FIDÉLISATION CLIENT
Prédiction du churn : repérer les clients sur le point de partir
La prédiction du churn avec TIMi attribue à chaque client un score de risque de départ et montre les variables derrière ce score, pour que les équipes de rétention agissent sur la vraie cause plutôt que sur une intuition.
Préparé dans Anatella
Historique, contrats et interactions issus de plus de 80 sources, transformés en variables prêtes pour le modèle.
Modélisé dans Modeler
L’AutoML construit et compare des modèles sur l’ensemble de votre base clients, sans échantillonnage.
Expliqué client par client
Chaque score est accompagné des variables qui pèsent le plus pour ce client.
COMMENT ÇA FONCTIONNE
Comment fonctionne la prédiction du churn.
Trois étapes, dans un seul moteur, sur un serveur standard sans cluster.
1. Préparer les données
Anatella rassemble l’historique des transactions, les données contractuelles et les interactions clients, les nettoie et les transforme en variables exploitables par le modèle.
2. Construire le modèle
Modeler génère des modèles candidats avec l’AutoML et retient celui qui offre le meilleur équilibre entre précision et interprétabilité. Le modèle retenu s’appuie généralement sur 15 à 25 variables, choisies parmi des milliers de candidates.
3. Scorer et expliquer
Chaque client reçoit un score de risque de churn et les variables qui pèsent le plus pour lui, et non une moyenne globale.
BIEN LE FAIRE
Trois décisions qui font ou défont un modèle de churn.
L’essentiel du travail porte sur la définition de la cible, pas sur l’algorithme.
Fixer la date d’observation et la fenêtre de prédiction
Le modèle apprend à partir des profils clients tels qu’ils étaient à une date passée, et de ceux qui sont partis dans la période suivante. En télécom, une fenêtre de prédiction de 3 mois est courante. Si vos systèmes ne conservent pas l’historique, des instantanés de la base clients peuvent être créés à intervalles réguliers.
Séparer les churners commerciaux et financiers
Les churners commerciaux partent par choix, à la fin de leur contrat. Les churners financiers partent plus tôt parce qu’ils ne peuvent plus payer. Proposer une incitation de rétention aux churners financiers peut faire baisser le taux de rétention ; les deux groupes sont donc généralement modélisés séparément.
Écarter les conséquences du churn
Une colonne comme la date de résiliation n’existe qu’une fois le client parti. Si elle reste dans le jeu de données, le modèle apprend la conséquence et non la cause. Repérer ces colonnes demande une grande part du temps de modélisation, et Modeler permet d’exclure une colonne en un clic.
EXPLICABILITÉ
Un score dit qui. Les facteurs disent pourquoi.
Un score de risque seul indique qu’un client peut partir. Un modèle en boîte blanche montre aussi, variable par variable, ce qui fait monter ce score pour ce client, comme une facture en retard, une baisse d’usage ou un contact récent avec le support.
Pour les équipes de rétention
L’action de rétention cible la cause réelle du risque plutôt qu’une hypothèse générique.
Pour les exigences de transparence
Un modèle qui justifie chaque résultat variable par variable fournit la documentation nécessaire pour répondre aux attentes de transparence, comme le RGPD et l’AI Act. L’évaluation de conformité elle-même reste du ressort de votre service juridique.
Pour les responsables des modèles
Le Drift Report intégré à Modeler montre quand un modèle perd en précision, pour le mettre à jour quand c’est nécessaire plutôt qu’à date fixe.
DONNÉES
Les données utilisées par un modèle de churn.
Anatella se connecte à plus de 80 sources : ces données peuvent être rassemblées sans développement spécifique préalable.
Historique des transactions
Fréquence, montant, régularité et récence des achats ou des paiements.
Données contractuelles
Ancienneté, type d’offre, durée d’engagement et changements de contrat passés.
Interactions clients
Demandes au support, réclamations et canaux utilisés pour vous contacter.
Signaux d’usage
Fréquence d’utilisation du produit ou du service, et son évolution.
PREUVES
Vu en production.
Résultats issus de nos études de cas publiées.
Attrition ramenée de 10 % à 8 % par an
Contacter les clients entreprises les plus à risque identifiés par le modèle permet de conserver 7 000 comptes professionnels supplémentaires chaque année.
Précision de détection du churn portée de 45 % à 57 %
MTN a analysé 6 mois de données de 21,4 millions d’abonnés en moins de 5 jours, grâce à l’analyse de réseaux sociaux.
1 013 variables repèrent les churners dans 37 catégories
Delhaize détecte le désengagement assez tôt pour agir, et associe la détection à des offres pertinentes.
FAQ
Questions fréquentes.
Combien de temps faut-il pour construire un premier modèle de churn ?
L’essentiel de l’effort porte sur la préparation des données, pas sur la modélisation. Le délai dépend de l’accessibilité et de la qualité de vos sources, que nous examinons avec vous avant de démarrer.
Quelle différence entre churn commercial et churn financier ?
Les churners commerciaux partent par choix, quand plus aucun contrat ne les lie. Les churners financiers partent plus tôt, même s’ils paient une pénalité, parce qu’ils ne peuvent plus assumer le service. Le premier groupe réagit aux actions de rétention, le second en général non ; ils sont donc modélisés séparément.
Faut-il un data scientist dédié ?
Modeler génère et sélectionne les modèles automatiquement, et son interface en assistant est conçue pour des utilisateurs sans formation en data mining. Un analyste reste utile pour définir la cible et lire les résultats avec les équipes métier, mais pas pour construire le modèle à la main.
Faut-il reconstruire le modèle quand le comportement des clients change ?
Les modèles de churn perdent en précision quand les comportements évoluent. Modeler inclut un Drift Report qui montre quand un modèle s’est dégradé, pour le mettre à jour quand c’est nécessaire plutôt qu’à un rythme arbitraire.
Les relations entre clients peuvent-elles améliorer la prédiction ?
Oui, quand vous disposez d’un graphe de relations, comme les appels entre abonnés. Anatella inclut des opérateurs d’analyse de réseaux sociaux qui le transforment en variables, par exemple le nombre de churners autour d’un client. MTN a utilisé cette approche.
CAS D’USAGE LIÉS
Continuez à explorer.
Prédiction de la valeur vie client
Estimez ce que vaut chaque client dans la durée, et ce qui détermine cette valeur.
Next Best Offer
Classez les offres que chaque client est le plus susceptible d’accepter, avec les raisons.
Prédiction de ventes croisées
Trouvez les clients les plus susceptibles d’acheter un produit complémentaire, et pourquoi.
JUGEZ PAR VOUS-MÊME
Testez-le sur vos propres données.
Essayez TIMi sur vos propres données avec un essai gratuit, ou parlez-nous de votre cas.
