Churn prediction framework для медиа-подписки

Условие задания

**Контекст:** Стриминговый сервис теряет 8% подписчиков ежемесячно (annualized churn ~62%). Нужно построить framework для предсказания и предотвращения churn.

**Данные:** метрики последнего месяца по когорте подписчиков (n = 200 000):

| Сегмент | Доля | Churn rate | Avg sessions/week | Avg watch hours | Last login (days ago) |
|---------|------|-----------|-------------------|----------------|----------------------|
| Активные | 45% | 2% | 5.2 | 8.5 | 1.3 |
| Умеренные | 30% | 7% | 2.1 | 3.2 | 4.7 |
| Засыпающие | 15% | 18% | 0.5 | 0.8 | 12.4 |
| Мёртвые | 10% | 45% | 0.05 | 0.1 | 28.6 |

Churn signals (корреляция с churn в след. месяце):

| Сигнал | Correlation | Доступность |
|--------|-----------|-------------|
| Days since last session | 0.72 | Real-time |
| Week-over-week watch hours Δ | −0.58 | Weekly |
| Number of content searches (no results) | 0.41 | Real-time |
| Payment failures | 0.65 | Real-time |
| Subscription age (months) | −0.31 | Static |
| Devices used | −0.28 | Weekly |

**Задание:**
1. Постройте churn prediction framework: какие сигналы, какие пороги, какой lead time.
2. Рассчитайте экономику anti-churn программы.
3. Предложите intervention playbook для каждого сегмента.
4. Определите метрики успеха anti-churn программы.

Темы

churn retention предиктивная аналитика сигналы intervention

Подсказки

• Churn prediction работает лучше на "засыпающих" — мёртвых уже поздно спасать, а активные не в риске
• ROI anti-churn = (спасённые × LTV) − (стоимость interventions). Не все interventions одинаково дороги
• Lead time — ключевой параметр: чем раньше обнаружите at-risk user, тем дешевле intervention

Все тестовые задания →

Частые вопросы

Какой уровень знаний нужен для задачи "Churn prediction framework для медиа-подписки"?

Это задание для уровня Middle. Для middle-аналитиков с опытом 1-3 года, требует уверенного владения темой и понимания edge cases.

На каких собеседованиях встречается такая задача?

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, предиктивная аналитика, сигналы, intervention.

Сколько времени даётся на решение?

На реальном собеседовании на подобную задачу отводится 15-30 минут — оцениваются подход, корректность, обработка edge cases. Для тренировки рекомендуем сначала решить самостоятельно, потом сверить с эталонным решением и подсказками.

Где ещё потренироваться по теме «Продуктовые задачи»?

На zasqlpython.ru есть другие задания в категории «Продуктовые задачи», продуктовые кейсы, справочник метрик, AI мок-собеседование с разбором ваших ответов.

← Все задания