אינו מספיק — צריך להחליט מה להציע. Next Best Offer (NBO) — מודל רב-מחלקתי שבוחר את ההצעה: הנחה, חבילת גלישה, שדרוג תעריף, או נדידה חינם. הוא מתחשב ב-CLV, ARPU, סוג צריכה, והיסטוריית הצעות. תזמון קריטי: 30–60 ימים לפני סיום חוזה, אחרי NPS שלילי (תוך 48 שעות), אחרי תלונה לשירות לקוחות (מיד).

מאפייני נטישה בטלקום

סוגי נטישה: נטישה מרצון (עזיבה מודעת), נטישה בלתי-רצונית (ניתוק עקב אי-תשלום), נטישה מוקדמת (90 הימים הראשונים). עבור קדם-תשלום, נטישה מוגדרת לפי חוסר פעילות: 30/60/90 ימים ללא טעינה.

חוזה מול קדם-תשלום: פוסט-תשלום יש לו תאריך סיום ברור; המודל מנבא נטישה בזמן חידוש. קדם-תשלום אין לו חוזה; נטישה מוגדרת לפי חוסר פעילות.

מודלים מרובי-אופק

שלבים לבניית מודל נטישה

1. איסוף ואיגוד נתונים — ייצוא מ-BSS/OSS, CRM, CDR ל-6–12 חודשים.
2. הנדסת מאפיינים — חישוב מאפייני שימוש, פיננסיים, אינטראקציה ומגמות.
3. אימון מודל בסיס — LightGBM / XGBoost עם walidacja צולבת מבוססת זמן.
4. בניית מודל uplift — T-Learner או S-Learner עם הערכת CATE.
5. כיול NBO — מודל רב-מחלקתי המתחשב ב-CLV ותקציב.
6. בדיקות A/B — השוואת קמפיינים עם ובלי המודל.

מדדי הערכת מודל

מה כוללת העבודה

• דוח אנליטי מפורט על גורמי נטישה ופילוח
• מודל ML (נטישה + uplift + NBO) עם API לשילוב
• שילוב עם CRM ושליחת קמפיינים
• תיעוד והכשרת צוות עבור המפעיל
• תמיכה ל-3 חודשים לאחר ההשקה

לוח זמנים ועלות

מודל נטישה בסיסי על נתוני BSS – 4–5 שבועות. מערכת מלאה עם uplift, NBO ושילוב CRM – 3–4 חודשים. העלות מחושבת באופן אישי, לפי נפח נתונים ומורכבות. ההחזר מגיע מהפחתת נטישה של 15–30%: עבור מפעיל עם בסיס של מיליון מנויים, החיסכון יכול להיות משמעותי.

למה לעבוד איתנו

אנחנו צוות של מהנדסי ML בכירים עם ניסיון של 7+ שנים בטלקום. השלמנו 15+ פרויקטים של חיזוי נטישה עבור מפעילים ברוסיה ובחבר המדינות. אנו מבטיחים איכות: המודלים שלנו עוברים בדיקות A/B ומספקים תוצאות עסקיות מדידות. מוסמכים ב-AWS SageMaker ו-PyTorch. קבלו פיילוט על הנתונים שלכם תוך שבועיים — צרו קשר לייעוץ.

טעויות נפוצות שיש להימנע מהן

• התעלמות ממאפייני מגמה: רבים מסתמכים רק על מדדים נקודתיים כמו ARPU נוכחי, ומפספסים את הסימנים המוקדמים בירידת השימוש.
• שימוש רק במודל סיווג ללא uplift: מוביל לבזבוז תקציב על בטוחים ואבודים.
• אי-כיול NBO למגבלות תקציב: הצעת יותר מדי למשתמשים עם CLV גבוה מבלי להתחשב בעלות הכוללת של הקמפיין.
• תזמון לקוי: שליחת הצעות מאוחר מדי או מוקדם מדי מפחיתה את האפקטיביות.

בקשו דוח אנליטי על הנתונים שלכם — נראה לכם אילו פלחים נמצאים בסיכון. צרו קשר כדי לדון במקרה הספציפי שלכם.