«Прогноз оттока с точностью 95%» — фраза, которая продаёт инструмент, но редко объясняет, на каких данных получена. Мы разобрали 4 источника — от академических исследований до российского кейса на реальных розничных данных — и нашли, что многие «бенчмарки 2026» на деле ссылаются на данные и исследования куда более старые.
Точность моделей: разброс большой, сравнивать напрямую нельзя
| Модель | Точность |
|---|---|
| Логистическая регрессия (базовая) | ~77% |
| Random Forest / XGBoost | ~92% |
| Нейросеть (ANN) | ~92,09% |
| Стекинг-модель | ~92,8% (AUC 0,940) |
| Специализированная архитектура (подписки) | ~97% |
Цифры взяты из нескольких академических работ по машинному обучению — но сами авторы этих исследований предупреждают: датасеты, соотношение классов (сколько в выборке реально ушедших клиентов), набор признаков и методика оценки сильно различаются между работами, поэтому «92% у одних» и «92% у других» не всегда сопоставимы напрямую.
🪤 Находка: российский кейс реален, но не такой свежий, как кажется
Исследование на Cyberleninka анализирует данные 33 918 клиентов крупной российской торговой сети — расширение классической RFM-модели поведенческими паттернами повысило точность прогноза более чем на 10% по метрике AUC. Методология солидная: кластеризация K-means на три сегмента (лояльные, спящие, отток), анализ переходов между сегментами по месяцам. Но публикация датирована 2023 годом, а сами данные — 2019-2020 годами. Это не свежее исследование под запрос «2026», как могло бы показаться — хотя методология остаётся рабочей.
🪤 Находка: «бенчмарк 2026» без методологии и «свежая» статья со старыми данными
Источник с таблицей churn rate по отраслям (обновлён 03.03.2026) прямо не раскрывает ни размер выборки, ни то, сколько компаний вошло в подсчёт, ни географию данных — просто «агрегированные отраслевые данные». Отдельно: статья Mindbox про отток клиентов (05.02.2026, свежая дата публикации) приводит отраслевые показатели churn rate со ссылкой на Recurly — но сами процитированные данные датированы 2022 годом.
| Отрасль | Churn rate | Источник и год данных |
|---|---|---|
| IT/софт | 4,75% | Recurly, 2022 (цитата у Mindbox, 05.02.2026) |
| Розничная торговля | 7,55% | Recurly, 2022 |
| Подписочный e-commerce (в среднем) | 6,5–8,5% | Без раскрытой методологии, дата публикации 03.03.2026 |
Вывод не в том, что этим цифрам нельзя пользоваться — направление и порядок величины, скорее всего, разумны. Вывод в том, что дата публикации статьи и дата данных внутри неё — разные вещи, и это стоит проверять перед тем, как закладывать цифру в бизнес-план.
Прогноз оттока полезен настолько, насколько свежие и полные данные о клиенте он использует — модель, обученная на разрозненных выгрузках, повторяет ту же проблему, что и статичный «бенчмарк из отчёта трёхлетней давности». Продукт «Прогнозы» в AXIOM считает риск оттока на актуальном профиле клиента из CDP, а не на статике.
Как устроены Прогнозы →Вопросы про прогноз оттока
Какая точность у моделей прогнозирования оттока клиентов?
По академическим исследованиям, ансамблевые модели (Random Forest, XGBoost) достигают точности около 92%, специализированные архитектуры — до 97% на подписочных данных. Базовая логистическая регрессия — около 77%. Разброс между исследованиями большой из-за разных датасетов.
Есть ли реальный кейс прогноза оттока на российских данных?
Да — исследование на данных 33 918 клиентов крупной российской торговой сети (Cyberleninka), где расширение RFM-модели повысило точность прогноза более чем на 10% по AUC. Публикация — 2023 года, данные — 2019-2020 годов.
Какой нормальный churn rate для e-commerce в 2026 году?
По одной оценке (без раскрытой методологии) — 6,5-8,5% в месяц для подписочного e-commerce. Источник честно не раскрывает выборку — использовать как грубый ориентир, не точный факт.
Можно ли доверять бенчмаркам с пометкой «2026», если они цитируют старые данные?
Не всегда. Статья Mindbox от февраля 2026 приводит показатели churn rate со ссылкой на Recurly, но сами данные датированы 2022 годом. Дата публикации не гарантирует свежести данных внутри статьи.
Продукт по теме
Похожие материалы
Источники
- Finsi.ai — «E-Commerce Churn Rate Benchmarks 2026» — 03.03.2026, методология не раскрыта — finsi.ai
- КиберЛенинка — «Прогнозирование оттока клиентов на основе паттернов изменения их поведения» — 2023 (данные 2019-2020) — cyberleninka.ru
- Mindbox — «Отток клиентов: причины и метрики измерения» — 05.02.2026, цитирует данные Recurly за 2022 — mindbox.ru
- Совокупность академических работ по ML-моделям churn prediction (ResearchGate, ScienceDirect, MDPI) — точность 77-97% в зависимости от модели и датасета
Не использован напрямую: систематический обзор MDPI (2504-4990/7/3/105) — страница вернула 403 при прямой проверке, цифры по нему взяты из агрегированной сводки поиска, а не подтверждены отдельным чтением первоисточника.