Как аналитика поддержки тянут на себе retention: кейс Тинькофф

Как аналитика поддержки тянут на себе retention: кейс Тинькофф

В 2026 году, когда средний чек в e-com снизился на 5-8%, а классическая лидогенерация через MQL уступает место RevOps, удержание клиента стало вопросом выживания. Но большинство brand-аналитиков по-прежнему смотрят на поддержку как на «центр затрат» и не связывают поток жалоб с ростом LTV. Разберём, как Тинькофф («Т-Банк») перевернул эту логику и превратил мониторинг обращений в инструмент предиктивного удержания.

**Контекст.** К 2025 году на финансовом рынке сформировался перекос: банки соревновались в ставках и кешбэке, а качество сервиса оставалось «чёрным ящиком». Тинькофф, уже имея сильный суппорт, заметил в социальном мониторинге тревожный сигнал: число упоминаний со словами «долго» и «робот» выросло на 40% за квартал, хотя количество формальных жалоб не изменилось. Это означало, что недовольство копится в теневой зоне — в чатах, комментариях под публикациями и у «молчаливых» пользователей, которые не пишут в суппорт.

**Задача.** Не просто снизить число претензий в чатах, а научиться вычислять точки среза клиентского пути, после которых пользователь уходит к конкурентам. Для этого требовалось соединить два массива: структурированные данные DMP (данные о транзакциях, времени в приложении) и неструктурированные — реплики из соцсетей и обращений в поддержку.

**Решение.** Команда внедрила семантическую модель — не на основе тональности (позитив/негатив), а на основе *намерения*. Например, фраза «попробую другой банк» — это не просто негатив, а стоп-сигнал для процесса удержания. Модель классифицировала обращения по 15 сценариям: «запрос

— @SocialListeningRuPro