Toutes les entreprises sont confrontées aux phénomènes de churn d’une partie de leur clientèle. Les raisons de ces départs peuvent être multiples (départ pour la concurrence, baisse de qualité, mauvaise expérience client, prix, …).
La fidélisation de sa clientèle est tout aussi importante pour une entreprise que de mettre en place des outils visant à anticiper le départ de ces clients.
Grâce à la Data & IA de nombreuses solutions innovantes permettent de déterminer en amont de leurs départs, les clients les plus à risque dans le but que les équipes commerciales puissent proposer des actions de rétention.
Si vous envisagez de mettre en place un projet de churn dans votre société, cet article a pour but de lister quelques activités à imaginer avant l’entraînement du modèle data & IA dans l’idée de sécuriser votre cas d’usage et d’accélérer la transformation du processus métier.
Analyse de la situation
Analyse des fréquences des commandes
Un des éléments directement relié au phénomène de churn peut être modélisé par la fréquence de commande. Par exemple, un client qui commande chaque mois pourra être à risque s’il ne commande plus soudainement. L’idée de cette première étude vise à tenter de déterminer les grandes tendances de commandes de vos clients. Cependant, il ne faudra pas hésiter à diviser les études pour chacun de vos produits ou par rapport aux différentes segmentations clients.
Définition du churn
Le second point d’attention réside autour de la définition du churn. Cette définition varie grandement suivant le business et le type de produit que vous considérez. Dans le cas d’un abonnement téléphonique par exemple, l’attrition peut être définie comme la résiliation de son abonnement. Dans d’autres situations, le churn sera uniquement détectable lorsque le client stoppera son processus de commandes.
Ainsi, un travail conséquent de clarification de quelle notion détectée est primordial pour la suite du projet.
Évaluation du churn sur historique
Grâce à cette définition, il est à présent possible d’évaluer via un historique des données la proportion de churner (prendre une année complète N-1). Plus la proposition de données sera faible, plus la modélisation du phénomène sera difficile via un algorithme de Machine Learning.
Une validation des résultats est nécessaire par les équipes business pour valider le périmètre de modélisation. Au besoin, une redéfinition du churn pourra être réalisée pour confirmer l’objectif des futures prédictions.
Paradigme réactif versus prédictif
Deux approches sont possibles pour détecter un churner : approche réactive versus prédictive.
L’enjeu principal d’un modèle data science résidera dans l’approche prédictive de la détection du pattern à risque afin d’anticiper au maximum le départ du client et de planifier des actions de rétention.
Les approches réactives (souvent des moteurs de règles) viendront détecter le phénomène de churn plus tardivement et dans certaines situations il sera plus difficile de retenir le client par exemple.
En effet, si votre client n’a plus commandé depuis 3 mois alors qu’il avait une fréquence de commande d’un mois, il sera difficile pour les équipes commerciales de le retenir.
Ébauche d’une solution prédictive
-
Déterminer les facteurs influençant l’attrition
Avant d’imaginer l’entraînement d’un modèle prédictif, il est important d’identifier les différentes sources de données pouvant influencer l’attribution : informations propres aux clients couplées à celles des produits du portefeuille client. Afin d’augmenter la détection des signaux faibles, une attention toute particulière pourrait être apportée à l’inclusion.
Des informations contenues dans les échanges clients avec le service client :
- motif d’appels,
- nombre d’appels lors des 6 derniers mois, …
Une première étude de statistiques permettra de comprendre quelles variables semblent influencer la variable de churn. Le résultat recherché est d’obtenir des postulats du type :
“Le nombre d’appels pour réclamation lors des 6 derniers mois est deux fois plus élevé chez les clients qui vont churner par rapport aux autres”.
Dans le cas où aucune variable ne semble expliquer statistiquement le phénomène d’attrition, il est fortement recommandé de réitérer la démarche en rajoutant de nouvelles sources de données dans l’étude.
-
Élaboration du modèle prédictif
Il est à présent temps de modéliser le phénomène d’attrition grâce à un modèle d’IA.
Plusieurs courants statistiques peuvent se révéler a priori adéquats pour la détection des cas de churn.
Outre les modèles de classification binaire (du type random forest, xgboost, …) où l’on cherchera à prédire si le client risque de churner ou non, une seconde modélisation basée sur l’analyse de survie est également envisageable. En effet, cette approche est complémentaire à l’approche de classification binaire puisque l’idée est de déterminer le temps auquel le client aura le plus de chance de churner.
Grâce à cette modélisation, il sera ainsi possible de connaître les clients à appeler prioritairement en amont de la résiliation de leurs contrats.
-
Interprétabilité de la modélisation
La dernière clé du succès d’un projet de churn réside dans la détection de signaux faibles qui pourraient expliquer le churn. Un grand travail autour de l’interprétabilité du modèle sera nécessaire.
Ainsi, lors de la prédiction d’un risque de churn par le modèle, il sera important d’identifier quelles sont les variables qui ont le plus influencé cette alerte.
Ces informations une fois communiquées aux équipes business permettront de proposer des actions de rétention particulières ou de personnaliser le discours commercial au client.
Vous souhaitez avoir plus de détails sur ce sujet et savoir comment l’adapter à votre entreprise ? N’hésitez pas à nous contacter pour recevoir notre benchmark et un audit sur mesure !
La rédaction vous conseille
