Возможные причины и как оптимизировать стратегию.
Причины роста заявок + увеличенного оттока
- Привлечение маргинальных/чувствительных к цене клиентов: динамика дала низкие ставки новым заявителям, но они легко уходят при повышении или при небольшом неудовлетворении.
- Волатильность и ощущение несправедливости: частые изменения цен и выдача разных условий разным клиентам подрывают доверие.
- Адверсный отбор: высокий отклик от более рискованных групп (ниже качества), которые затем чаще дефолтят или закрывают продукты.
- Неправильная сегментация/модели: модель ценообразования не учитывает влияние цены на долгосрочную лояльность (CLV) — оптимизация только на сиюминутную конверсию.
- Коммуникационные и операционные ошибки: клиенты не понимают условия, видят скрытые комиссии, или старые клиенты оказываются в менее выгодном положении.
- Конкурентная реакция: конкуренты специально делают удерживающие предложения, и банковские динамические цены нарушают «лояльностную» ценовую политику.
- Регуляторные/репутационные риски: клиенты чувствуют дискриминацию по каналам/гео и уходят.
Как оптимизировать стратегию (конкретно и коротко)
- Включить в оптимизацию пожизненную ценность, а не только конверсию. Например, максимизировать ожидаемую CLV:
$$\underset{p}{\max }E[CLV(p)]=\underset{p}{\max }\sum _{t=0}^T\frac{E[profi{t}_t(p)]}{(1+r{)}^t}$$ или в популяционном виде для каждого клиента i:
$$\underset{p}{\max }\sum _i{m}_i(p)\cdot a_i(p)\cdot (1-chur{n}_i(p)),$$ где $m_i$ — маржа, $a_i$ — вероятность принятия, $chur{n}_i$ — вероятность ухода.
- Учесть эластичности спроса и оттока при ценообразовании:
$${ϵ}_d=\frac{\Delta q/q}{\Delta p/p},{ϵ}_{ch}=\frac{\Delta churn/churn}{\Delta p/p}.$$ Оптимизировать с учётом того, что рост конверсии при снижении цены может повышать будущий churn.
- Ввести защитные ограничители (guardrails):
- лимит частоты и амплитуды изменений цен для одного клиента;
- «гарантии» или льготные условия для существующих клиентов (grandfathering);
- минимальные и максимальные ставки по сегментам.
- Сегментация + персонализация: различать стратегии для лояльных, новых и рискованных сегментов; предлагать retention-скидки ценой меньшей текущей маржи но с высокой долгосрочной выгодой.
- Регуляризованная оптимизация: добавить штраф за повышение churn в целевую функцию:
$$\underset{p}{\max }\sum _i\left[m_i(p)\cdot a_i(p)-\lambda \cdot chur{n}_i(p)\right],$$ где $\lambda$ — гиперпараметр, отражающий ценность удержания.
- A/B-тесты и каузальное оценивание: тестировать частоту изменения цен, формулировку коммуникаций, гарантии и фиксировать эффекты на CLV, churn, NPS.
- Улучшить коммуникацию и прозрачность: объяснять, почему цена меняется, давать калькуляции выгоды и опции защиты.
- Мониторинг и метрики: отслеживать не только заявки и конверсию, но и:
- отток по когортам (cohort churn),
- CLV по сегментам,
- долю повторных продаж/рефинансирования,
- NPS/жалобы и сегментационная маржинальность.
- Технические улучшения: скорректировать скоринговые модели (учесть признаки чувствительности к цене), учитывать конкурентные цены в реальном времени и интегрировать предикторы оттока в линейку решений.
Краткая последовательность действий
1) Оценить влияние цены на churn и CLV (каузально).
2) Пересчитать целевую функцию с учётом удержания (включить $\lambda$ или CLV).
3) Ввести guardrails (частота/амплитуда, grandfathering).
4) Запустить A/B тесты с мониторингом churn и CLV.
5) Итеративно скорректировать модель и коммуникацию.
Если нужно, могу предложить конкретную математическую постановку оптимизации с учётом ограничений, или шаблон A/B-теста для проверки гипотез.