Как AI выявляет клиентов с риском ухода

Большинство компаний узнают о потере клиента слишком поздно.

Клиент просто перестаёт покупать.

Менеджер через несколько месяцев замечает:

«Странно, давно от них не было заказа».

После этого начинается попытка вернуть отношения.

Но часто к этому моменту клиент уже:

• перешёл к конкуренту;
• сократил объём;
• сменил поставщика;
• разочаровался в сервисе;
• решил внутреннюю задачу другим способом.

AI позволяет работать иначе.

Он может анализировать поведение клиентской базы и находить ранние сигналы:

этот клиент начинает вести себя не так, как раньше.

Например:

• реже покупает;
• снижает средний чек;
• дольше оплачивает;
• реже общается с менеджером;
• чаще обращается с претензиями;
• перестал открывать новые сделки.

Именно из таких сигналов складывается риск ухода.

Разберём, как AI помогает выявлять клиентов, которых компания может потерять, ещё до фактического ухода.

Что такое риск ухода клиента

В аналитике часто используют термин churn risk.

Проще говоря:

вероятность того, что клиент перестанет покупать или существенно сократит сотрудничество.

Для подписочного бизнеса уход определяется просто:

клиент отменил подписку.

В B2B всё сложнее.

Клиент может:

• не уходить формально;
• продолжать числиться в CRM;
• иногда отвечать менеджеру;

но при этом постепенно сократить закупки почти до нуля.

Поэтому AI должен анализировать не только факт отказа, но и изменение поведения.

Почему обычной CRM недостаточно

CRM может показать:

Последняя сделка — 4 месяца назад.

Это полезно.

Но AI может идти глубже.

Например:

Клиент раньше покупал каждые 35–45 дней. Сейчас прошло 78 дней. Средний чек последних двух заказов также снизился на 32%.

Это уже гораздо более сильный сигнал.

То есть AI анализирует не абсолютное правило для всех клиентов, а отклонение конкретного клиента от его собственной нормы.

Какие данные можно использовать

Для оценки риска ухода могут использоваться:

CRM

• сделки;
• активности;
• звонки;
• встречи;
• задачи;
• обращения.

1С

• фактические продажи;
• частота заказов;
• сумма;
• товары;
• оплаты;
• задолженность.

Переписка

• частота сообщений;
• вопросы;
• жалобы;
• возражения.

Сервис

• обращения;
• рекламации;
• SLA;
• повторные проблемы.

Чем больше качественных данных, тем точнее картина.

1. AI анализирует частоту покупок

Один из самых сильных факторов.

Например, клиент обычно покупает:

каждые 30 дней.

Последние интервалы:

• 29 дней;
• 32 дня;
• 31 день;
• 67 дней.

AI замечает отклонение.

И сообщает:

Цикл покупки клиента увеличился более чем в два раза относительно его исторического среднего.

Это ранний сигнал риска.

2. AI ищет пропущенную ожидаемую покупку

Например:

клиент покупает стройматериалы примерно раз в месяц.

Обычно к 10 числу уже появляется новый заказ.

Сейчас 20 число.

Заказа нет.

AI может сформировать:

Ожидаемая покупка не произошла.

Менеджеру создаётся задача.

3. AI анализирует падение оборота

Клиент продолжает покупать.

Но меньше.

Например:

Средний месячный оборот: 12 млн ₸.

Последние месяцы:

• 9 млн ₸;
• 7 млн ₸;
• 5 млн ₸.

AI может показать:

Оборот клиента снижается третий месяц подряд.

Это часто важнее полного отсутствия заказа.

4. AI анализирует средний чек

Например:

раньше клиент покупал на:

4 млн ₸ за заказ.

Теперь:

1,8 млн ₸.

Количество заказов вроде сохранилось.

Но экономическая ценность клиента быстро падает.

AI фиксирует:

Средний чек снизился на 55% относительно исторического уровня.

5. AI анализирует ассортимент покупок

Клиент раньше покупал:

• продукт A;
• продукт B;
• продукт C.

Теперь покупает только A.

AI может определить:

Клиент перестал покупать две из трёх основных продуктовых категорий.

Это может означать, что часть потребности уже ушла к конкуренту.

6. AI анализирует долю закупок клиента

Если есть данные о потенциальном объёме, можно оценивать share of wallet.

Например:

раньше компания получала значительную часть закупок клиента.

Теперь объём резко сократился.

Это может быть частичный churn.

Клиент ещё с вами, но основной оборот уже у другого поставщика.

7. AI анализирует повторные продажи

Очень простой сценарий.

Например, CRM показывает:

500 клиентов покупали за последние 12 месяцев.

AI группирует:

• активные;
• снижающие активность;
• спящие;
• высокорисковые.

Так менеджеру не нужно вручную проверять всю базу.

8. AI сравнивает клиента с похожими клиентами

Например:

дилеры одного типа обычно закупают раз в 45 дней.

Один конкретный дилер не покупает уже 100 дней.

AI может сравнить его:

• с собственной историей;
• с сегментом.

Это усиливает сигнал.

9. AI анализирует активность коммуникаций

Клиент может продолжать покупать, но отношения уже охлаждаются.

Например:

раньше:

• встречи каждый месяц;
• регулярные звонки;
• активная переписка.

Теперь:

• два месяца без контакта.

AI может отметить:

Уровень коммуникационной активности с клиентом существенно снизился.

Это особенно важно для стратегических B2B-клиентов.

10. AI определяет отсутствие контакта с ЛПР

Например:

менеджер общается только с закупщиком.

Но собственник или директор клиента уже давно не контактировал с вашей компанией.

AI может дать сигнал:

С ключевым ЛПР не было взаимодействия более 90 дней.

Для крупных клиентов это серьёзный риск.

11. AI анализирует смену контактного лица

Например:

у клиента сменился закупщик.

Старый сотрудник был лоялен.

Новый начинает пересматривать поставщиков.

AI может определить:

Изменение ключевого контакта.

И повысить риск.

Менеджеру стоит быстрее выстроить отношения с новым человеком.

12. AI анализирует тон переписки

С этим нужно работать осторожно.

Но AI может выявлять явные сигналы:

• раздражение;
• повторные жалобы;
• недовольство сроками;
• претензии к сервису.

Например:

Клиент несколько раз выражал недовольство сроками поставки за последние 30 дней.

Это один из факторов риска.

Важно: AI не должен пытаться «читать мысли». Он анализирует конкретное содержание сообщений.

13. AI анализирует жалобы

Одна жалоба не всегда означает риск ухода.

Но если:

• жалоб становится больше;
• проблемы повторяются;
• вопросы долго решаются;

это уже опасный паттерн.

AI может сообщить:

У клиента было 4 обращения по одной проблеме за 60 дней.

Это намного важнее отдельной заявки сервиса.

14. AI анализирует NPS

Если компания измеряет NPS, его можно связать с продажами.

Например:

клиент дал низкую оценку.

Через месяц также сократил закупки.

AI может объединить эти факторы и повысить риск-профиль.

15. AI анализирует скорость решения проблем

Например:

у клиента была рекламация.

SLA:

2 дня.

Фактически закрыли:

9 дней.

AI может определить:

Повышенный риск после затянутой рекламации.

Это особенно важно для ключевых клиентов.

16. AI анализирует возвраты и рекламации

Если клиент:

• чаще возвращает товар;
• получает брак;
• открывает рекламации;

это может снижать лояльность.

AI может сопоставить:

рост рекламаций + падение закупок.

Так риск становится более обоснованным.

17. AI анализирует цену и скидки

Клиент может начать чаще просить скидку.

Например:

раньше вопросов по цене почти не было.

Теперь каждый заказ сопровождается:

У конкурента дешевле.

AI фиксирует:

Ценовое давление увеличилось.

Это может быть признаком активного сравнения поставщиков.

18. AI выявляет упоминания конкурентов

Например, в звонке клиент говорит:

Нам ещё предложила компания X.

AI фиксирует:

Появился конкурент.

Если одновременно:

• снижается оборот;
• растёт интервал заказов;

риск становится выше.

19. AI анализирует снижение вовлечённости в переговоры

Например:

раньше клиент:

• быстро отвечал;
• сам инициировал вопросы;
• участвовал во встречах.

Теперь:

• отвечает через несколько дней;
• не подтверждает встречи;
• не формулирует новые запросы.

AI может отметить:

Вовлечённость клиента снизилась относительно предыдущего периода.

20. AI анализирует неоплаченные счета

Проблемы с платежами могут означать:

• финансовые сложности;
• конфликт;
• снижение приоритета отношений.

Например:

клиент обычно платил вовремя.

Теперь просрочка:

45 дней.

AI может повысить риск.

Но важно не путать финансовый риск с обязательным уходом.

21. AI анализирует изменение платёжной дисциплины

Например:

раньше задержка:

0–5 дней.

Теперь:

20–30 дней.

AI фиксирует изменение поведения.

Это может быть ранним признаком проблем у клиента.

22. AI анализирует падение количества новых запросов

В проектных продажах клиент может регулярно отправлять запросы.

Например:

раньше:

10 запросов в месяц.

Теперь:

2.

Даже если текущая выручка пока держится, будущий pipeline уже сокращается.

AI может предупредить об этом заранее.

23. AI анализирует снижение потенциальной воронки клиента

Например:

у клиента было:

5 активных проектов на 50 млн ₸.

Теперь:

1 проект на 8 млн ₸.

Это сигнал будущего снижения выручки.

24. AI оценивает клиентский health score

Все сигналы можно объединить.

Например:

Клиент X

Частота заказов: ухудшилась.

Оборот: -28%.

Рекламации: +2.

Контакт с ЛПР: 75 дней назад.

Просрочка: 20 дней.

AI присваивает:

Health Score: низкий.

Или:

Риск ухода: высокий.

25. Не стоит использовать только один AI-балл

Например:

Риск — 78%.

Сам по себе процент мало полезен.

Руководителю нужно понимать:

почему.

Поэтому хороший AI должен объяснять:

Основные факторы: падение оборота, увеличившийся цикл заказа и отсутствие контакта с ЛПР.

Именно объяснение делает показатель управляемым.

26. AI может делить клиентов по уровню риска

Например:

Низкий риск

Поведение стабильно.

Средний

Есть одно-два отклонения.

Высокий

Несколько негативных сигналов одновременно.

Менеджеру в первую очередь показывают третью группу.

27. AI приоритизирует риск по деньгам

Очень важно.

Два клиента могут иметь одинаковый риск.

Но один приносит:

500 000 ₸ в год.

Другой:

50 млн ₸.

Приоритет совершенно разный.

Поэтому AI может учитывать:

Риск × ценность клиента.

28. AI может считать потенциальную потерю выручки

Например:

клиент даёт:

3 млн ₸ в месяц.

Риск ухода высокий.

Потенциальная годовая потеря:

36 млн ₸.

Так churn становится финансовым показателем.

29. AI выявляет ключевых клиентов под риском

Например:

7 клиентов с высоким риском ухода формируют около 18% годовой выручки.

Для собственника это уже стратегический сигнал.

30. AI анализирует причины риска

Например:

у одной группы клиентов:

цена.

У другой:

сервис.

У третьей:

снижение активности менеджера.

Это помогает работать не только с клиентом, но и с причиной.

31. AI анализирует риск по менеджерам

Например:

у менеджера A:

5% базы под высоким риском.

У менеджера B:

22%.

Это не означает автоматически, что B работает плохо.

Возможно:

• у него сложнее сегмент;
• другие продукты.

Но это повод для разбора.

32. AI анализирует риск по продуктам

Например:

клиенты продукта X уходят чаще.

Причина может быть:

• качество;
• цена;
• конкурент.

AI помогает увидеть системный продуктовый риск.

33. AI анализирует риск по регионам

Например:

в одном регионе падает активность сразу у десятков клиентов.

Это может быть связано:

• с логистикой;
• с конкурентом;
• с рыночной ситуацией.

Так анализ выходит за уровень одной сделки.

34. AI анализирует риск по сегментам

Например:

Малый бизнес

Чаще уходит из-за цены.

Средний

Из-за сервиса.

Крупный

Из-за сроков и интеграций.

Это помогает строить разные retention-стратегии.

35. AI может выявлять риск до падения выручки

Это самый ценный сценарий.

Например:

выручка клиента ещё нормальная.

Но:

• ЛПР давно не общался;
• участились жалобы;
• появился конкурент.

AI уже повышает риск.

То есть компания получает сигнал до финансового падения.

36. AI может создавать задачу менеджеру

Например:

Клиент X — высокий риск ухода.

Система создаёт:

Задача: провести встречу с клиентом.

Срок: 3 дня.

В задаче:

• причины риска;
• история;
• рекомендуемые вопросы.

Так аналитика превращается в действие.

37. AI может рекомендовать сценарий удержания

Например:

Если проблема в цене

Проверить:

• ценность;
• условия;
• конкурентное предложение.

Если проблема в сервисе

Провести:

• разбор претензий;
• встречу;
• план исправлений.

Если упала активность

Предложить:

• новый продукт;
• повторный заказ;
• встречу.

Рекомендации должны быть понятными и практичными.

38. AI может готовить менеджера к разговору

Перед звонком:

Клиент снизил закупки на 35%, последняя рекламация закрывалась 8 дней, в недавней переписке упомянут конкурент X.

Менеджер входит в разговор уже с контекстом.

39. AI может анализировать результат удержания

После задачи:

• состоялась встреча;
• появился новый заказ;
• риск снизился.

AI обновляет health score.

Так retention становится управляемым процессом.

40. AI помогает измерять эффективность возврата клиентов

Например:

50 клиентов были в зоне высокого риска.

32 менеджеры обработали.

18 вернулись к нормальной активности.

Теперь можно считать эффективность программы удержания.

Как может выглядеть карточка риска клиента

Например:

Клиент: ТОО «Альфа»

Годовая выручка: 42 млн ₸

Риск ухода: высокий

Причины:

• оборот -31%;
• последний заказ 68 дней назад;
• обычный цикл — 35 дней;
• 2 рекламации за 60 дней;
• ЛПР не контактировал 95 дней.

Потенциальная потеря: около 42 млн ₸ годовой выручки.

Рекомендация: назначить встречу с ЛПР и разобрать последние рекламации.

Менеджер сразу понимает контекст.

Как может выглядеть отчёт РОПа

Клиентская база

Активных клиентов: 520.

Высокий риск

34 клиента.

Выручка под риском

145 млн ₸ в годовом эквиваленте.

Основные причины

1. Снижение частоты заказов.
2. Падение оборота.
3. Проблемы сервиса.
4. Отсутствие контакта.

Приоритет

8 клиентов формируют 70% выручки группы риска.

Рекомендация

В первую очередь провести персональный разбор этих 8 компаний.

Это уже готовая retention-программа.

Что должен видеть собственник

Собственнику не нужен список из сотен клиентов.

Полезнее:

Клиентов высокого риска: 18.

Выручка под риском: 96 млн ₸.

Основная причина: падение повторных продаж.

Крупнейший риск: клиент X — 24 млн ₸.

Так churn становится управленческим KPI.

Как AI работает с новыми клиентами

Для нового клиента мало истории.

Поэтому точность ниже.

Можно учитывать:

• раннюю активность;
• качество первого опыта;
• обращения;
• скорость повторной покупки.

Но более надёжный churn-анализ обычно появляется после накопления истории.

Сколько истории нужно

Универсального ответа нет.

Зависит от частоты покупок.

Если клиент покупает ежедневно, закономерность появляется быстро.

Если раз в год — данных значительно меньше.

Поэтому модель нужно адаптировать под конкретный бизнес.

Почему нельзя использовать одно правило для всех

Например:

«Если клиент не покупал 60 дней — риск».

Для одного клиента это действительно плохо.

Другой покупает раз в полгода — для него всё нормально.

AI ценен именно тем, что может учитывать индивидуальный паттерн.

Как работает простая модель без сложного AI

Начать можно даже с понятных правил.

Например:

• частота заказа выросла в 2 раза;
• оборот упал более чем на 30%;
• не было контакта 60 дней;
• появилась рекламация.

Если совпало несколько условий:

Высокий риск.

Уже это может дать бизнесу значительную пользу.

Где начинается настоящий machine learning

Если данных много, можно обучать модель на истории.

Она анализирует:

какие клиенты ушли раньше

и сравнивает:

как они вели себя до ухода.

Например, перед churn часто происходили:

• снижение объёма;
• рост интервала;
• увеличение жалоб.

Модель начинает искать похожие паттерны у текущих клиентов.

AI и machine learning — не одно и то же

Для прогнозирования риска можно использовать:

• правила;
• статистику;
• machine learning.

А генеративный AI использовать для:

• объяснения;
• резюме;
• рекомендаций.

Например:

ML рассчитывает риск.

LLM объясняет руководителю, почему клиент попал в зону риска.

Это сильная архитектура.

Почему нельзя полностью доверять churn-score

AI может ошибаться.

Например:

клиент перестал заказывать из-за сезонности.

Модель считает его рискованным.

Поэтому менеджер должен иметь возможность добавить контекст.

Например:

Клиент временно приостановил закупки до декабря — это нормально.

Нужно учитывать сезонность

Например:

строительная компания закупает только в сезон.

Если AI не знает этого, он будет постоянно генерировать ложные сигналы.

Поэтому нужно учитывать:

• отрасль;
• сезон;
• тип клиента.

Нужно учитывать стратегические изменения

Например:

клиент закрыл направление.

Это уже не риск ухода, а изменение бизнеса.

Такой контекст желательно фиксировать в CRM.

AI не должен автоматически давать скидку

Если клиент под риском, самое простое решение:

дать скидку.

Но это далеко не всегда правильно.

Причина может быть:

• сервис;
• качество;
• отношения;
• продукт.

AI должен помочь определить проблему, а не автоматически снижать цену.

AI не должен автоматически обвинять менеджера

Клиент может уйти из-за:

• рынка;
• собственного кризиса;
• продукта;
• конкурента.

Поэтому churn-анализ должен искать факторы, а не виноватых.

Типовые ошибки внедрения churn-аналитики

Ошибка №1. Считать уходом только полный отказ

Частичный churn часто начинается раньше.

Ошибка №2. Использовать одно правило на всех

У разных клиентов разные циклы.

Ошибка №3. Анализировать только CRM

Фактические продажи могут находиться в 1С.

Ошибка №4. Не учитывать сервис

Причина ухода часто появляется там.

Ошибка №5. Не учитывать сезонность

Появляется много ложных сигналов.

Ошибка №6. Показывать только процент риска

Нужны причины.

Ошибка №7. Не учитывать ценность клиента

Менеджеры тратят время не на тех.

Ошибка №8. AI обнаружил риск, но задачи не созданы

Аналитика не превращается в действие.

Ошибка №9. Не измерять результат удержания

Непонятно, работает ли система.

Ошибка №10. Пытаться сразу построить сложную ML-модель

Часто лучше начать с понятных бизнес-правил.

Как внедрять AI-анализ риска ухода поэтапно

Этап 1. Определить, что считается уходом

Например:

• нет заказов 90 дней;
• падение оборота на 50%;
• полный отказ.

Этап 2. Проанализировать историю

Посмотреть:

как вели себя клиенты перед уходом.

Этап 3. Выбрать ключевые сигналы

Например:

• частота;
• оборот;
• контакт;
• рекламации.

Этап 4. Объединить CRM и 1С

CRM — отношения.

1С — фактические продажи.

Этап 5. Построить простой risk score

Начать с понятных правил.

Этап 6. Добавить AI-объяснение

Почему клиент под риском.

Этап 7. Автоматизировать задачи

Высокий риск → действие менеджера.

Этап 8. Построить дашборд

По:

• менеджерам;
• регионам;
• сегментам.

Этап 9. Измерять результат

Сколько клиентов удалось удержать.

Этап 10. Усложнять модель

Только если это действительно улучшает качество прогноза.

Как Profi Soft внедряет AI-анализ клиентской базы

В Profi Soft мы рассматриваем удержание клиентов не как отдельную рассылку или разовую кампанию.

Сначала анализируем весь цикл:

первая продажа → повторные покупки → коммуникации → сервис → снижение активности → риск ухода.

Дальше определяем:

• какие данные есть в Bitrix24;
• какие продажи находятся в 1С;
• как часто покупает клиент;
• какие сигналы важны;
• когда менеджеру нужно вмешаться.

После этого строится клиентская risk-модель.

Что может входить в проект Profi Soft

• аудит клиентской базы;
• настройка Bitrix24;
• интеграция с 1С;
• история продаж;
• анализ частоты закупок;
• анализ среднего чека;
• выявление спящих клиентов;
• health score;
• churn score;
• анализ звонков;
• анализ переписки;
• анализ рекламаций;
• автоматические задачи;
• BI-дашборды;
• AI-рекомендации;
• контроль возврата клиентов.

Что получает менеджер

Менеджеру не нужно вручную вспоминать:

Кому я давно не звонил?

CRM сама показывает:

Вот 10 клиентов, которые сейчас требуют внимания.

И объясняет почему.

Что получает РОП

Руководитель видит:

• сколько клиентов находится в зоне риска;
• какая выручка может быть потеряна;
• какие менеджеры обрабатывают риски;
• сколько клиентов удалось вернуть.

То есть retention становится измеримым процессом.

Что получает собственник

Для собственника важно не только:

сколько новых клиентов мы получили.

Но и:

сколько существующих можем потерять.

Например:

Выручка 120 млн ₸ в год находится в зоне повышенного риска у 14 клиентов.

Это уже показатель, с которым можно работать.

Главный вывод

AI помогает выявлять риск ухода не потому, что умеет «угадывать настроение клиента».

Его сила в другом.

Он способен постоянно анализировать изменения в поведении:

• частоту заказов;
• оборот;
• средний чек;
• ассортимент;
• звонки;
• переписку;
• рекламации;
• оплаты.

И замечать:

клиент начинает вести себя иначе, чем раньше.

Правильная схема выглядит так:

данные CRM + 1С + сервис → risk score → объяснение → задача менеджеру → действие → контроль результата.

Тогда компания перестаёт узнавать об уходе клиента через полгода после последнего заказа.

Она получает шанс вмешаться раньше.

Закажите аудит клиентской базы и AI-retention

Если у вашей компании накоплена большая база клиентов, но менеджеры работают с ней в основном по памяти или когда клиент сам обращается, значительная часть повторной выручки может оставаться без контроля.

Команда Profi Soft поможет:

• объединить данные Bitrix24 и 1С;
• определить нормальный цикл покупки;
• найти спящих клиентов;
• настроить risk score;
• выявлять падение оборота;
• контролировать активность;
• запускать автоматические задачи на удержание.

Оставьте заявку на аудит. Мы покажем, как использовать CRM, данные 1С и AI, чтобы находить клиентов с риском ухода до того, как они полностью перестанут покупать.

Чек-лист AI-анализа риска ухода

Проверьте, умеет ли ваша система:

• анализировать частоту заказов;
• выявлять пропущенную покупку;
• анализировать падение оборота;
• контролировать средний чек;
• анализировать ассортимент покупок;
• выявлять спящих клиентов;
• контролировать коммуникационную активность;
• отслеживать контакт с ЛПР;
• учитывать рекламации;
• анализировать NPS;
• учитывать скорость решения проблем;
• контролировать задолженность;
• анализировать упоминания конкурентов;
• рассчитывать health score;
• рассчитывать churn risk;
• учитывать ценность клиента;
• оценивать выручку под риском;
• создавать задачи менеджеру;
• давать рекомендации по удержанию;
• измерять результат возврата клиентов.

Если сегодня компания узнаёт о потере клиента только после того, как он давно перестал покупать, у AI-аналитики есть большой потенциал.

Часто задаваемые вопросы

Может ли AI точно определить, что клиент уйдёт?

Нет. Это вероятностная оценка риска, а не гарантированное предсказание.

Какие признаки ухода самые важные?

Часто это снижение частоты заказов, падение оборота, уменьшение активности, рост рекламаций и изменение коммуникации.

Можно ли анализировать риск ухода только по CRM?

Можно, но данные фактических покупок из 1С обычно делают анализ значительно полезнее.

Что такое churn score?

Это показатель риска ухода клиента, рассчитанный на основании нескольких факторов.

Чем health score отличается от churn score?

Health score показывает общее состояние отношений, а churn score фокусируется именно на риске потери клиента.

Можно ли выявлять риск до падения продаж?

Иногда да — например, по жалобам, снижению активности или появлению конкурента.

Может ли AI автоматически создавать задачи менеджеру?

Да. Например, при переходе стратегического клиента в зону высокого риска.

Нужно ли сразу использовать machine learning?

Нет. Часто на первом этапе достаточно понятных бизнес-правил и исторической аналитики.

Можно ли анализировать риск по менеджерам и сегментам?

Да. Это помогает находить системные проблемы, но результаты нужно интерпретировать с учётом контекста.

С чего лучше начать?

С определения нормального цикла покупки клиента, объединения данных Bitrix24 и 1С и выявления клиентов, которые заметно отклонились от своей обычной активности.