Кейс: как анализ клиентских обращений помог снизить «тихий» отток на 5-7%
Исследование на 28 тыс. обращений показало: 89% ушедших клиентов не жаловались, а повторные обращения ассоциированы с 8-кратным ростом вероятности оттока
Контекст задачи
Компания, работающая в сегменте B2C-сервиса с большим объемом клиентских обращений, столкнулась с ростом оттока при внешне стабильных показателях клиентского сервиса. SLA по обработке обращений выполнялся, уровень жалоб оставался низким, а регулярные опросы не сигнализировали о масштабных системных проблемах.
При этом бизнес фиксировал снижение повторной активности клиентов и рост доли пользователей, которые прекращали взаимодействие без формальных претензий. Существующая отчетность не позволяла выявлять ранние сигналы риска ухода, а количество клиентских оценок было недостаточным для обоснованных выводов.
Для ответа на эти вопросы компания привлекла MiXBS — не только как действующего BPO-партнера, но и как команду, способную провести исследование клиентских обращений и архитектуры CX-процессов.
Данные и база исследования
На протяжении 9 месяцев часть клиентского сервиса заказчика была передана на аутсорсинг команде MiXBS и функционировала на платформе BayCX; все обращения, обрабатываемые агентами, фиксировались внутри платформы и формировали целостную базу для анализа.
В исследование вошли 28 000 обращений B2C-клиентов, включая:
входящие звонки и диалоги в других каналах;
повторные обращения и цепочки контактов;
тикеты по сложным вопросам;
содержание коммуникаций, включая неоцененные обращения, не попадающие в NPS и опросы.
Данные обращений были сопоставлены с фактическим поведением клиентов — повторными заказами и уходом в неактивность.
В рамках проекта команда MiXBS занималась аналитикой базовой архитектуры CX — с задачей понять, какие элементы сервиса провоцируют «тихий» отток и как перестроить систему, чтобы она выявляла риски до появления жалоб.
Методология исследования
Исследование было выстроено как последовательный аналитический процесс.
1
Сквозной анализ истории взаимодействий
Обращения рассматривались не изолированно, а в связке по каждому клиенту, что позволило выявить повторяющиеся сценарии и потерю контекста между контактами.
2
Анализ повторных обращений
Фокус был сделан на частоте, интервалах и возвратах по одной и той же проблеме, включая случаи, когда запрос формально считался закрытым.
3
AI-аналитика содержания и эмоций
Для звонков и диалогов применялся анализ эмоционального окраса (Emotion AI), скрытой негативной лексики и неоцененных контактов — сегмента, который обычно остается вне управленческой аналитики.
4
Сопоставление с оттоком
Поведенческие и эмоциональные сигналы сопоставлялись с последующей неактивностью клиентов, что позволило выделить устойчивые предикторы «тихого» ухода.
Факторы «тихого» оттока
Исследование выявило несколько системных причин:
Разрыв контекста: в 34% повторных обращений клиент заново объяснял проблему, что увеличивало время решения;
Пропуск эмоциональных сигналов: в 45% диалогов со скрытой негативной тональностью не фиксировались жалобы или низкие оценки;
Задержки эскалации: критические кейсы задерживались на первом уровне поддержки либо застревали на этапе передачи от одного ответственного лица к другому;
Клиенты были в «информационном вакууме» на протяжении всего процесса решения их задач и многократно сами обращались за уточнением статуса заявки;
Ограниченность отчетности: повторные обращения и эмоциональные сигналы не использовались как управленческие показатели.
Изменение подхода к управлению сервисом
Результаты исследования легли в основу изменений в управлении клиентским опытом.
Новые настройки включали:
Единую историю взаимодействий;
Аналитику повторных обращений как индикатор риска;
Мониторинг эмоциональной тональности 100% обращений (Emotion Analysis);
Автоматическую маршрутизацию кейсов (на базе тикет-системы).
Результаты за 6 месяцев:
Снижение доли повторных обращений на 17%
Рост среднего рейтинга клиентских отзывов с 3,67 до 4,47
Сокращение времени на эскалацию проблем на 40%
Заключение
1
До 90% недовольства клиентов проявляется в неформализованных сигналах, которые можно выявить с помощью AI- аналитики (эмоциональной карты и речевого анализа по итогам диалога).
2
Повторные обращения — ключевой предиктор оттока: клиент с 3+ обращениями в месяц имеет в 8 раз более высокий риск уйти в ближайшие 60 дней.
3
CX-функция становится системой удержания доходов: внедрение аналитики позволило снизить «тихий» отток на 5−7% в годовом выражении.
Методология выявления «тихого» оттока и работа с предиктивными сигналами клиентского поведения рассмотрены в статье о предиктивном customer experience.
23 декабря 2025
Рекомендуем к прочтению