**Контекст:** Вы lead-аналитик в телеком-операторе. База: 5 000 000 абонентов, ежемесячный `churn` 2.5% (125 000 абонентов/мес). Модель предсказания churn выдаёт `risk score` (0–100) для каждого абонента.
**Данные:** метрики модели и доступные интервенции:
- `Precision@top10%`: 45% (из предсказанных at-risk 45% действительно уходят)
- `Recall@top10%`: 35% (модель ловит 35% всех уходящих)
| Интервенция | Стоимость/абонент | Ожидаемое снижение churn |
|---|---|---|
| SMS-напоминание | 5 руб. | 3% |
| Звонок оператора | 150 руб. | 12% |
| Скидка 20% на 3 мес | 600 руб. | 25% |
| Персональный оффер (upgrade) | 300 руб. | 18% |
`ARPU`: 450 руб./мес, средний `lifetime`: 40 мес, маржа: 60%.
**Задание:**
1. Рассчитайте `LTV` и потери от churn.
2. Постройте `cost-benefit` модель для каждой интервенции.
3. Предложите сегментированную стратегию по `risk score` тирам.
4. Составьте итоговый P&L стратегии.
churn retention LTV unit-экономика cost-benefit прогнозирование
Это задание для уровня Senior. Senior-уровень — глубокое понимание темы, опыт решения нестандартных задач, обсуждение trade-off на собеседовании.
Подобные задания в категории «Продуктовые задачи» регулярно дают на собеседованиях аналитика данных в Яндекс, Сбер, Ozon, Авито, Тинькофф, Wildberries, T-Bank, X5, ВТБ и других крупных IT-компаниях. Тематика: churn, retention, LTV, unit-экономика, cost-benefit.
На реальном собеседовании на подобную задачу отводится 30-60 минут с обсуждением подходов, оптимизаций и trade-off. Для тренировки рекомендуем сначала решить самостоятельно, потом сверить с эталонным решением и подсказками.
На zasqlpython.ru есть другие задания в категории «Продуктовые задачи», продуктовые кейсы, справочник метрик, AI мок-собеседование с разбором ваших ответов.
← Все задания