ПРИМЕНЕНИЕ МОДЕЛЕЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ПРОГНОЗИРОВАНИЯ ОТТОКА КЛИЕНТОВ: ПРЕИМУЩЕСТВА ДЛЯ БИЗНЕСА
Том 4 № 8 (2026): Центральноазиатский журнал академических исследований 38-44
Аннотация
Статья посвящена применению моделей искусственного интеллекта и машинного обучения для прогнозирования оттока клиентов (customer churn) в телекоммуникационной отрасли и смежных сферах обслуживания. Согласно проведённому анализу, телекоммуникационный сектор занимает первое место среди крупных отраслей по ежегодному уровню оттока, который превышает 30%. Различные авторы демонстрируют, что модели Random Forest, XGBoost, CatBoost и их ансамблевые комбинации способны достигать точности (accuracy) от 88% до 99%. В работе разбираются конкретные бизнес-преимущества внедрения подобных моделей: сокращение затрат на удержание клиентов, кратно более высокая - в 3-14 раз - вероятность успешной продажи действующему клиенту по сравнению с новым, а также итоговый рост прибыли компании.
Ключевые слова:
Библиографические ссылки
Chang V., Hall K., Xu Q. A., Amao F. O., Ganatra M. A., Benson V. Prediction of Customer Churn Behavior in the Telecommunication Industry Using Machine Learning Models // Algorithms. 2024. Vol. 17, No. 6. P. 231. DOI: 10.3390/a17060231
Reichheld F. F., Sasser W. E. Jr. Zero Defections: Quality Comes to Services // Harvard Business Review. 1990. Vol. 68, No. 5. P. 105-111.
Yotpo. Customer Acquisition Vs. Retention: Which Drives Profit? [Электронный ресурс]. Yotpo, 2025. URL: https://www.yotpo.com/blog/cost-of-customer-acquisition-vs-retention/
Ullah I., Raza B., Malik A. K., Imran M., Islam S. U., Kim S. W. A Churn Prediction Model Using Random Forest: Analysis of Machine Learning Techniques for Churn Prediction and Factor Identification in Telecom Sector // IEEE Access. 2019. Vol. 7. P. 60134-60149. DOI: 10.1109/access.2019.2914999
Wagh S. K., Andhale A. A., Wagh K. S., Pansare J. R., Ambadekar S. P., Gawande S. Customer Churn Prediction in Telecom Sector Using Machine Learning Techniques // Results in Control and Optimization. 2023. Vol. 14. Art. 100342.
Bhatnagar A., Srivastava S. Customer Churn Prediction: A Machine Learning Approach with Data Balancing for Telecom Industry // International Journal of Computing. 2025. Vol. 24, No. 1. P. 9-18.
Yuan J. et al. Telecom Customer Churn Prediction with Explainable Machine Learning // Proceedings of the 2025 2nd International Conference on Modeling, Natural Language Processing and Machine Learning (CMNM 2025). ACM, 2025. DOI: 10.1145/3757110.3757152
Krishna R., Jayanthi D., Shylu Sam D. S., Kavitha K., Maurya N. K., Benil T. Application of Machine Learning Techniques for Churn Prediction in the Telecom Business // Results in Engineering. 2024. Vol. 24. Art. 103165.
Sharma Poudel S., Pokharel S., Timilsina M. Explaining Customer Churn Prediction in Telecom Industry Using Tabular Machine Learning Models // Machine Learning with Applications. 2024. Vol. 17. Art. 100567. DOI: 10.1016/j.mlwa.2024.100567
El Attar A., El-Hajj M. Explainable AI-driven Customer Churn Prediction: A Multi-model Ensemble Approach with SHAP-based Feature Analysis // Frontiers in Artificial Intelligence. 2026. DOI: 10.3389/frai.2026.1748799
Breiman L. Random Forests // Machine Learning. 2001. Vol. 45, No. 1. P. 5-32. DOI: 10.1023/A:1010933404324
Lundberg S. M., Lee S.-I. A Unified Approach to Interpreting Model Predictions // Advances in Neural Information Processing Systems. 2017. Vol. 30. P. 4765-4774.
География читателей
Загрузки
Опубликован
Выпуск
Раздел
Как цитировать
