Исходная ситуация
«ФитЛайф» управлял сетью из 8 фитнес-клубов. Проблема была знакомой для отрасли: новые клиенты активно ходят первые недели, затем частота посещений падает, абонемент не продлевается, а отдел продаж узнает об этом слишком поздно. Средний отток держался около 8% в месяц, и маркетинг постоянно компенсировал потери новыми лидами.
Руководство видело общую цифру churn, но не понимало, кто уйдет через две недели и почему. Менеджеры работали реактивно: звонили после пропуска платежа или ближе к окончанию абонемента. Для части клиентов это было уже поздно: мотивация потеряна, привычка не сформировалась, конкурент предложил скидку.
Решение
Мы внедрили AI-систему прогнозирования оттока. Модель анализировала посещения, заморозки, срок абонемента, активность в приложении, записи на групповые тренировки, покупки допуслуг, обращения в поддержку, жалобы и историю продлений. Для каждого клиента формировался риск ухода и объяснение: почему система считает клиента проблемным.
AI не просто выдавал список «красных» клиентов. Он рекомендовал действие: звонок тренера, бесплатная консультация, перенос заморозки, подбор другой группы, предложение семейного абонемента, персональная цель на 2 недели или разговор с менеджером по сервисной проблеме.
«AI предупреждает за 2 недели, менеджер успевает предложить вариант»
Ключевые сценарии
- раннее выявление клиентов с падением частоты посещений;
- скоринг риска перед окончанием абонемента;
- персональные рекомендации по удержанию;
- задачи менеджерам в CRM с приоритетом и дедлайном;
- контроль результата: клиент вернулся, продлил, отказался или требует другого сценария;
- дашборд по клубам, тренерам и причинам оттока.
Результаты
Через 3 месяца сеть снизила отток на 44% относительно базового периода. Самый сильный эффект появился в сегменте клиентов, которые переставали ходить после 4–6 недели: раньше их считали «потерянными молча», теперь менеджеры получали сигнал заранее.
ROI проекта достиг 580% за 6 месяцев. Экономика сложилась из сохраненных продлений, роста продаж персональных тренировок и снижения давления на рекламный бюджет. При этом команда продаж не стала звонить всем подряд: AI приоритизировал клиентов, у которых вероятность удержания была максимальной.
Почему модель сработала
Мы не ограничились одной метрикой посещений. Уход клиента редко объясняется только тем, что он «стал реже ходить». Иногда причина в неудобном расписании, конфликте с тренером, травме, переезде, отсутствии прогресса или том, что человек не понял, как встроить тренировки в режим. Поэтому модель учитывала поведенческие и сервисные сигналы вместе.
Важной частью стала объяснимость. Менеджер видел не абстрактные 82% риска, а причины: «3 недели без посещений», «не записывался на любимую группу», «абонемент заканчивается через 18 дней», «ранее продлевал после звонка тренера». Это помогло выбрать правильный тон разговора.