ИИ в телекоммуникациях: прогноз оттока, сетевая оптимизация и персонализированные тарифы

Мобильный оператор — это бизнес, где привлечение нового клиента стоит в 5–7 раз дороже удержания существующего. При базе в десятки миллионов абонентов даже снижение оттока на 1 процентный пункт — это миллиарды рублей дополнительной выручки. Именно поэтому операторы вложили огромные ресурсы в ML-системы предсказания оттока.

Кейс 1. МТС — ML для удержания абонентов и персонализации тарифов

Инструменты

• Собственная ML-платформа (MTS AI — дочерняя структура)
• Данные: история тарифов, ARPU, звонки, интернет-потребление, геолокация (обезличенная), история обращений в поддержку
• Real-time scoring каждого абонента
• Персонализированные предложения через приложение, SMS, колл-центр

Что происходит

ML-модель МТС ежедневно пересчитывает «риск ухода» каждого из 80+ миллионов абонентов. Сигналы оттока многочисленны: снижение потребления трафика, уменьшение количества звонков, переход на минимальный тариф, отключение доп. услуг, визиты на сайты конкурентов (если данные разрешены), звонки в поддержку с вопросами о переносе номера.

Когда алгоритм видит высокий риск — автоматически формирует персональное предложение: не стандартная скидка 10% всем, а именно то, что с наибольшей вероятностью удержит конкретного абонента: больше гигабайт, бесплатные звонки на определённый номер, который этот абонент набирает чаще всего.

Параллельно: ML-тарификация. Система предлагает новым абонентам тариф, оптимальный под их предполагаемый паттерн использования — на основе демографии и первых дней потребления. Меньше «промахов» → меньше недовольства → ниже отток.

Результаты

• Отток абонентов МТС: снижение на ~15–20% в сегментах, охваченных ML-удержанием
• Конверсия персональных предложений по удержанию: в 3,2 раза выше стандартных массовых предложений
• ARPU (Average Revenue Per User): рост +7% за счёт точного апсейла нужных услуг
• МТС AI — отдельный бизнес, продаёт ML-решения другим компаниям: выручка растёт >30% г/г

Кейс 2. Ericsson — AI для управления и оптимизации 5G-сетей

Инструменты

• Ericsson AI/ML — встроенные ML-функции в оборудование базовых станций
• Intelligent Automation Platform — управление сетью через AI
• Self-Optimizing Network (SON) — самонастраивающиеся параметры базовых станций
• Anomaly detection для сетевых сбоев

Что происходит

5G-сеть значительно сложнее 4G: больше частот, более плотная инфраструктура, динамические слайсы под разные задачи (видео vs IoT vs критические приложения). Управлять такой сетью вручную невозможно.

ML-система Ericsson управляет параметрами базовых станций в реальном времени: мощность передатчика, угол антенны, распределение частот. Цель — максимизировать качество сети для каждого пользователя, минимизируя потребление энергии.

Self-Optimizing Network: базовые станции «договариваются» между собой через AI — если одна перегружена, соседние автоматически расширяют зону покрытия. Если ночью трафик минимален — станция уходит в режим сниженного потребления.

Результаты

• Снижение потребления энергии базовых станций через AI: до 20% (огромная экономия при тысячах станций)
• Качество сети (измеренное через latency и throughput): улучшение на ~15–25% при той же инфраструктуре
• Время выявления и устранения сетевых аномалий: с часов до минут
• Ericsson оценивает глобальную экономию операторов от AI-оптимизации сетей: >$5 млрд/год суммарно

Кейс 3. Билайн / VimpelCom — AI для сетевого планирования и поддержки клиентов

Инструменты

• ML-платформа для прогноза нагрузки на сеть
• Система предиктивного обнаружения сетевых неисправностей
• Голосовой AI-ассистент для колл-центра
• NLP-анализ обращений клиентов

Что происходит

Билайн использует ML для планирования расширения сети: прогноз нагрузки по районам помогает решить, где ставить новые базовые станции. Без ML: планировщики ориентируются на прошлогодние данные и интуицию. С ML: система анализирует рост плотности застройки, демографию, коммерческую активность, плановые мероприятия.

Голосовой ассистент в колл-центре: первый контакт — AI. Понимает суть обращения («интернет не работает», «хочу изменить тариф», «объясните последний счёт»), собирает контекст, решает простые вопросы самостоятельно, эскалирует сложные с полным контекстом разговора.

Результаты

• Точность прогноза сетевой нагрузки для планирования инфраструктуры: улучшение на ~30%
• AI-ассистент в колл-центре решает ~55% обращений без живого оператора
• Среднее время обработки обращения: снижение с 8 минут до 4,5 минут
• NPS клиентов: рост на +9 пунктов за год после запуска AI-поддержки