Оценка точности и производительности моделей машинного обучения для прогнозирования оттока клиентов страховой компании

Проведено комплексное сравнительное исследование нескольких алгоритмов машинного обучения для задачи прогнозирования оттока клиентов страховой компании на данных открытого датасета. Уделено внимание как качественным метрикам точности моделей, так и вычислительной эффективности. Актуальность темы обусловлена высокой конкуренцией на страховом рынке и значительными затратами, связанными с потерей клиентов; своевременное выявление намерения клиента прекратить сотрудничество позволяет компании принять меры для его удержания. Цель исследования – оценить точность и производительность различных моделей машинного обучения, способных предсказать отток клиентов. В экспериментах использованы открытые данные о клиентах страховой компании (индустрия страхования жизни) с признаками, характеризующими их страховые случаи, исторические записи и факт оттока. Добавлен анализ факторов: исследованы корреляции между признаками и целевой переменной, выполнен факторный анализ и оценена важность признаков, влияющих на отток. По результатам, почти все модели продемонстрировали одинаково высокое качество прогноза благодаря наличию доминирующего фактора риска оттока, однако различались по производительности: логистическая регрессия и градиентный бустинг обучаются на порядок быстрее по сравнению с методом опорных векторов и случайным лесом, при значительно меньшем объеме памяти. Полученные результаты подтверждают, что современные ансамблевые алгоритмы способны обеспечить высокую точность прогнозирования оттока клиентов при разумных затратах ресурсов. Их использование целесообразно для страховых компаний с целью своевременного выявления клиентов группы риска, например, клиентов с крупными страховыми выплатами и принятия проактивных мер по удержанию таких клиентов.

1. Шайхиева Ж.М. Churn Modeling для прогнозирования оттока клиентов в предприятиях. Вестник науки. 2023;2(11):709–713.

2. Зеленков Ю.А., Сучкова А.С. Прогнозирование оттока клиентов на основе паттернов изменения их поведения. Бизнес-информатика. 2023;17(1):7–17.

3. Любинский М.С. Применение машинного обучения для прогнозирования оттока клиентов в CRM-системах. Вестник науки. 2025;3(4):808–812.

4. Boozary P., Sheykhan S., GhorbanTanhaei H., Magazzino C. Enhancing Customer Retention with Machine Learning: A Comparative Analysis of Ensemble Models for Accurate Churn Prediction. International Journal of Information Management Data Insights. 2025;5(1). https://doi.org/10.1016/j.jjimei.2025.100331

5. Suguna R., Prakash J.S., Pai H.A., Mahesh T.R., Kumar V.V., Yimer T.E. Mitigating Class Imbalance in Churn Prediction with Ensemble Methods and SMOTE. Scientific Reports. 2025;15. https://doi.org/10.1038/s41598-025-01031-0

6. Sikri A., Jameel R., Idrees Sh.M., Kaur H. Enhancing Customer Retention in Telecom Industry with Machine Learning Driven Churn Prediction. Scientific Reports. 2024;14. https://doi.org/10.1038/s41598-024-63750-0

7. AbdelAziz N.M., Bekheet M., Salah A., El-Saber N., AbdelMoneim W.T. A Comprehensive Evaluation of Machine Learning and Deep Learning Models for Churn Prediction. Information. 2025;16(7). https://doi.org/10.3390/info16070537

8. Liu X., Xia G., Zhang X., Ma W., Yu Ch. Customer Churn Prediction Model Based on Hybrid Neural Networks. Scientific Reports. 2024;14. https://doi.org/10.1038/s41598-024-79603-9

9. He Ch., Ding Ch.H.Q. A Novel Classification Algorithm for Customer Churn Prediction Based on Hybrid Ensemble-Fusion Model. Scientific Reports. 2024;14. https://doi.org/10.1038/s41598-024-71168-x

10. Khattak A., Mehak Z., Ahmad H., Asghar M.U., Asghar M.Z., Khan A. Customer Churn Prediction Using Composite Deep Learning Technique. Scientific Reports. 2023;13. https://doi.org/10.1038/s41598-023-44396-w

11. Peng K., Peng Ya., Li W. Research on Customer Churn Prediction and Model Interpretability Analysis. PLoS ONE. 2023;18(12). https://doi.org/10.1371/journal.pone.0289724

12. Risselada H., Verhoef P.C., Bijmolt T.H.A. Staying Power of Churn Prediction Models. Journal of Interactive Marketing. 2010;24(3):198–208. https://doi.org/10.1016/j.intmar.2010.04.002