Традиционные методы ML превзошли нейросети в прогнозировании оттока клиентов

Прогнозирование оттока клиентов — одна из ключевых задач в розничной торговле. Высокая конкуренция и схожесть продуктов заставляют компании искать точные методы, чтобы удержать покупателей. Новое исследование, представленное на arXiv, сравнило эффективность классических алгоритмов машинного обучения и современной глубокой нейросети для решения этой задачи.

Авторы работы протестировали Random Forest, XGBoost и метод опорных векторов (SVM) против Unified Multi-Task Time Series Model — модели, способной анализировать сложные временные зависимости. Эксперименты проводились на нескольких наборах данных с различными способами маркировки оттока.

Результаты оказались неожиданными: традиционные методы показали более высокую точность предсказаний, требовали меньше данных для обучения и значительно меньших вычислительных ресурсов. При этом глубокая модель, несмотря на свою сложность, не смогла превзойти классику по ключевым метрикам.

По мнению исследователей, это связано с тем, что для задачи бинарной классификации (уйдет клиент или нет) временные зависимости не всегда критичны, а сложные нейросети перегружены параметрами. Random Forest и XGBoost, напротив, хорошо работают с табличными данными и устойчивы к шуму.

Для бизнеса это означает, что внедрение дорогостоящих нейросетей не всегда оправдано. Во многих случаях проверенные алгоритмы могут дать лучший результат при меньших затратах на обучение и обслуживание.

Работа опубликована в архиве препринтов arXiv под номером 2606.00169 и может быть полезна специалистам по анализу данных и маркетологам, выбирающим подход для снижения оттока клиентов.